梯度法是全局最优还是局部最优?

梯度法找到的是局部最优解，不保证全局最优。

对比

梯度法：梯度法沿着函数下降最快的方向迭代，容易陷入局部低谷。比如在多峰函数中，它可能停在某个小山谷，而错过更高的山峰。计算速度快，但对初始位置敏感，不同起点可能导致不同结果。

全局优化方法：模拟退火或遗传算法等通过随机探索跳出局部最优。它们允许偶尔“向上走”，避免过早陷入低谷。计算量大，但找到全局最优的概率更高。适合复杂问题，如神经网络训练或路径规划。