Optymalizacja globalna – cele i metody (techniki) optymalizacji
Optymalizacja – to poszukiwanie najlepszego rozwiązania, w praktyce polega to na znalezieniu lepszego rozwiązania niż bieżące.
Celem globalnej optymalizacji jest znalezienie rozwiązania optymalnego w całej przestrzeni poszukiwań. Przestrzeń poszukiwań zawiera S obiektów zwanych rozwiązaniem (w zastosowaniach często S jest ograniczonym podzbiorem liczb rzeczywistych Rn). Rozwiązaniem optymalnym nazywane jest rozwiązanie x* najlepsze pod względem jakości.
maksymalizacja
minimalizacja
Podczas optymalizacji globalnej poszukiwane jest optimum w całym zbiorze S – istnieje tylko jedno optimum.
Aby znaleźć optymalne rozwiązanie wykorzystywane są
metody przeszukiwania lokalnego
metody przeszukiwania populacyjnego
Poszukiwanie nowych rozwiązań odbywa się ze ściśle określonym schematem:
Wygeneruj i oceń początkowe „aktualne rozwiązanie” S
Zmodyfikuj S otrzymując S' i oceń S'
Jeżeli S' jest lepsze od S to podstaw S' do S ()
Wróć do kroku 2., chyba że jest spełniony warunek zatrzymania algorytmu.
Algorytmy optymalizacji globalnej powinny działać w nieskończoność, ponieważ prawie nigdy nie znamy rozwiązania optymalnego globalnie.
W tym algorytmie wykorzystano pomysł: nowe potencjalne rozwiązania generowane są drogą niewielkich modyfikacji aktualnego rozwiązania. Podstawowa różnica uwidacznia się w kroku 3. Czasem można zaakceptować rozwiązanie S’ nawet wtedy gdy jest ono gorsze niż S. Pozwala to uniknąć (choć nie zawsze) stabilizacji aktualnego rozwiązania w lokalnym optimum.
Dobrze opisane jest to w prezentacji Szlachcic – plik PDF w tym samym folderze.