在这种情况下没有优化好。
也就是说,所有的绝对经典优化假设你的目标是一个良好定义的函数,在这个意义上,如果你把它连续两次相同的值集,你会得到相同的结果。这是非常重要的在他们是如何写的。
根据优化器,一些需要不同程度的可微性,光滑。优化器像fmincon, fminunc等等,假设您的函数到处都是可微的。没有,他们可以失败。其他优化,fminsearch,例如,可以容忍失败的可微性,但他们仍然可以很容易地迷失在一个问题上没有可微。其他人更极端,例如,GA,例如,甚至可以处理不连续的问题。但即使在那里,GA并不担心噪音目标函数本身,认定它不存在。即遗传算法假定你的目标函数是确定的,这没有随机性。
事实上,几乎一切都假设如果你回顾已经检查,函数值不会改变。现在进入随机优化和响应面优化的领域。
我想指出的是,“随机优化”一词实际上包括基坑支护的两个类,一个搜索方案是随机生成的,但目标函数是确定的(工具如遗传算法、模拟退火等通常在这门课上。所以他们是随机在如何移动,但他们推测一个确定的目标。)另一边的随机优化涉及不确定性的优化目标。
你的问题是后者的形式。所以照顾在你读什么。你可能想集中精力从响应面分析的工具,因为它们更针对你的问题。
这个领域使用客观的统计建模,然后利用估计模型求解最优值。你可以重复这个过程,新实验围绕重点从先前的迭代中选择,从而使迭代计划将(希望)收敛到您希望看到的解决方案。有什么工具MATLAB,这个过程直接和做所有的工作吗?不,我知道。但你可以用统计工具箱制定这样一个迭代。也就是说,从一个点集开始。估计一个低阶多项式模型,通常一个二次。求出所需的最小值或最大值,然后重复这个过程,围绕着这一点。一个问题在这样一个算法,它可能会失败,如果我刚才提到的局部二次模型实际上是双曲线。然后就没有最小值或最大值。 In that case, you would need to start thinking about things like trust regions. The process could get complicated. (But it might actually be a fun code to write...)
