简单介绍几种优化策略

光的轨迹

这里简单介绍一下isight中可以应用的优化策略
1.corse-to-fine search
就是从粗到精的优化搜索过程,是只在优化过程中不只一次地用同一种优化方法.如你在优化plan里可以用两次序列二次规划问题,第一个序列二次规划你可以设置大的有限差分步(finite defference step size)而在第二个里面设置一个小的有限差分步
2.establish feasibility,then search feasible region(确定可行域从可行中搜索)
有些数值优化方法从可行域开始优化比较有效,而有一些优化算法从非可行域里开始最有效,如果你不确定初始的设计点是否有效,你可以定义一个优化plan里面包含罚函数方法和一个直接搜索方法,这样可以作为一个普遍的方法来处理任何优化问题.
3.exploitation and exploration(数值算法和全局探索方法)
数值算法可以很快地找到一个局部的最优点,所以在优化paln里可以用数值算法和全局探索方法(如多岛遗传算法,模拟退火方法)一起使用,这样可以利用数值算法很快找到的局部优化点来探索promising(有希望)的设计空间区域
还有一些优化策略由于个人理解的能力,先介绍这几种吧,希望能抛砖引玉大家都参与讨论关于优化策略和算法的问题!

光的轨迹

罚函数法应该对从非可行区域开始搜索比较有效的,那么罚函数方法和直接方法结合应该可以处理不确定是否在可行区域初始点的优化问题.

ylai

我们通常需要找可行解作为初始解进行数值优化，这样效率和效果一般会比较好
有很多成熟的优化算法都有处理约束的办法: 直接处理约束、罚函数等等。

在iSIGHT的Optimization Plan中，点击每个算法，都可以从Description中可以看到该算法的适用条件，其中就包括对初始解的要求。

ariesmoo

我选择优化算法，及其优化算法参数第一影响因素是Single Run的时间，呵呵。

光的轨迹

呵呵,是这样的,所有的方法应该都是以可行解为初始解最好,罚函数可以比较有效的处理初始解为非可行解的情况

光的轨迹

如果single run 时间少那么选择算法的范围就可以很广,如果sigle run的时间很长的话,你就得考虑效率的问题了,不过如果你有足够的时间效率为次要的话也可以.一般数值算法都是比较快的,进化算法都比较慢一些,当然这里面存在着这种问题,或者采用一些组合优化的策略.

shangrc

新手学习中、、、、谢谢

bajybj

学习了~~~~

thurston_qjk

如果时single run的时间周期相当长，但是又要用到多目标遗传算法求解pareto解集，才需怎样的策略能够减少运算时间呢