나는 많은 ( ) 실제 매개 변수 (복잡한 시뮬레이션의 결과) 의 기능을 세계적으로 최대화하는 데 관심 이 있습니다. 그러나 문제의 기능은 평가하는 데 상대적으로 비싸므로 각 매개 변수 세트에 약 2 일이 소요됩니다. 다른 옵션을 비교하고 있으며 제안이 있는지 궁금합니다.
근사 함수를 개발 한 다음 최대화하는 과정을 포함하는 이러한 종류의 프로세스에는 일련의 메소드가 있다는 것을 알고 있습니다 (예 : Jones et al. "고효율 블랙 박스 함수의 효율적인 글로벌 최적화" ). 그러나 이것은 코드와 관련이있는 것으로 보입니다.
많은 수의 시뮬레이션을 병렬로 실행할 수 있습니다 (50+). 후보 알고리즘을 만들 수있는 한 빨리 후보 솔루션을 만들 수 있기 때문에이 최적화를 수행하기 위해 유전자 알고리즘과 같은 것을 사용하는 것이 좋습니다.
내 질문은 다음과 같습니다. 1) 누구나 이런 종류의 글로벌 솔버 / 권장을 자유롭게 구현할 수있는 경험이 있습니까? 2) 유전자 알고리즘을 선호하거나 피해야 할 이유가 있습니까?
이것은 물리적 인 문제이며 초기 실험에서 매개 변수를 변경하면 성능 변화가 상당히 부드럽게 나타납니다.
최신 정보:
도와 줘서 고마워! 몇 가지 추가 정보 : 최대 위치 이외의 정보는 필요하지 않습니다. 시뮬레이션은 Monte Carlo가 아니라 결정론 적이므로 복잡성이 큰 문제가 아닙니다. 매개 변수에는 명시 적 경계 또는 제한 조건이 없습니다. 내가 가지고 있고 이전에 언급하지 않은 다른 정보는 필요한 최대 크기의 감각입니다. 나는 세계 최대치를 찾고 있지만이 규모 이상의 것에 만족할 것입니다-이것이 도움이 될지 모르겠습니다. 희망적으로 내가 체계적으로 선별을 수행하면 (Brian Borchers가 제안한 라틴 하이퍼 큐브) 이것이 나타납니다.