자동 최적화

공분산 행렬 적응 진화 전략(CMA-ES)는 글로벌 옵티마이저 중 가장 정교하며, 글로벌 옵티마이저에 비해 수렴 속도가 비교적 빠릅니다. CMA-ES를 통해 옵티마이저는 이전 반복을 "기억"할 수 있으므로, 로컬 최적화를 피하면서 알고리즘의 성능을 개선하는 데 도움이 될 수 있습니다.

적합 대상: 일반 최적화, 특히 복잡한 문제 영역

시작점 주변의 "신뢰" 영역에서 주 데이터에 선형 모델을 구축하는 강력한 로컬 옵티마이저입니다. 모델링된 솔루션을 새로운 시작점으로 사용하여 데이터의 정확한 모델로 수렴합니다. 신뢰 영역 프레임워크는 S-파라미터 민감도 정보를 활용하여 필요한 시뮬레이션 수를 줄이고 최적화 프로세스를 가속화할 수 있습니다. 가장 강력한 최적화 알고리즘입니다.

적합 대상: 일반 최적화, 특히 민감도 정보가 있는 모델

혁신적인 최적화 접근 방식을 사용하는 유전 알고리즘은 파라미터 공간에서 점을 생성한 후에 랜덤 파라미터 돌연변이를 통해 여러 세대에 걸쳐 이를 개량합니다. 각 세대에서 “가장 적합한” 파라미터 집합을 선택함으로써 이 알고리즘은 전역적 최적 값에 수렴합니다.

적합 대상: 복잡한 문제 분야 그리고 파라미터 수가 많은 모델

이 알고리즘은 또 하나의 글로벌 옵티마이저로서, 파라미터 공간에 있는 점을 움직이는 입자로 취급합니다. 각 반복에서 입자의 위치는 각 입자의 가장 잘 알려진 위치뿐만 아니라 전체 무리의 가장 좋은 위치에 따라 변경됩니다. 입자 군집 최적화는 파라미터가 많은 모델에 적합합니다.

적합 대상: 많은 파라미터가 있는 모델

이 방법은 파라미터 공간에 분산된 여러 점을 사용하여 최적값을 찾는 로컬 최적화 기법입니다. 넬더-미드 심플렉스 알고리즘은 대부분의 로컬 옵티마이저보다 시작점의 영향을 덜 받습니다.

적합 대상: 상대적으로 파라미터 수가 적은 복잡한 문제 영역, 초기 모델이 제대로 갖춰지지 않은 시스템

Interpolated Quasi Newton 옵티마이저를 사용하여 파라미터 공간의 그래디언트를 근사하는 빠른 로컬 옵티마이저입니다. Interpolated Quasi Newton 방법은 빠른 수렴을 보입니다.

적합 대상: 계산이 까다로운 모델

Classic Powell 옵티마이저는 단일 파라미터 문제를 위한 간단하고 견고한 로컬 옵티마이저입니다. Interpolated Quasi Newton보다 느리지만, 때로는 더 정확할 수 있습니다.

적합 대상: 단일 변수 최적화

인쇄 회로 기판(Printed Circuit Board) 설계를 위한 특수 최적화 도구인 Decap 옵티마이저는 파레토 프런트 기법을 사용하여 디커플링 커패시터의 가장 효과적인 배치를 계산합니다. 이 옵티마이저는 지정된 임피던스 곡선을 충족하는 동시에 필요한 커패시터 수 또는 총 비용을 최소화하는 데 도움이 됩니다.

적합 대상: PCB 레이아웃