A.图案是一组向量{v我}模式搜索算法用于确定在每次迭代中搜索哪些点。布景{v我}由目标函数中自变量的数量定义,N,以及正基集。模式搜索算法中两个常用的正基集是最大基,有2N向量和最小基,用N+1.向量。
对于GPS,形成模式的向量集合是固定方向向量。例如,如果优化问题中有三个独立变量,则默认为2N正基由以下模式向量组成:
一N+1正基由下列默认模式向量组成。
使用GSS时,模式与GPS模式相同,除非存在线性约束且当前点靠近约束边界。有关GSS使用线性约束形成模式的方式的描述,请参见Kolda、Lewis和Torczon[1].当有线性约束时,GSS算法比GPS算法更有效。有关效率增益的示例,请参见比较投票选项的效率.
使用MADS,形成模式的向量集合由算法随机选择。根据投票方法的选择,选择的向量数量将为2N或N+1.与全球定位系统一样,2N向量组成N向量和他们N底片,N+1向量由N一个向量是其他向量和的负数。
[1] 科尔达、塔玛拉·G、罗伯特·迈克尔·刘易斯和弗吉尼亚·托森。“发电机组直接搜索增广拉格朗日算法,用于一般约束和线性约束的组合优化。”技术报告SAND2006-5315,Sandia国家实验室,2006年8月。
在每个步骤中,模式搜索
搜索一组点,称为网,用于改进目标函数的点。模式搜索
通过以下方式形成网格
生成向量集合{D我}将每个模式向量相乘v我通过标量ΔM. ΔM被称为筛孔尺寸.
添加 到当前点-在上一步中找到的具有最佳目标函数值的点。
例如,使用GPS算法。假设:
现在的观点是[1.6 3.4]
.
图案由向量组成
当前网格大小ΔM是4.
.
该算法将模式向量乘以4.
并将它们添加到当前点,得到如下网格。
[1.6 3.4] + 4*[1 0] = [5.6 3.4] [1.6 3.4] + 4*[0 1] = [1.6 7.4] [1.6 3.4] + 4*[-1 0] = [-2.4 3.4] [1.6 3.4] + 4*[0 -1] = [1.6 -0.6]
生成网格点的模式向量称为方向.
在每一步中,该算法通过计算目标函数值来轮询当前网格中的点。当完全投票选项具有(默认)设置关
,一旦发现目标函数值小于当前点的目标函数值,算法将停止轮询网格点。如果出现这种情况,则调用轮询成功的它找到的点在下一次迭代中成为当前点。
该算法只计算网格点及其目标函数值,直到它停止投票的点。如果算法找不到改进目标函数的点,则调用poll不成功的当前点在下一次迭代中保持不变。
当完全投票选项具有此设置在
,该算法计算所有网格点的目标函数值。然后,该算法将目标函数值最小的网格点与当前点进行比较。如果该网格点的值小于当前点,则轮询成功。
轮询后,算法更改网格大小Δ的值M.默认值为乘以ΔM投票成功后领先2个百分点,投票失败后领先0.5个百分点。