Scalable Distributed Stochastic Optimization via Bidirectional Compression: Beyond Pessimistic Limits¶

会议: NeurIPS 2026
arXiv: 2605.07795
OpenReview: https://openreview.net/forum?id=hQ0exeqheE
代码: 待确认
领域: 模型压缩
关键词: 分布式优化, 双向通信压缩, 随机梯度下降, 悲观下界, 函数相似度

一句话总结¶

针对集中式分布式随机优化中双向通信延迟随节点数无法扩展的悲观下界，本文引入反映 Hessian 局部变化率的结构化 $(L_A, L_B)$ 光滑性条件，提出 Inkheart SGD 与 M4 算法，首次在随机梯度与非零下行通信延迟下实现了随节点数 $n$ 线性扩展的新 SOTA 时间复杂度。

研究背景与动机¶

在现代大规模机器学习与大语言模型分布式训练中，中央服务器与海量计算节点（Worker）之间的高维参数与梯度传输已成为最严峻的系统瓶颈。经典的同步随机梯度下降（Synchronous SGD）在每次迭代中要求所有节点上传梯度并在服务器聚合后广播最新模型，当考虑双向真实通信成本时，服务器向节点的下行传输耗时与模型维度 $d$ 的乘积项无法随节点数量 $n$ 的增长而衰减。近年的研究尝试引入无偏随机稀疏化或量化压缩技术来缓解上行和下行带宽压力，但在随机梯度设置下，双向压缩往往引入巨大的方差放大，导致收敛速率急剧恶化。

更为严峻的理论危机来自 Tyurin (2026) 最新的下界证明：在标准的 $L$-光滑、$\sigma^2$-有界方差及函数下有界假设下，只要中央服务器到节点的下行通信速度与上行相当（$\kappa \simeq \tau$），任何基于随机稀疏化压缩的算法都无法突破时间复杂度 $\tilde{\Omega}(\min\{\frac{d\kappa L\Delta}{\varepsilon} + \frac{hL\Delta}{\varepsilon} + \frac{h\sigma^2 L\Delta}{n\varepsilon^2}, \frac{h\sigma^2 L\Delta}{\varepsilon^2} + \frac{hL\Delta}{\varepsilon}\})$ 的限制。这意味着在此类常规假设下，双向压缩算法在理论上无法同时降低通信维度项 $d\kappa$ 与随机统计方差项 $\frac{h\sigma^2}{n\varepsilon^2}$，最先进的双向压缩算法甚至无法超越单机 SGD 或朴素同步 SGD，使得整个方向陷入了理论与工程割裂的“悲观壁垒”。

要打破这一理论死锁，唯有重新审视优化目标本身的几何特性。实际神经网络的损失曲面在局部并非任意剧烈跳变的恶劣光滑曲面，其 Hessian 矩阵在优化轨迹上通常呈现平缓变化的结构特性。核心 idea：引入刻画 Hessian 相对变化率的泛函 $(L_A, L_B)$ 光滑性条件，设计概率解耦的全同步与差分稀疏下行传输机制，并结合多重无偏随机压缩与动量方差缩减，首次使双向通信项与随机噪声项均随节点数 $n$ 联合递减，彻底突破分布式随机优化的悲观复杂度下界。

方法详解¶

整体框架¶

本文针对同质环境（所有节点优化相同目标函数 $f(x)$）与异质联邦学习环境（节点目标为非独立同分布的 $f_i(x)$），分别提出了 Inkheart SGD 与 M4 两种双向压缩算法，并进一步拓展出异质耗时调度算法 Heterogeneous-Time Inkheart SGD。算法的核心流水线由四个阶段构成：各节点在本地计算批次随机梯度并进行多重无偏压缩上传；服务器执行梯度聚合与主模型单步下降；采用小概率全量同步与大概率模型差分稀疏压缩混合广播；节点在本地结合动量与外推更新本地状态并校正估计器方差。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入：全局初始模型 x0 与节点初始状态"] --> B["阶段1：多重无偏上行压缩<br/>本地 mini-batch 梯度采样与 m 重随机稀疏化"]
    B --> C["阶段2：服务器聚合与主干步进<br/>加权无偏聚合生成全局方向并更新 x_k+1"]
    C --> D{"阶段3：混合下行广播决策<br/>全量同步 vs 模型差分稀疏压缩"}
    D -->|概率 p 或 p_s| E["完全模型同步<br/>分发完整 x_k+1，消除累积发散"]
    D -->|概率 1-p 或 1-p_s| F["模型差分压缩下行<br/>广播差分 delta_x 并局部累加"]
    E --> G["阶段4：局部动量与方差缩减 (M4)<br/>双动量外推更新本地参数与局部梯度估计器"]
    F --> G
    G --> H["输出：达到 eps-平稳点的高精度模型"]

