无梯度计算模式是指在进行优化、求解或模型训练时，不依赖于目标函数或其相关组件（如损失函数、约束函数等）的梯度信息来指导搜索或更新过程的方法。这种模式适用于以下几种情况：
-
梯度不可用或难以计算：
- 目标函数可能包含复杂的非线性关系、非光滑部分、黑盒函数（如仿真模型、实验数据驱动的函数），或者其数学表达式过于复杂以至于无法有效地计算或解析其梯度。
- 在某些情况下，即使能够计算梯度，但由于计算成本过高（例如大规模稀疏优化问题）、数值不稳定（如梯度可能包含NaN或Inf）或硬件限制（如嵌入式设备的计算资源有限），也可能选择无梯度方法。
-
模型或问题特性：
- 对于某些特定问题结构，如离散优化、整数规划、组合优化问题，目标函数的梯度通常不存在或意义不大，此时必须采用无梯度算法。
- 在机器学习领域，如果模型包含不可微分的操作（如分段函数、阈值函数、离散决策变量），梯度可能无法有效计算，此时也需要无梯度优化方法。
无梯度计算模式下，常见的算法和策略包括：
直接搜索方法：
- 单纯形法（如Nelder-Mead单纯形法、下降单纯形法）：通过调整多维空间中的一个简单几何形状（如单纯形）来搜索极小点，通过比较顶点函数值并进行收缩、反射、扩张等操作来逐步逼近最优解。
- 模式搜索法：在搜索空间中按照预定的模式移动，如网格搜索、径向基函数搜索、坐标轮换等，以迭代地寻找函数值降低的方向。
模型拟合法：
- 响应曲面法（RSM）：通过构建并优化目标函数在设计空间上的近似模型（如二次多项式、Kriging模型等），基于一系列采样点的函数值来估计全局最优解。
- 代理模型（Surrogate models）：使用易于求导的模型（如高斯过程、神经网络）来近似原目标函数，然后在代理模型上进行梯度优化，再反馈到实际模型验证和更新。
进化算法与启发式方法：
- 遗传算法（GA）：模仿生物进化过程，通过选择、交叉、突变等操作在种群中迭代产生新的解，适应度函数值高的个体更有可能被保留和繁殖。
- 粒子群优化（PSO）：模拟粒子在搜索空间中飞行，每个粒子代表一个候选解，通过更新自身速度和位置来追踪群体最优和个体最优。
- 模拟退火（SA）：基于物理退火过程，允许接受比当前解更差的新解（有一定概率），以跳出局部最优，逐渐冷却系统以逼近全局最优。
基于梯度估计的技术：
- 有限差分法：通过计算目标函数在相邻点之间的值差来近似梯度，如前向差分、后向差分、中心差分等。
- 随机梯度-free方法（如随机Frank-Wolfe算法）：利用随机化技术来估计梯度方向或替代梯度更新步骤，适合大规模稀疏优化问题。
其他方法：
- 信赖域方法：在每个迭代步内，构建局部模型（如二次模型）来近似目标函数，并在一定的“信赖域”内求解这个局部模型，然后更新全局解。
- 元启发式方法（如蚁群优化、人工蜂群算法）：模拟自然界现象（如蚂蚁觅食、蜜蜂采蜜）来探索解空间。
无梯度计算模式虽然通常收敛速度较慢且缺乏梯度提供的精确导向，但因其鲁棒性、通用性和对问题结构需求较低的特点，对于许多实际应用中的复杂优化问题具有重要价值。
