iSIGHT里面的優化方法大致可分為三類：

1 數值優化方法

數值優化方法通常假設設計空間是單峰值的，凸性的，連續的。iSIGHT中有以下幾種：

（1）外點罰函數法（EP）：

     外點罰函數法被廣泛應用于約束優化問題。此方法非常很可靠， 通常能夠在有最小值的情況下，相對容易地找到真正的目標值。外點罰函數法可以通過使罰函數的值達到無窮值，把設計變量從不可行域拉回到可行域里，從而達到目標值。

（2）廣義簡約梯度法（LSGRG2）：

通常用廣義簡約梯度算法來解決非線性約束問題。此算法同其他有效約束優化一樣，可以在某方向微小位移下保持約束的有效性。

（3）廣義虎克定律直接搜索法：

此方法適用于在初始設計點周圍的設計空間進行局部尋優。它不要求目標函數的連續性。因為算法不必求導，函數不需要是可微的。另外，還提供收斂系數（rho），用來預計目標函數方程的數目，從而確保收斂性。

（4）可行方向法（CONMIN）：

可行方向法是一個直接數值優化方法，它可以直接在非線性的設計空間進行搜索。它可以在搜索空間的某個方向上不斷尋求最優解。用數學方程描述如下：

Design i = Design i-1 + A * SearchDirection i方程中，i表示循環變量，A表示在某個空間搜索時決定的常數。它的優點就是在保持解的可行性下降低了目標函數值。這種方法可以快速地達到目標值并可以處理不等式約束。缺點是目前還不能解決包含等式約束的優化問題。

（5）混合整型優化法（MOST）：

混合整型優化法首先假定優化問題的設計變量是連續的，并用序列二次規劃法得到一個初始的優化解。如果所有的設計變量是實型的，則優化過程停止。否則，如果一些設計變量為整型或是離散型，那么這個初始優化解不能滿足這些限制條件，需要對每一個非實型參數尋找一個設計點，該點滿足非實型參數的限制條件。這些限制條件被作為新的約束條件加入優化過程，重新優化產生一個新的優化解，迭代依次進行。在優化過程中，非實型變量為重點考慮的對象，直到所有的限制條件都得到滿足，優化過程結束，得到最優解。

（6）序列線性規劃法（SLP）：序列線性規劃法利用一系列的子優化方法來解決約束優化問題。此方法非常好實現，適用于許多工程實例問題。

（7）序列二次規劃法（DONLP）：

此方法對拉各朗日法的海森矩陣進行了微小的改動，進行變量的縮放，并且改善了armijo型步長算法。這種算法在設計空間中通過梯度投影法進行搜索。

（8）序列二次規劃法（NLPQL）：

這種算法假設目標函數是連續可微的?；舅枷胧菍⒛繕撕瘮狄远A拉氏方程展開，并把約束條件線性化，使得轉化為一個二次規劃問題。二階方程通過quasi－Newton公式得到了改進，而且加入了直線搜索提高了算法的穩定性。

 （9）逐次逼近法（SAM）：

逐次逼近法把非線性問題當做線性問題來處理。使用了稀疏矩陣法和單純形法求解線性問題。如果某個變量被聲明成整型，單純形法通過重復大量的矩陣運算來達到預期的最優值。逐次逼近法是在M. Berkalaar和J.J. Dirks提出的二次線性算法。

2探索優化方法

探索優化法避免了在局部出現最優解的情況。這種方法通常在整個設計空間中搜索全局最優值。iSIGHT中有以下兩種：

（1）多島遺傳算法（MIGA）：

在多島遺傳算法中，和其他的遺傳算法一樣每個設計點都有一個適應度值,這個值是建立在目標函數值和約束罰函數值的基數上。個體如有好的目標函數值，罰函數也就有一個更高的適應度值。多島遺傳法區別于傳統遺傳算法的最大區別在于每個種群都被分為若干個子種群，也稱為島。分別在各自的子種群中進行傳統的遺傳算法。一些個體被選出來周期的“移民”到其他的島上。這種操作成為“移民”。有兩個參數控制著移民過程：移民間隔（每次移民之后繁殖后代的個數）；移民率（移民個體所占的百分比）。

（2）自適應模擬退火算法（ASA）：

自適應模擬退火算法非常適用于用算法簡單的編碼來解決高度非線性優化問題，尤其是當發現找全局目標值比尋求好的設計方法更為重要的時候。這種方法能夠辨別不同的局部最優解。該算法能夠以最小的成本就獲得最優解。                                                                      

   

3專家系統優化

   定向啟發式搜索算法(DHS)：定向啟發式搜索算法只注重于可以直接影響到優化解的參數。

如圖通過問題描述特性來選擇合適的優化方法：

問題特性描述	Pen Meth	MMFD	SLP	SQP	HJ	SAM	DHS	GA	Sim. Annl.	MOST	LSGRG2
只有實型變量	x	x	x	x	x	x	x	x	x	X**	x
處理混合或者不混合實型，整型，離散型變量					x	x	x	x	x	x
高速非線性問題	x	x					x
脫離的設計空間（相對最小值）	x							x	x
大量的設計變量（大于20個）		x				x	x	x	x		x
大量的約束條件（大于2000）		x	x			x					x
長時間的運算代碼或分析（大量的方程求解）	x	x	x		x	x
用戶提供梯度的有效性	x	x	x	X*						x	x

* 只有NLPQL. DONLP在不能處理用戶提供的梯度情況下有效。

 

**盡管運算需要某些或全部變量是整型或者離散型的，任務過程必須能估計任意實型設計變量。

 

 

 

 

 

技術特性描述	MMFD	SLP	SQP	HJ	SAM	DHS	GA	Sim. Annl.	MOST	LSGRG2
不需要目標函數是連續的				x	x	x	x	x
處理等式或不等式約束條件	X*	x	x	x	x	x	x	x	x	x
基于庫塔條件的優化方程	x	x								x
從一系列設計點尋找而不是從單一的某點							x		X**
使用隨機準則							x	x
在開始就可以得到好的目標值							x
不需要假設參數的獨立性				x		x	x	x
不需要用有限差分法				x		x	x	x
能夠通過可控地，有序的方式設定						x	x	x
容易理解						x
不同階次的數量級對設計變量的值不敏感						x

 

* 表示只有在修正可行方向法（ADS）才有效，在可行方向法（CONMIN）不可以處理等式約束。

** 先從初始設計點找到一個初始解，然后從這一點向外搜索最優解。

原帖地址：https://blog.csdn.net/stk10