优化是寻找一个函数最小的点的过程。进一步来说:
一个本地函数的最小值是一个点,其中函数值小于或在附近的点等于值,但可能比在远点更大。
一个全球最小为一个点,其中函数值是在所有其它可行点小于或等于所述值。
一般来说,优化工具箱™求解器找到一个局部最优。(这个局部最优可能是全局最优)。他们发现,在最佳吸引盆的起点。欲了解更多信息,请参阅吸引力盆地。
相反,全局优化工具箱解算器,旨在通过吸引超过一个盆地进行搜索。他们以各种方式进行搜索:
GlobalSearch
和多头
生成多个开始点。然后,他们使用当地的求解器来查找起点的吸引盆的最优解。
GA
使用一组开始点(称为群体)和迭代地从群体中产生更好的点。只要初始种群覆盖几个盆,GA
可以检查几个盆。
particleswarm
, 喜欢GA
,使用一组出发点。particleswarm
可以检查一次几个盆地,因为它的多元化的人口。
simulannealbnd
进行随机搜索。通常,simulannealbnd
接受一个点,如果它是比以前好点。simulannealbnd
偶尔接受差了点,以达到不同的盆地。
patternsearch
看起来在数量接受其中的一个前邻居点。如果某些相邻的点属于不同的盆,patternsearch
在本质上看起来在许多盆地的一次。
surrogateopt
开始于准随机取样范围内,找一个小目标函数值。surrogateopt
使用评价函数这在某种程度上,优先选择是远离评估点,这是达成一个全球性的解决方案,试图分。之后,它不能改善当前点,surrogateopt
复位,使其广泛范围内再次采样。重置是另一种方式surrogateopt
搜索一个全球性的解决方案。
如果目标函数F(X)是平滑的,所述载体-∇F(X)的方向,其中分F(X)下降最快。最速下降的计算公式,即
产生的路径X(Ť)这都到了当地最低为Ť变大。一般情况下,初始值X(0)是接近趋向于相同的最小点彼此给予最速下降的路径。该吸引盆对于最速下降是集导致同当地最低初始值。
下图显示了两个一维最小值。图中示出了具有不同的线型的吸引力不同盆,它显示了有箭头最速下降方向。对于这一点,随后的图,黑点代表局部极小。每一个最速下降通道,开始在一个点X(0),去黑点在包含盆地X(0)。
下图显示了如何最速下降路径可能更复杂更尺寸。
如下图所示更复杂的路径和吸引力的盆地。
约束可以打破吸引力的一个盆地成几块。例如,考虑最小化ÿ符合以下条件:
ÿ≥|X|
ÿ≥5 - 4(X-2)2。
图中显示的吸引力与最后一站,这两个盆地。
最快下降路径是直线下降到约束边界。从约束边界,最速下降路径行进顺着边界。最后一点是(0,0)或(11 / 4,11 / 4),这取决于是否在初始X- 值是高于或低于2。