换个角度说，如果某种算法已经被证明在对某类问题有优势，那几乎可以肯定的是，它对另一类问题存在劣势（虽然可能并没有必要找到是哪一类问题）；而如果某种算法被证明不适合于某类问题，也不可将其“一票否决”，因为它几乎肯定适合于另外的某类问题（而找到它适合的这一类问题就非常有必要了）。

        这样来解释的话，No-Free-Lunch Theorem更像是某种“守恒定律”，优化算法如果在某个地方“高”，那它会在另外一个地方“低”——遍历所有种类的优化问题，优化方法的“平均高度”是一样的：（在平均意义上）人人平等。

        假设针对某个优化问题，有两个优化算法：一个优化算法利用了所有能够应用的信息，而另外一个优化算法则对某些信息视而不见。那么从概率意义上来说，利用所有信息的优化算法的效果会更好。当然也不尽然，不过这时更应该高兴才对，因为利用了更多信息的优化方法“平均身高”增加了：如果针对当前这个问题效果没有更好的话，那么针对另一类问题其效果一定有了更大地提升。

        对于同一个优化算法而言，利用的优化问题本身的信息越多，效果（也是从概率意义上来说）将会越好。而这些信息的利用比单纯的试凑法（交叉实验法），对优化算法本身的参数调节具有更大的指导意义。这也算是No-Free-Lunch Theorem的一个方面：（在平均意义上）没有白花的力气。

        于是人们不禁要问：为什么选择某某算法，它真的比其它算法更加适合于当前需要解决的问题吗？优化问题本身的哪些信息可以利用，以指导算法本身的参数选择，以使得优化效果（从概率意义上）更好呢？想要真正回答这些问题（而不是事后来个“马后炮”，硬是给某算法冠以“具有某某特点因此具有某某优势”的美名）是不容易的（可能也是没必要甚至错误的）。

       设想如下这种可能：即使是同一个优化问题，其问题的结构不变，而只是参数变化，也会触发No-Free-Lunch Theorem：即某优化算法对某些参数效果好，另外一些效果差，而我们只是凑巧地碰到了那些使得它优化效果好的参数：这时如果非得“推而广之”，说这一优化算法就适合这类问题、并硬是找出个理由安在上面、最后信誓旦旦地说这是大量实践总结出的规律的话，就没有意义了（当然对写论文仍然具有意义，因为相当多的论文是这样写出的）。