Покрываем интервал некоторой сеткой с узлами , [1,].
Производим испытание в точке , т.е. вычисляем значения функции в этой точке.
Полагаем .
Производим испытание в точке - вычисляем значение () функции () в этой точке.
Если , то выполняем присваивания , .
Если , то выполняем присваивание 1 и переходим на п.4). Иначе - заканчиваем вычисления.
Принимаем в качестве приближенного значения точки глобального минимума функции () на интервале [,] или каким-либо из рассмотренных одномерных методов локальной оптимизации организуем в окрестности точки поиск локального минимума этой функции
При выборе количества узлов сетки , [1,] можно исходить из требуемой точности решения – максимальный шаг сетки принять равным этой величине.
Отметим, что метод перебора, как и любой другой метод глобальной оптимизации, при отсутствии априорной информации о свойствах минимизируемой функции не гарантирует нахождение глобального минимума (см. пунктирный график на рис. 1).
Генерируем с помощью какого-либо программного генератора случайных чисел, равномерно распределенных в интервале [,], случайное число .
Производим испытание в точке - вычисляем значения функции () в этой точке.
Полагаем 2.
Аналогично п. 1) генерируем случайное число [,] .
Производим испытание в точке - вычисляем значение () функции () в этой точке.
Если , то выполняем присваивания , .
Если , то выполняем присваивание 1 и переходим на п. 4). Иначе - заканчиваем вычисления. Здесь – количество испытаний.
Принимаем в качестве приближенного значения точки глобального минимума функции () на интервале [,] или каким-либо из рассмотренных одномерных методов локальной оптимизации организуем в окрестности точки поиск локального минимума этой функции
При достаточно большом метода гарантирует нахождение глобального минимума с высокой вероятностью.