关键设计¶

1. 泛函 $(L_A, L_B)$ 光滑性结构假设：突破下界限制的数学钥匙

标准 $L$-光滑性假设忽略了不同节点位移对平均梯度的交叉补偿效应，迫使理论分析必须采用最坏情况下的粗暴放缩。本文引入泛函 $(L_A, L_B)$ 不等式作为核心理论切入点： $$ \left|\frac{1}{n}\sum_{i=1}^{n}\left(\nabla f(x+u_{i})-\nabla f(x)\right)\right|^{2} \leq L_{A}^{2}\left(\frac{1}{n}\sum_{i=1}^{n}\left|u_{i}\right|^{2}\right) + L_{B}^{2}\left|\frac{1}{n}\sum_{i=1}^{n}u_{i}\right|^{2} $$ 该不等式并不缩减所能考虑的函数类别，因为对于任意 $L$-光滑函数恒满足 $L_A = L, L_B = 0$。但当目标函数具有平缓变化的 Hessian（其曲率变化被常数 $D$ 上界约束）时，常数 $L_A \leq \sqrt{2}D$ 可以远小于整体光滑常数 $L$；对于二次优化问题，甚至精确满足 $L_A = 0, L_B = \|\mathbf{H}\|_2$。这一微观结构允许在对节点独立扰动求平均时，抵消掉主导曲率影响，将下行传输的高维惩罚项由不可压缩的 $d\kappa L$ 降维缩放至 $d\kappa L_A$。

2. Inkheart SGD：概率全同步与双向稀疏压缩的协同机制

针对同质优化场景，Inkheart SGD 将上行与下行通信全部解耦为低维离散事件。在上行阶段，每个节点计算大小为 $b$ 的 mini-batch 随机梯度，并施加 $m$ 个独立的无偏压缩算子 $\mathcal{C}_{ij}^k$（如 Rand-1），服务器对所有节点的 $n \times m$ 个稀疏向量求均值得到 $g^k$，执行参数更新 $x^{k+1} = x^k - \gamma g^k$。在下行阶段，如果每一轮都广播完整模型，时间复杂度中将恒定包含 $d\kappa$；若仅广播压缩模型，误差漂移会导致方差爆炸。Inkheart SGD 引入概率开关：以极小概率 $p = \Theta(\frac{1}{d})$ 广播完整模型 $x^{k+1}$ 重置所有节点的累积误差，以 $1-p$ 的绝大概率仅广播由 $\ell$ 个独立压缩算子压缩的模型差分 $\mathcal{C}_{\text{s}, ij}^k(x^{k+1} - x^k)$。由于 $p$ 极小，稀有完整同步带来的摊销时间可以忽略，最终收敛迭代复杂度为： $$ K = \Theta\left(\max\left{1, \frac{\sqrt{\omega\omega_{s}}}{\sqrt{pnm\ell}}, \frac{\sqrt{\omega_{s}}}{\sqrt{p\ell n}}\right}\frac{L_{\max}\Delta}{\varepsilon} + \frac{\sqrt{\omega_{s}}L_{A}\Delta}{\sqrt{p\ell}\varepsilon}\right) $$ 通过精细分配计算耗时 $h$、上行耗时 $\tau$ 与下行耗时 $\kappa$ 的统一时间预算 $t$，成功消除传统算法中对 $d\kappa$ 的刚性线性依赖。

