L'algoritmo CMA-ES (Covariance Matrix Adaptation Evolutionary Strategy) è il più sofisticato tra gli ottimizzatori globali e offre una convergenza relativamente rapida. Grazie a CMA-ES, l'ottimizzatore è in grado di "ricordare" le iterazioni precedenti e questa cronologia può essere utilizzata per migliorare le prestazioni dell'algoritmo evitando al contempo i livelli massimi locali.
Adatto per: ottimizzazione generale, soprattutto per i domini con problemi complessi
Un potente ottimizzatore locale, che crea un modello lineare basandosi sui dati principali in un'area di "attendibilità" intorno al punto di partenza. La soluzione modellata sarà utilizzata come nuovo punto di partenza fino a quando non convergerà con un modello preciso dei dati. Trust Region Framework può utilizzare le informazioni sulla sensibilità dei parametri S per ridurre il numero di simulazioni necessarie e accelerare il processo di ottimizzazione. È il più robusto degli algoritmi di ottimizzazione.
Adatto per: ottimizzazione generale, soprattutto sui modelli con informazioni sulla sensibilità
Utilizzando un approccio innovativo all'ottimizzazione, Genetic Algorithm genera punti nello spazio dei parametri e li perfeziona mediante più generazioni, con mutazioni casuali dei parametri. Selezionando i set di parametri "più adatti" ad ogni generazione, l'algoritmo converge su un valore ottimale globale.
Adatto per: domini con problemi complessi e modelli con molti parametri
Un altro ottimizzatore globale che considera i punti nello spazio dei parametri come particelle in movimento. A ogni iterazione, la posizione delle particelle cambia in base non solo alla posizione migliore di ogni particella, ma anche alla posizione migliore dell'intero gruppo. Particle Swarm Optimization è ideale per i modelli con molti parametri.
Adatto per: modelli con molti parametri
Questo metodo è una tecnica di ottimizzazione locale che utilizza più punti distribuiti nello spazio dei parametri per trovare quello ottimale. L'algoritmo Nelder Mead Simplex dipende in misura minore dal punto di partenza rispetto alla maggior parte degli ottimizzatori locali.
Adatto per: domini con problemi complessi e un numero relativamente basso di parametri, sistemi senza un buon modello iniziale
Si tratta di un ottimizzatore locale veloce che utilizza l'interpolazione per approssimare il gradiente dello spazio dei parametri. Il metodo Interpolated Quasi Newton offre una rapida convergenza.
Adatto per: modelli complessi dal punto di vista computazionale
Un semplice e robusto ottimizzatore locale per problemi a parametro singolo. Anche se più lento di Interpolated Quasi Newton, a volte può essere più preciso.
Adatto per: ottimizzazione a singola variabile
Un ottimizzatore specializzato per la progettazione di schede a circuito stampato (PCB), Decap Optimizer calcola il posizionamento più efficace dei condensatori di disaccoppiamento utilizzando il metodo del fronte di Pareto. Questo può essere utilizzato per ridurre al minimo il numero di condensatori necessari o il costo totale pur rispettando la curva di impedenza specificata.
Adatto per: il layout delle schede PCB
