Random search

Random search (losowe przeszukiwanie) to metoda poszukiwania rozwiązań, w której kolejne kandydaty są generowane w sposób losowy (lub pseudolosowy) z pewnej przestrzeni możliwości, a następnie oceniane według z góry określonego kryterium. W ekonomii i finansach termin ten bywa używany zarówno w sensie algorytmicznym (optymalizacja i uczenie maszynowe), jak i behawioralno-rynkowym (poszukiwanie informacji, pracy, kontrahentów lub okazji inwestycyjnych w warunkach niepewności).

W ujęciu algorytmicznym random search jest jedną z najprostszych technik optymalizacji „czarnej skrzynki” (black-box), gdy nie znamy postaci funkcji celu, nie mamy jej pochodnych lub jest ona nieciągła, zaszumiona albo kosztowna w obliczeniach. Procedura polega na wielokrotnym losowaniu punktów (np. zestawów parametrów) i wybieraniu najlepszego z dotychczas sprawdzonych. W praktyce często stosuje się warianty z ograniczeniami (np. losowanie tylko w dopuszczalnym przedziale), z budżetem obliczeniowym (określona liczba prób) oraz z regułami zatrzymania (np. brak poprawy wyniku przez N iteracji). Przykład: firma testuje losowo różne konfiguracje parametrów modelu prognozującego popyt (np. liczbę drzew w lesie losowym, głębokość drzewa, współczynnik uczenia), aby znaleźć ustawienia dające najniższy błąd prognozy na danych walidacyjnych.

W ujęciu ekonomicznym random search odnosi się do sytuacji, w której podmioty (konsumenci, pracownicy, firmy, inwestorzy) poszukują informacji lub dopasowań w sposób częściowo losowy, ponieważ rynek jest nieprzejrzysty, informacje są rozproszone, a koszty poszukiwania są dodatnie. Klasycznym kontekstem są modele poszukiwań i dopasowań (search and matching) na rynku pracy: bezrobotny nie zna wszystkich ofert i płac, więc „napotyka” oferty w czasie w sposób stochastyczny, a następnie decyduje, czy je przyjąć, czy kontynuować poszukiwania. Analogicznie przedsiębiorstwo może losowo docierać do potencjalnych dostawców lub klientów (np. poprzez targi, rekomendacje, zapytania ofertowe), a inwestor może losowo natrafiać na informacje o spółkach, raportach czy strategiach, choć w praktyce poszukiwanie bywa mieszanką działań celowych i przypadkowych.

Istotą random search jest kompromis między kosztem poszukiwania a oczekiwaną korzyścią z lepszego rozwiązania. W algorytmice koszt to czas obliczeń i liczba ewaluacji funkcji celu; w ekonomii koszt to czas, pieniądze i wysiłek związany z pozyskiwaniem informacji, a także koszt utraconych korzyści (np. opóźnienie zatrudnienia). Random search bywa atrakcyjny, gdy przestrzeń rozwiązań jest duża, a brak jest wiarygodnych wskazówek, w którą stronę „iść” (np. brak gradientu, brak danych o rozkładzie jakości ofert). Jednocześnie jego skuteczność zależy od tego, jak zdefiniujemy przestrzeń losowania (zakres, ograniczenia, rozkład prawdopodobieństwa) oraz jak mierzymy jakość (funkcja celu, kryterium akceptacji, próg satysfakcji).

W praktyce random search rzadko jest „czystą losowością” w sensie całkowitego braku struktury. Często stosuje się pseudolosowość (generatory liczb losowych), próbkowanie warstwowe lub quasi-losowe sekwencje, aby lepiej pokryć przestrzeń, a także proste heurystyki: zawężanie zakresu po znalezieniu dobrych wyników, powtarzanie prób w obiecujących regionach, czy łączenie z metodami lokalnego przeszukiwania. W ekonomii analogicznie: poszukiwanie ofert pracy może być losowe w czasie (napływ ofert), ale jednostka może kierować wysiłek do określonych branż lub lokalizacji; firma może losowo testować kanały sprzedaży, ale w ramach budżetu i segmentów klientów.