3. M4：结合误差反馈与三轨动量的高维异质优化

在非 IID 异质联邦学习场景中，节点间目标函数差异会引起剧烈的客户漂移（Client Drift）。M4 算法通过构造多重李雅普诺夫（Lyapunov）势函数，设计了一套包含“模型同步外推”、“局部梯度估计”与“全局聚合跟踪”的三轨耦合动量机制。服务器维护全局参数 $x^k$ 与梯度聚合器 $g^k$；各节点维护辅助同步点 $w_i^k$、本地模型 $x_i^k$ 及局部梯度估计器 $v_i^k$。在下行通信中，服务器以概率 $p_{\text{s}} = \frac{1}{\omega_{\text{s}}+1}$ 同步 $w_i^{k+1} = x^{k+1}$，否则发送压缩差分；节点随后通过凸组合 $x_i^{k+1} = (1-\mu)x_i^k + \mu w_i^{k+1}$ 生成实际计算点；节点以动量系数 $\nu$ 滑动平均本地随机梯度更新 $v_i^{k+1}$；在上行传输中，服务器以概率 $p = \frac{1}{\omega+1}$ 接收真实均值，以 $1-p$ 接收压缩的梯度估计增量 $\mathcal{C}_i^k(v_i^{k+1} - v_i^k)$。通过令动量参数严格对齐： $$ \nu = \mu = \eta := \min\left{\frac{1}{6}\sqrt{\frac{bn\varepsilon}{\omega(\omega+1)\sigma^2}}, \frac{bn\varepsilon}{6\sigma^2}, \left(\frac{n}{\omega(\omega+1)\omega_{\text{s}}}\right)^{\frac{1}{3}}, 1\right} $$ 并采用大初始 batch $b_{\text{init}} = \Theta(\sqrt{\frac{b}{\nu}(1+\frac{\sigma^2}{n\varepsilon})})$ 压制初始李雅普诺夫能量，M4 在异质环境下同样达成了双向压缩且方差不发散的渐进线性加速。

4. Heterogeneous-Time Inkheart SGD 与多项式子集调度算法

针对实际分布式集群中节点计算能力 $h_i$、上行带宽 $\tau_i$ 和下行延迟 $\kappa_i$ 严重不均的问题，若直接采用全体节点同步，最慢的掉队节点（Straggler）将拖垮全局性能。本文设计了 Heterogeneous-Time Inkheart SGD，不仅为每个节点量身定制 batch 大小与压缩向量重数，还引入了基于方差最小化的最优聚合权重 $\beta_i^* = w_i / \sum_j w_j$。为了防范极端掉队节点导致 $\kappa_{\max} \to \infty$，本文提出一种多项式时间贪心选择算法（Algorithm 1）：通过对节点按速度排序并动态评估目标时间函数 $\tilde{T}(S) = \max\{t(S)L_{\max}, d\max_{i\in S}\kappa_i L_A\}$，在 $\mathcal{O}(n\log n)$ 复杂度内自动选出使理论运行时间最小的最佳活跃节点子集 $S^*$，实现对系统异质性的抗扰优化。

损失函数 / 训练策略¶

算法以寻找非凸优化问题的 $\varepsilon$-平稳点（即 $\mathbb{E}[\|\nabla f(\bar{x})\|^2] \leq \varepsilon$）为目标。在训练调参策略上，学习率 $\gamma$ 与各模块时间预算紧密绑定。对于 Inkheart SGD，单步迭代各操作分配等量时间预算 $t$：节点每轮计算 $b = \lfloor t/h \rfloor$ 个随机样本梯度，发送 $m = \lfloor t/\tau \rfloor$ 个压缩向量，服务器下行发送 $\ell = \lfloor t/\kappa \rfloor$ 个压缩坐标。在 Rand-1 稀疏化算子（$\omega = \omega_s = d-1$）配置下，平衡通信与计算主导项，最优时间预算推导为： $$ t^* = \max\left{h, \tau, \kappa, \sqrt{\frac{d\sigma^2 h\tau}{n\varepsilon}}, \left(\frac{d^3\tau\kappa^2}{n}\right)^{\frac{1}{3}}, \frac{d\kappa}{\sqrt{n}}, \frac{d\tau}{n}\right} $$ 由此解得全局时间复杂度为： $$ \mathcal{O}\left(\max\left{h, \tau, \kappa, \frac{d\kappa}{\sqrt{n}}, \frac{d\tau}{n}, \left(\frac{d^3\tau\kappa^2}{n}\right)^{\frac{1}{3}}, \sqrt{\frac{d\sigma^2 h\tau}{n\varepsilon}}, \frac{\sigma^2 h}{n\varepsilon}\right}\frac{L_{\max}\Delta}{\varepsilon} + \frac{d\kappa L_A \Delta}{\varepsilon}\right) $$ 当节点数量 $n$ 极大且 $L_A \ll L$ 时，该复杂度渐进收敛至 $\mathcal{O}(\max\{h, \tau, \kappa\} \frac{L_{\max}\Delta}{\varepsilon})$，彻底摆脱了维度 $d$ 与随机噪声 $\sigma^2$ 的耦合约束。

