Global Optimization Toolbox

 

Global Optimization Toolbox

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

La vidéo dure 1:59

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.

Tracé d'une fonction objectif avec de nombreux pics et creux.

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.

Tracé montrant que la recherche de patterns trouve une meilleure solution qu'un solveur local.

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.

Sur le diagramme de dispersion, les points bleus représentent les valeurs optimales de pénalité, tandis que les points orange représentent les valeurs moyennes de pénalité. Les deux valeurs diminuent au cours des premières générations, puis se stabilisent.

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.

Tracé de trajectoires de particules à partir de l'algorithme de l'essaim particulaire.

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.

Problème d'optimisation avec de nombreuses solutions locales qui peut être résolu par le recuit simulé.

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. »

FAQ sur Global Optimization Toolbox

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.

Essayez Global Optimization Toolbox gratuitement

Découvrez nos produits.


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.