最优是指在给定条件下最好。其质量以最优性准则衡量，条件则以对其他准则的约束形式给出。
提高劳动、创造以及任何有目的活动之效率的追求，归根到底体现在最优性这一概念中。最优性的科学理解与日常理解相差无几。诸如“最最优”或“以最小代价取得最大效果”之类的说法在数学上并不严谨，但这类表达大体传达了本意；一旦需要具体地进行最优化，人们通常会把话说得准确起来。
最优化在数学、信息学与运筹学中，是指在有限维向量空间的某一区域内求目标函数极值（极小值或极大值）的课题，该区域由一组线性及／或非线性的等式及／或不等式所限定。
最优化模型用于按某一准则确定建模客体的最优（最好）参数，或找出过程的最优（最好）控制方式。模型的一部分参数被列为控制参数，改变它们即可得到不同的输出参数值组。这类模型通常借助一个或几个描述性模型建立，并包含一个准则，据以比较各组输出参数值并选出最好的一组。对输入参数的取值范围可以施加等式与不等式形式的约束，这些约束与所考察客体或过程的特征相关。最优化模型的用途，就是找出使选择准则达到“最好值”的那些可行控制参数。
课题被表述为数学模型。运筹学的标准数学模型有如下提法：
在满足约束条件的前提下，使目标函数取极大值或极小值。
若某些解按某一特征优于其他解，则称之为最优解。每一次对最优方案的选择都是具体的，因为它以是否符合既定准则为依据。谈到最优方案时，都要指明这些准则（“就……而言最优”）。按一个准则最优的，未必按另一个准则也最优。
可行解是满足模型全部约束条件的解。在某些情况下，可行解的数目可能是无限的。
最优解是这样的解：它除了可行之外，还使目标函数取极大值或极小值。
最优化就是使目标函数取极大值或极小值。
最优化模型是这样一种决策模型：它包含在给定约束条件下需加以最优化的有效性度量（目标函数）。
最优解是使最优化模型的目标函数达到最优的一组可行的决策变量取值。
大量实际的选择课题都归结为寻找最好或最优选的方案，而且往往是寻找唯一的最优方案。在这一过程中，每位决策者对于在具体选择情境中何者对自己更可取，都有自己的主观看法。
许多课题允许建立选择的数学模型，其中最好的方案由一个或几个数值形式的有效性（质量）准则来确定。这些由课题本身决定的准则，是以方案属性为变量的目标函数。这时，决策者最优选的方案就是最优选择——它在给定条件下使有效性度量取到极值。
表述最优选择课题的一个根本方面，是能够以定量形式描述问题情境与决策者的偏好。这意味着：其一，可能的解决方案（备选方案、客体、行动路线）由用数值标度测量的定量特征（变量、参数、属性）来确定；其二，必须给定定量的度量（最优性准则、有效性度量、目标函数、价值函数），据其大小评估所选方案的质量。这类情形是良结构问题以及运筹学与最优控制中典型的重复性选择情境所固有的。
为分析解决问题的各种可能方案（达成目标的途径）并从中选出最优者，人们建立最优选择的形式化模型。模型给出真实问题的简化表示，它应当反映各方案之间、方案的描述性属性之间，以及可控因素与不可控因素所施加约束之间最重要的、客观存在的依赖关系与联系。建立这类模型是咨询分析人员与专家在决策者参与下的任务。建立选择模型时，须在模型的适当性与详尽程度、真实选择课题所要求的精度，以及求解所需信息量（既有的与可补充获得的）之间取得平衡。
最优化课题是严格形式化的数学课题。这类课题的解在实践上的意义，直接取决于初始数学模型的质量。对复杂系统而言，数学建模是困难的、近似的、不精确的。系统越复杂，对它的最优化就越应当审慎。
从系统分析的立场看，对最优化的态度可以这样表述：它是提高效率的有力手段，但随着问题复杂程度的增加，运用它时应当越发谨慎。
尽管最优化这一思想的用处显而易见，实践却要求谨慎对待它。作出这一结论有充分的理由。
- 最优解往往并不稳定：课题条件中看似无关紧要的改动，可能导致选出大不相同的方案。
- 所考察的系统是某个更大系统的组成部分，而局部最优化未必得出与整体系统最优化时对该子系统所要求的相同结果。这就需要把子系统的准则与系统的准则协调一致，而局部最优化往往因此变得没有必要。
- 准则只是间接地刻画目标——有时贴切些，有时差些，但始终是近似的。人们常把最优性准则取极值等同于目标，实际上这是两回事。准则与目标之间的关系，实质上就是模型与原型的关系，其一切后果也随之而来。许多目标难以、甚至无法用定量方式描述。
- 若未给定全部必要的约束，那么在使主要准则取极大值的同时，可能得到意料之外的、不希望出现的副作用。