实验关键数据¶

主实验¶

论文在可控条件的合成块状正则化二次曲面（Homogeneous Block-Regularized Quadratic）、异质二次曲面、MNIST 深度学习分类任务以及真实大模型视觉任务 CIFAR-10 + ResNet-18（参数量 $d = 11,173,962$）上展开了系统性验证。基线包括最优集中式同步随机算法 Synchronous SGD 以及单机单节点 SGD（One-node SGD）。

实验任务	模型参数量 $d$	评估环境配置	算法对比	通信/计算主导工况	核心指标表现 (达标耗时/最终精度)
同质二次优化 (Synthetic)	$d = 300$	$n=300, \sigma=0.001$, $\kappa=\tau=1/d$	Synchronous SGD Inkheart SGD (Ours) M4 (Ours)	极低计算延迟 ($h=0$) 通信为纯瓶颈	收敛停滞于 $d\kappa$ 耗时墙提速约 $5\times \sim 10\times$ 突破瓶颈提速约 $6\times \sim 12\times$，表现最优
同质二次优化 (Synthetic)	$d = 300$	$n=300, \sigma=0.1$, $\kappa=\tau=1/d$	Synchronous SGD Inkheart SGD (Ours) M4 (Ours)	计算-通信均衡 ($h=0.1$) 高随机噪声	依赖全量样本平均抵消方差与同步 SGD 相当，方差未失控略优于基线，动量保持稳健收敛
异质 MNIST 分类 (2-Layer NN)	$d = 25,450$	$n=100$, 非 IID 分布, $h=0.1$	Synchronous SGD Inkheart SGD (Ours) M4 (Ours)	现实轻量计算高维参数传输	耗时显著偏长，梯形平台期明显耗时降低约 $40\%$ 收敛曲线最陡峭，达 $92\%$ 精度耗时减半
CIFAR-10 训练 (ResNet-18)	$d = 11,173,962$	32 节点, 局部 batch=4, 200 epochs	One-node SGD Synchronous SGD Inkheart SGD (Ours)	通信与计算等量级 ($d\kappa = d\tau = 1, h=1/16$)	耗时最长 ($128h \times \text{iters}$) 高维全量传输延迟制约吞吐双向压缩率 $K/d=0.2$ 下测试精度与速度最优

消融实验¶

消融分析主要探究不同计算耗时 $h$、网络噪声强度 $\sigma$、节点规模 $n$ 以及 Hessian 结构比率 $L/L_A$ 对算法性能与增益边界的影响。

消融维度 / 实验工况	具体配置变更	评测关键指标	表现说明与机制印证
Hessian 变化率比值 $L/L_A$	步长 $\gamma=0.01$ (MNIST CNN) 步长 $\gamma=0.001$ (MNIST CNN)	局部曲率比 $\frac{\\|\nabla^2 f(x^k)\\|}{\\|\nabla^2 f(x^k) - \nabla^2 f(x^{k-1})\\|}$	比值实测稳定在 $10 \sim 25$ 比值激增至 $50 \sim 300$（证实训练后期 $L_A \ll L$，算法理论加速成立）
计算延迟 $h$ 阶段性消融 (ResNet-18 / CIFAR-10)	$h = 1$ (计算强主导) $h = 1/16$ (通信/计算均衡) $h = 1/128$ (通信极度受限)	达到目标测试精度的模拟物理执行时间	Synchronous SGD 最优（通信占比较小，无需压缩） Inkheart SGD 优势最大，时间节约达 $60\%+$ One-node SGD 追赶（免除分布式通信开销）
梯度噪声水平 $\sigma$ 消融 (二次问题, $n=100, h=0$)	低噪声 $\sigma = 0.001$ 中噪声 $\sigma = 0.01$ 高噪声 $\sigma = 0.1$	达到最优误差 $f(x^k) - f^* \leq 10^{-4}$ 的耗时	Inkheart/M4 对比同步 SGD 展现数量级级联优势双向压缩优势依旧保持 $3\times \sim 5\times$ 三种算法渐进重合（理论下界指示高噪声受统计项支配）
异质性程度 $\ell$ 消融 (异质二次, 噪声 $\sigma=0.01$)	中等异质度 $\ell = 0.3$ 高等异质度 $\ell = 0.5$	亚优度下降轨迹平滑度与最终残差	M4 凭借三轨动量抑制漂移，收敛速度几乎不受影响 Inkheart SGD 略有震荡，但整体仍大幅领先同步 SGD

