Этот метод, как и метод градиента, по принятой классификации относится к группе одноэтапных методов, применение которых характеризуется одновременным изменением всех параметров оптимизации на каждом рабочем шаге. В литературе рассматриваемый метод носит также названия метода возможных направлений или случайного поиска.
В соответствии с этим методом:
1) из некоторой точки в пространстве параметров делается несколько пробных шагов в случайных направлениях;
2) приращения функции цели, полученные на каждом пробном шаге, сравниваются, определяется направление, в котором улучшение функции цели наибольшее и которое принимается в дальнейшем за приближение к градиенту Q;
3) в этом направлении выполняется рабочий шаг, который переводит изображающую точку в положение ;
4) действия по определению случайного градиента повторяются в окрестности новой точки.
Таким образом, в отличие от метода градиента в данном алгоритме:
1) направление поиска определяется не градиентом функции цели, а наиболее удачным из пробных шагов, выполненных из k -й точки в случайных направлениях; при этом координаты текущей изображающей точки в пространстве нормированных параметров вычисляются по формуле:
|
|
. | (2.26) |
где – проекция наиболее удачного пробного шага на ось xi, d –размер пробного шага;
2) для формирования направлений пробных шагов здесь так же, как и в методе статистических испытаний, нужен датчик случайных чисел; это обстоятельство определяет особенности построения алгоритма реализации данного метода в сравнении с методом градиента; в общем случае количество необходимых пробных шагов определяется из требования равномерного исследования e-окрестности вокруг изображающей точки, часто оно выбирается равным 5.
В остальном процесс поиска экстремума функции цели здесь идентичен поиску по методу градиента и ему в равной мере присущи все особенности метода градиента.
Если число пробных шагов принимается меньшим, чем количество параметров оптимизации n, то при определении направления поиска получается выигрыш по числу обращений к модели объекта проектирования для вычисления значений Q в сравнении с методом градиента. Однако уменьшение числа пробных шагов приводит к соответствующему уменьшению вероятности приближения к направлению градиента, а, следовательно, к возможному увеличению количества рабочих шагов по определению экстремума функции цели.