绿洲优化算法

绿洲专有的优化算法包括:

    1. SOGO(单目标全局优化):用以解决含一个优化目标和多个小计算量约束的问题
    2. MOGO(多目标全局优化):用以解决含多个优化目标和多个小计算量约束的问题
    3. SOGO-C(单目标大计算量约束全局优化):用以解决含大计算量约束或者高约束的单目标全局优化问题

    基于20多年的加拿大著名大学团队的潜心研究成果,以上算法智慧地集成了人工智能,机器学习,统计,和数学的各种方法,可以高效率地找到最优的设计。

     

     
    绿洲优化算法的一般流程

    绿洲优化算法的一般流程

     
     

    首先,算法用智能实验设计方法,或者说抽样方法,来生成探索点。绿洲软件再驱动计算机分析/仿真软件 (或者物理实验) 来评价生成的样本。然后绿洲对这些样本和评价结果进行建模,学习,统计分析,数学规划和寻优。处理完的结果用来指导下一次迭代的智能抽样。以上过程循环迭代直到收敛。

     

    绿洲算法的特点

    以上三个算法都具备以下共同特点:

    1. 适用于线性或非线性,离散或连续变量,单峰或多峰的优化问题
    2. 从解决10变量以下的小规模问题到解决大规模问题,均呈现卓越的性能
    3. 直接与外部分析或仿真程序与软件接口,无需方程
    4. 用户无需挑选算法;软件自动选择算法
    5. 用户无需调整算法参数;算法自动调整
    6. 用最少的仿真调用次数找到最好的优化设计