什么是全局优化？
本地与全局最优解
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。
吸引力盆地
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。
相关话题
您还可以选择从下面的列表中的网站：