关键发现¶

双向压缩在平衡及通信主导区间表现卓越：在通信开销与计算开销相当或通信严重受限的真实网络场景下（如 $h \leq 0.1$ 或 ResNet-18 下 $h \leq 1/16$），Inkheart SGD 和 M4 的优势最为突出，且加速比随 worker 数量 $n$ 从 10 扩大至 300 持续递增。
经验证实了现代神经网络中 $L_A \ll L$ 广泛存在：在实测 CNN 架构的局部轨迹上，连续更新点的 Hessian 变化量与整体范数相比缩小了 20 到 300 倍。尤其在后期衰减小学习率下，$L_A$ 的极度微小使得残余项 $\frac{d\kappa L_A \Delta}{\varepsilon}$ 趋近于零，完全兑现了理论上与维度 $d$ 解耦的线性加速预言。
高噪声瓶颈与理论完全自洽：当随机梯度方差 $\sigma$ 极大时，统计估计误差成为最主要的收敛瓶颈，此时所有算法性能逐渐趋同于经典的统计采样下界，说明理论推导的收敛上界与下界在不同噪声区间具有高度的严密性和自洽性。

亮点与洞察¶

从结构破局而非盲目放宽界限：面对已有文献证明的“悲观不可能下界”，论文没有停留在修补假设的死胡同，而是洞察到下界构造依赖于人工构造的高维恶劣函数；通过引入自然包含实际神经网络曲率特性的 $(L_A, L_B)$ 泛函不等式，以极具说服力的方式解除了不可压缩项的理论枷锁。
全同步概率化的精妙降摊销设计：Inkheart SGD 与 M4 采用以 $\mathcal{O}(1/d)$ 的微小概率进行全量参数广播、其余轮次仅广播差分压缩值的策略。这不仅从根本上杜绝了无偏压缩带来的方差无限发散风险，更让高昂的下行全量传输耗时在均摊意义下被完全压制。
异质耗时下的多项式子集调度技巧：在非均一节点耗时模型中，将掉队节点的“去留问题”建模为离散优化，并给出了严格的 $\mathcal{O}(n\log n)$ 多项式时间求解器，使得分布式优化理论从理想同质集群稳健落地到了不确定边缘网络与云端环境。

局限与展望¶

超参数调优敏感性较高：由于引入了双向压缩率 $m, \ell$、混合触发概率 $p, p_s$ 以及三轨动量参数 $\nu, \mu$，理论推导的最优超参数依赖于真实的光滑常数 $L, L_A$、噪声方差 $\sigma^2$ 与网络测速，实际部署中往往需要依赖经验网格搜索。
$L_A$ 的全域理论测定难度较大：目前仅能在二次函数中显式计算 $L_A$，在深度学习实验中只能基于相邻迭代检查点进行局部近似估计，缺乏针对复杂多层非线性网络全局 $L_A$ 的严格解析上界测算工具。
未来方向探索：探索自适应步长与自适应压缩率机制（如结合 AdaGrad/Adam 类自适应预条件优化），将 $(L_A, L_B)$ 双向压缩框架推广至基于有偏压缩（Biased Compressor，如 Top-$K$）及误差反馈（Error Feedback）的大模型分布式预训练实践。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次从理论上突破集中式分布式随机优化双向压缩的悲观下界，数学设计极其扎实。
实验充分度: ⭐⭐⭐⭐☆ 涵盖合成二次、异质二次、轻量神经网络与 ResNet-18 真实大模型任务，多角度交叉印证。
写作质量: ⭐⭐⭐⭐⭐ 逻辑结构严密，数学论证与直觉解释结合极佳，附录证明详实完备。
价值: ⭐⭐⭐⭐⭐ 为大模型分布式训练与联邦学习中的通信压缩提供了突破性的理论基石与实用算法原型。

