Погрупповой метод последовательного поиска.

Пусть число переменных параметров есть N и каждый из параметров x_n изменяется с шагом ∆ x_n в пределах от x_n.мин до x_n.макс и принимает M дискретных значений. Тогда при последовательном переборе всех комбинаций множества параметров x_n общее число рассчитываемых вариантов составит Q=M^N. Это число может быть столь большим (например, при M=10 и N=6 значение Q=10⁶), что даже расчет на быстродействующей ЭВМ может оказаться недопустимо длительным. Поголовный перебор всех вариантов можно исключить, если параметры разбить на группы, включающие только взаимозависимые x_n . Далее производится перебор всех x_n только внутри группы с определением набора параметров, соответствующих минимуму целевой функции. Последовательно переходя от одной группы параметров к другой, определяют вектор x_опт, включающий все параметры x_n. Так, например, в приведенном примере из 6-ти параметров при возможности их разбиения на две группы по 3 параметра общее число рассчитываемых вариантов составит Q=2*10³=2000, т.е. почти на три порядка меньше, чем в первом варианте. Однако, воспользоваться таким простым и надежным способом поиска глобального минимума можно только при сильной зависимости параметров внутри одной группы и слабой – между разными.

Покоординатный метод.

Здесь сначала дискретно изменяется только параметр x₁ при постоянных значениях всех остальных параметров x_n до тех пор, пока целевая функция не станет минимальной. Полученное значение x₁ фиксируется и в новом цикле начинается изменение параметра x₂ при неизменных значениях остальных параметров и т.д., вплоть до изменения параметра x_n. Подобная процедура повторяется несколько раз, в результате чего определяется вектор x_опт. Как и в предыдущем случае, такой простой алгоритм успешно действует только при слабой зависимости между собой всех параметров x_n.

Метод слепого поиска.

При данном методе производится случайный перебор значений варьируемых параметров x_n до тех пор, пока значение целевой функции не станет приемлемо малым. При этом в программе должно производиться моделирование случайных величин по одному из известных способов. При «слепом» поиске процесс обучения в системе отсутствует, так как каждый шаг обособлен от другого. «Слепой» поиск с большим шагом изменения варьируемых параметров можно совместить с одним из локальных методов поиска с меньшим шагом, что помогает приблизиться к минимуму целевой функции.

Метод оврагов.

Этот метод пригоден для так называемых хорошо организованных функций, при которых переменные параметры x₁,x₂, …, x_n можно разбить на две группы: сильно и слабо влияющие на целевую функцию F_ц. Параметры 1-й группы меняются с относительно большим шагом, 2-й – c малым. После большого шага в рамках 1-й группы параметров производится локальный поиск с малым шагом в рамках 2-й группы параметров. Такая итерационная процедура позволяет относительно быстро продвигаться по так называемому «оврагу» к глобальному минимумy функции цели.