优化算法这玩意儿，有点像餐厅后厨的备菜系统。线性规划（LP）是快餐店的标准化流程——原料、时间、成本，全部能写成等式，Excel就能跑。但真到了米其林厨房，食材会氧化、客人会临时改菜单，这时候你得用非线性规划（NLP），接受"差不多就行"的模糊地带。

2019年，某头部物流公司的路径优化团队栽过跟头。他们花了18个月把LP模型打磨到毫秒级响应，上线当天却崩了。问题出在"整数"这个细节上——卡车不能发0.7辆，司机不能工作4.5小时，而LP算出来的全是小数。团队被迫重构为混合整数规划（MIP），工期直接翻倍。

机器学习领域更魔幻。支持向量机的核技巧本质是个二次规划（QP）问题，看起来优雅得像数学证明。但2018年DeepMind的论文捅破窗户纸：当特征维度超过10万，QP的求解速度比随机梯度下降慢1000倍。「我们一度以为凸优化是圣杯，后来发现它只是特定地形下的拐杖。」

最讽刺的是金融圈。量化基金用随机规划（SP）对冲黑天鹅，模型里塞满"假设市场暴跌30%"的概率分布。2020年3月，某百亿私募的SP模型连续三天算不出结果——因为真实波动率把概率矩阵撑爆了。交易员最后靠手工调参扛过去，模型成了昂贵的摆设。

现在业内有个不成文的规矩：先问业务能不能接受15%的误差。能，上启发式算法；不能，再掏MIP的算力账单。某云厂商的优化服务后台显示，客户实际调用的算法类型，和他们在需求文档里写的，匹配率不到40%。