Global Optimization Toolbox

 

Global Optimization Toolbox

Résoudre des problèmes de maxima et de minima multiples, ainsi que des problèmes d'optimisation non lisse.

Définir et résoudre des problèmes d'optimisation

Définissez votre problème d'optimisation, appliquez un solveur et définissez des options pour le comportement de l'algorithme, les tolérances, les critères d'arrêt, les visualisations et les personnalisations.

GlobalSearch et MultiStart

Appliquez des solveurs basés sur le gradient pour trouver des minima locaux à partir de plusieurs points de départ, pour la recherche de minima globaux. Résolvez des problèmes lisses avec et sans contraintes.

Optimisation de substitution

Cherchez des minima globaux pour des problèmes avec des fonctions objectif chronophages et qui peuvent être non lisses. Le solveur construit une approximation de la fonction qui peut être rapidement évaluée et minimisée.

Recherche de patterns

A partir du point actuel, ajoutez un ensemble de vecteurs pour obtenir de nouveaux points d'essai. Évaluez la fonction objectif sur les points d'essai et utilisez cette information pour mettre à jour le point actuel. Répétez l'opération jusqu'à ce que le point actuel corresponde à un optimum.

Algorithme génétique

Recherchez des minima globaux en imitant les principes de l'évolution biologique, en modifiant de manière répétée une population de points individuels à l’aide de règles modélisées sur les combinaisons génétiques dans la reproduction biologique.

Essaim particulaire

Cherchez des minima globaux en utilisant un algorithme inspiré du comportement des insectes en essaim. Chaque particule se déplace avec une vitesse et une direction influencées par la meilleure position qu'elle a trouvée jusqu'à présent et la meilleure position que l'essaim a trouvée.

Recuit simulé

Cherchez des minima globaux en utilisant un algorithme de recherche probabiliste qui imite le processus physique du recuit, dans lequel un matériau est chauffé avant de voir sa température lentement abaissée pour réduire les défauts, minimisant ainsi l'énergie du système.

Optimisation multiobjectif

Identifiez le front de Pareto, c'est-à-dire l'ensemble des solutions non dominées, pour les problèmes comportant des objectifs multiples et des contraintes bornées, linéaires ou non linéaires. Utilisez soit un solveur de recherche de patterns, soit un solveur basé sur des algorithmes génétiques.

« J'ai appliqué un algorithme de recherche de patterns dans Global Optimization Toolbox pour optimiser des facteurs tels que le débit, l'équipement de production requis, la main d'œuvre et les déchets. Il faudrait des milliers d'expériences pour évaluer tous les variants possibles du modèle. J’ai pu obtenir les mêmes résultats avec un nombre d'expériences considérablement réduit en utilisant l'algorithme de recherche de patterns. »

Marius Gemeinhardt, Daimler AG

Demander une version d’essai gratuite

Profitez de 30 jours pour tester.


Prêt à acheter ?

Découvrez les tarifs et les produits.

Vous êtes étudiant ?

Votre établissement propose peut-être déjà un accès à MATLAB, Simulink et d'autres produits complémentaires via la licence Campus-Wide.