Interesuje mnie globalne maksymalizowanie funkcji wielu ( ) rzeczywistych parametrów (w wyniku złożonej symulacji). Jednak funkcja, o której mowa, jest stosunkowo droga w ocenie, wymaga około 2 dni na każdy zestaw parametrów. Porównuję różne opcje i zastanawiałem się, czy ktoś miał jakieś sugestie.
Wiem, że istnieje zestaw metod dla tego rodzaju procesu, który wymaga opracowania przybliżonych funkcji, a następnie ich maksymalizacji (np. Jones i in. „Skuteczna globalna optymalizacja drogich funkcji czarnej skrzynki” ). Wydaje się jednak, że jest to względnie związane z kodowaniem.
Mam możliwość prowadzenia dużej liczby symulacji równolegle (50+). Wydaje się to sugerować użycie algorytmów genetycznych do przeprowadzenia tej optymalizacji - ponieważ mogę stworzyć populację rozwiązań kandydujących tak szybko, jak to możliwe.
Oto moje pytania: 1) Czy ktoś ma doświadczenie z ogólnodostępnymi implementacjami tego rodzaju globalnych rozwiązań / rekomendacji? 2) Czy istnieją powody, by preferować lub unikać algorytmów genetycznych?
Jest to problem fizyczny, a moje wczesne eksperymenty pokazały liczbę zmian zasługi dość płynnie, gdy zmieniam parametry.
AKTUALIZACJA:
Dziękuję za pomoc! Kilka dodatkowych szczegółów: Nie potrzebuję żadnych informacji poza lokalizacją maksimum. Symulacja jest deterministyczna, a nie Monte Carlo, więc komplikacja nie jest wielkim problemem. Nie ma wyraźnych granic ani ograniczeń parametrów. Inną informacją, którą posiadam (a której wcześniej nie wspomniałem), jest ocena wielkości wymaganego maksimum. Podczas gdy szukam globalnego maksimum, byłbym również zadowolony z czegoś takiego lub większego - nie wiem, czy to by pomogło. Mam nadzieję, że jeśli przeprowadzę screening bardziej systematycznie (łacińskie hipersześci, jak sugeruje Brian Borchers), to się pojawi.