消融维度 / 实验工况	具体配置变更	评测关键指标	表现说明与机制印证
Hessian 变化率比值 \(L/L_A\)	步长 \(\gamma=0.01\) (MNIST CNN) 步长 \(\gamma=0.001\) (MNIST CNN)	局部曲率比 \(\frac{\\|\nabla^2 f(x^k)\\|}{\\|\nabla^2 f(x^k) - \nabla^2 f(x^{k-1})\\|}\)	比值实测稳定在 \(10 \sim 25\) 比值激增至 \(50 \sim 300\)（证实训练后期 \(L_A \ll L\)，算法理论加速成立）
计算延迟 \(h\) 阶段性消融 (ResNet-18 / CIFAR-10)	\(h = 1\) (计算强主导) \(h = 1/16\) (通信/计算均衡) \(h = 1/128\) (通信极度受限)	达到目标测试精度的模拟物理执行时间	Synchronous SGD 最优（通信占比较小，无需压缩） Inkheart SGD 优势最大，时间节约达 \(60\%+\) One-node SGD 追赶（免除分布式通信开销）
梯度噪声水平 \(\sigma\) 消融 (二次问题, \(n=100, h=0\))	低噪声 \(\sigma = 0.001\) 中噪声 \(\sigma = 0.01\) 高噪声 \(\sigma = 0.1\)	达到最优误差 \(f(x^k) - f^* \leq 10^{-4}\) 的耗时	Inkheart/M4 对比同步 SGD 展现数量级级联优势双向压缩优势依旧保持 \(3\times \sim 5\times\) 三种算法渐进重合（理论下界指示高噪声受统计项支配）
异质性程度 \(\ell\) 消融 (异质二次, 噪声 \(\sigma=0.01\))	中等异质度 \(\ell = 0.3\) 高等异质度 \(\ell = 0.5\)	亚优度下降轨迹平滑度与最终残差	M4 凭借三轨动量抑制漂移，收敛速度几乎不受影响 Inkheart SGD 略有震荡，但整体仍大幅领先同步 SGD

实验任务	模型参数量 \(d\)	评估环境配置	算法对比	通信/计算主导工况	核心指标表现 (达标耗时/最终精度)
同质二次优化 (Synthetic)	\(d = 300\)	\(n=300, \sigma=0.001\), \(\kappa=\tau=1/d\)	Synchronous SGD Inkheart SGD (Ours) M4 (Ours)	极低计算延迟 (\(h=0\)) 通信为纯瓶颈	收敛停滞于 \(d\kappa\) 耗时墙提速约 \(5\times \sim 10\times\) 突破瓶颈提速约 \(6\times \sim 12\times\)，表现最优
同质二次优化 (Synthetic)	\(d = 300\)	\(n=300, \sigma=0.1\), \(\kappa=\tau=1/d\)	Synchronous SGD Inkheart SGD (Ours) M4 (Ours)	计算-通信均衡 (\(h=0.1\)) 高随机噪声	依赖全量样本平均抵消方差与同步 SGD 相当，方差未失控略优于基线，动量保持稳健收敛
异质 MNIST 分类 (2-Layer NN)	\(d = 25,450\)	\(n=100\), 非 IID 分布, \(h=0.1\)	Synchronous SGD Inkheart SGD (Ours) M4 (Ours)	现实轻量计算高维参数传输	耗时显著偏长，梯形平台期明显耗时降低约 \(40\%\) 收敛曲线最陡峭，达 \(92\%\) 精度耗时减半
CIFAR-10 训练 (ResNet-18)	\(d = 11,173,962\)	32 节点, 局部 batch=4, 200 epochs	One-node SGD Synchronous SGD Inkheart SGD (Ours)	通信与计算等量级 (\(d\kappa = d\tau = 1, h=1/16\))	耗时最长 (\(128h \times \text{iters}\)) 高维全量传输延迟制约吞吐双向压缩率 \(K/d=0.2\) 下测试精度与速度最优