Global Optimization Toolbox
Résoudre des problèmes de maxima et de minima multiples, ainsi que des problèmes d'optimisation non lisse.
Vous avez des questions ? Contactez l'équipe commerciale.
Vous avez des questions ? Contactez l'équipe commerciale.
Global Optimization Toolbox propose des fonctions qui recherchent des solutions globales à des problèmes comportant plusieurs maxima ou minima. Les solveurs de cette toolbox comprennent les méthodes de substitution, de recherche de patterns, d'algorithme génétique, d'essaim particulaire, de recuit simulé, de multistart ainsi que de recherche globale. Vous pouvez utiliser ces solveurs pour des problèmes d'optimisation où la fonction objectif ou de contrainte est continue, discontinue, stochastique, ne possède pas de dérivées, ou inclut des simulations ou des fonctions de type boîte noire. Pour les problèmes à objectifs multiples, vous pouvez identifier un front de Pareto en utilisant des solveurs d’algorithmes génétiques ou de recherche de patterns.
Vous pouvez améliorer l'efficacité du solveur en ajustant les options et, pour les solveurs pour lesquels cela est applicable, en personnalisant les fonctions de création, de mise à jour et de recherche. Vous pouvez utiliser des types de données personnalisés avec les solveurs d’algorithmes génétiques et de recuit simulé pour représenter des problèmes qui ne sont pas facilement exprimés avec des types de données standard. L'option de fonction hybride vous permet d'améliorer une solution en appliquant un second solveur qui commence à partir de la solution du premier solveur.
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.
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.
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.
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.
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.
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.
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.
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. »
Global Optimization Toolbox fournit des fonctions permettant de rechercher des solutions globales à des problèmes comportant plusieurs maxima ou minima, y compris des problèmes d'optimisation continus, discontinus, stochastiques et non lisses.
La toolbox inclut les solveurs surrogate optimization, pattern search, genetic algorithm, particle swarm, simulated annealing, MultiStart et GlobalSearch.
La toolbox résout des problèmes d'optimisation dans lesquels la fonction objectif ou la fonction de contrainte est continue, discontinue, stochastique, ne possède pas de dérivées ou inclut des simulations ou des fonctions boîte noire.
Oui. Vous pouvez identifier un front de Pareto pour des problèmes comportant plusieurs objectifs en utilisant les solveurs genetic algorithm ou pattern search.
Le solveur surrogate optimization recherche des minima globaux pour des problèmes dont les fonctions objectif sont coûteuses à évaluer, en construisant une approximation de la fonction pouvant être évaluée et minimisée rapidement.
L'option Hybrid Function permet d'améliorer une solution en appliquant un second solveur qui démarre à partir de la solution obtenue par le premier solveur.
Pattern search démarre à partir du point courant, ajoute un ensemble de vecteurs pour générer de nouveaux points d'essai, évalue la fonction objectif sur ces points et utilise les informations obtenues pour mettre à jour le point courant jusqu'à atteindre un optimum.
Oui. Vous pouvez améliorer l'efficacité des solveurs en ajustant leurs options et, pour les solveurs qui le permettent, en personnalisant les fonctions de création, de mise à jour et de recherche.
Découvrez nos produits.
Découvrez les tarifs et les produits.
Votre établissement propose peut-être déjà un accès à MATLAB, Simulink et d'autres produits complémentaires via la licence Campus-Wide.