CMA-ES는 가장 정교한 글로벌 옵티마이저 중 하나로, 글로벌 옵티마이저 치고는 비교적 수렴 속도가 빠릅니다. CMA-ES를 통해 옵티마이저는 이전 반복을 “기억”할 수 있으며, 이 기록을 활용하여 알고리즘 성능을 개선하는 동시에 로컬 최적값을 방지할 수 있습니다.
적합: 일반 최적화, 특히 복잡한 문제가 있는 영역
시작점 주변의 "트러스트" 영역에서 주 데이터에 선형 모델을 구축하는 강력한 로컬 옵티마이저입니다. 모델링된 솔루션은 정확한 데이터 모델에 수렴되기 전까지 새로운 시작점으로 사용됩니다. TRF는 S-파라미터 감도 정보를 활용하여 필요한 시뮬레이션 수를 줄이고 최적화 프로세스의 속도를 높일 수 있습니다. 가장 강력한 최적화 알고리즘입니다.
적합: 일반 최적화, 특히 감도 정보가 있는 모델
혁신적인 최적화 접근 방식을 사용하는 Genetic Algorithm은 파라미터 공간에서 점을 생성한 후에 랜덤 파라미터 변이를 사용하여 여러 세대에 걸쳐 개량합니다. 각 세대에서 “가장 적합한” 파라미터 집합을 선택함으로써 이 알고리즘은 글로벌 최적값에 수렴합니다.
적합: 복잡한 문제 분야 그리고 파라미터 수가 많은 모델
이 알고리즘은 또 하나의 글로벌 옵티마이저로서, 파라미터 공간에 있는 점을 움직이는 입자로 취급합니다. 각각의 반복 작업에서 입자 위치는 각 입자의 알려진 가장 좋은 위치뿐만 아니라 전체 무리의 가장 좋은 위치에 따라서도 변경됩니다. Particle Swarm Optimization은 파라미터가 많은 모델에 적합합니다.
적합: 파라미터 수가 많은 모델
이 메서드는 파라미터 공간에 분산된 여러 점을 사용하여 최적값을 찾는 로컬 최적화 기법입니다. Nelder Mead Simplex Algorithm은 대부분의 로컬 옵티마이저보다 시작점의 영향을 덜 받습니다.
적합: 상대적으로 파라미터 수가 적은 복잡한 문제 분야, 양호한 초기 모델이 없는 시스템
보간을 사용하여 파라미터 공간 그라데이션의 근사치를 계산하는 빠른 로컬 옵티마이저입니다. Interpolated Quasi Newton 메서드는 수렴이 빠릅니다.
적합: 계산이 까다로운 모델
단일 파라미터 문제를 위한 간단하고 강력한 로컬 옵티마이저입니다. Interpolated Quasi Newton보다 느리지만 때로는 더 정확할 수 있습니다.
적합: 단일 변수 최적화
PCB(Printed Circuit Board) 설계에 전문화된 옵티마이저인 Decap Optimizer가 파레토 프런트 기법을 사용하여 분리 콘덴서의 가장 효과적인 배치를 계산합니다. 이를 사용하여 필요한 콘덴서 수 또는 총 비용을 최소화하면서 지정된 임피던스 곡선을 충족할 수 있습니다.
적합: PCB 레이아웃