Na poziomie interpretacji warto odróżnić random search od pojęć pokrewnych. Nie jest to to samo co „błądzenie” bez celu: w random search istnieje kryterium oceny i mechanizm wyboru najlepszego dotychczas wyniku. Nie jest to też synonim „przypadkowego sukcesu”: metoda może być racjonalna, gdy koszty informacji są wysokie, a struktura problemu nieznana. Przykładowo, w doborze hiperparametrów modeli uczenia maszynowego random search bywa konkurencyjny wobec przeszukiwania siatki (grid search), ponieważ losowanie może szybciej trafić w obszary, w których parametry rzeczywiście mają znaczenie, zwłaszcza gdy tylko kilka z wielu parametrów silnie wpływa na wynik. W modelach rynku pracy losowy napływ ofert jest narzędziem formalizacji niepewności i ograniczonej informacji, a nie twierdzeniem, że decyzje są irracjonalne.

• Kluczowe właściwości
• Stochastyczność: kolejne próby są generowane losowo (lub pseudolosowo), co oznacza, że wyniki mogą się różnić między uruchomieniami lub okresami, nawet przy tych samych założeniach.
• Brak wymogu pochodnych i struktury: metoda nie potrzebuje gradientu ani gładkości funkcji celu; działa także dla problemów dyskretnych, nieciągłych i zaszumionych.
• Budżet prób i kryterium zatrzymania: skuteczność zależy od liczby ewaluacji (np. liczby wylosowanych konfiguracji lub czasu poszukiwania) oraz reguł zakończenia (np. osiągnięcie progu jakości).
• Zależność od rozkładu losowania: to, skąd losujemy (zakresy, ograniczenia, priorytety), ma duży wpływ na prawdopodobieństwo znalezienia dobrego rozwiązania.
• Najlepszy wynik „dotychczas”: standardowo wybiera się najlepszą obserwację z próby, a nie „średnią” jakość losowań.

• Typowe konteksty
• Optymalizacja i analityka danych: dobór hiperparametrów modeli, strojenie algorytmów, testowanie wariantów procesów (np. losowe eksperymenty z parametrami kampanii marketingowej w zadanych widełkach).
• Ekonomia informacji i koszty poszukiwania: modele poszukiwania pracy (napływ ofert w czasie), poszukiwanie cen przez konsumentów (nieznajomość wszystkich cen), poszukiwanie kontrahentów przez firmy.
• Innowacje i R&D: eksplorowanie wielu możliwych rozwiązań technologicznych lub produktowych, gdy nie wiadomo, które podejście zadziała (np. losowy dobór kombinacji cech prototypu do testów).
• Zarządzanie i strategia: eksploracja nowych rynków lub kanałów dystrybucji w warunkach niepewności, gdy analiza ex ante jest ograniczona.
• Finanse ilościowe (w sensie technicznym): losowe przeszukiwanie przestrzeni parametrów strategii lub modeli ryzyka w ramach badań i walidacji (z zachowaniem rygoru testów i kontroli nad dopasowaniem do danych).

• Częste nieporozumienia
• „Losowe” = „bezmyślne”: random search może być racjonalną metodą, gdy informacja jest kosztowna lub niedostępna, a problem nie ma łatwej struktury do wykorzystania.
• „Wystarczy losować długo, a na pewno znajdzie się optimum”: bez odpowiednich założeń (np. o rozkładzie losowania i czasie) nie ma gwarancji znalezienia optimum globalnego; w praktyce liczy się prawdopodobieństwo i budżet prób.
• Mylenie z grid search: grid search systematycznie sprawdza punkty siatki, a random search próbuje punktów losowych; przy wielu wymiarach losowanie często efektywniej pokrywa przestrzeń niż gęsta siatka.
• Ignorowanie ograniczeń i definicji przestrzeni: źle dobrane zakresy losowania mogą sprawić, że metoda „marnuje” próby na obszary nierealistyczne lub niedopuszczalne (np. parametry poza sensownymi granicami).
• Traktowanie pojedynczego wyniku jako reprezentatywnego: ponieważ metoda jest stochastyczna, pojedyncze uruchomienie lub krótki okres poszukiwań może dać wynik przypadkowo dobry lub zły; sensowna ocena zwykle wymaga powtórzeń lub analizy stabilności.