Рассматривается следующая многомерная задача локальной безусловной оптимизации: найти минимум критерия оптимальности (), определенного в -мерном евклидовом пространстве ,

 (1)

Метод случайного поиска с постоянным радиусом поиска и случайными направлениями использует процедуру генерации случайных точек, равномерно распределенных по поверхности гиперсферы в пространстве . Пусть - вектор координат центра гиперсферы, - радиус гиперсферы, - вектор с началом в точке и концом в искомой точке на поверхности гиперсферы, - углы между вектором и ортами координатных осей .
Во введенных обозначениях схема алгоритма генерации случайных точек, равномерно распределенных по поверхности гиперсферы радиуса , может быть представлена в следующем виде:
Упрощенная схема метода случайного поиска с постоянным радиусом поиска и случайными направлениями.
  1. Задаем начальную точку , начальный радиус гиперсферы , и полагаем счетчик числа итераций =0.
  2. Генерируем случайные точки , [1, ] равномерно распределенные по поверхности гиперсферы радиуса с центром в точке . Здесь – количество точек – свободный параметр метода.
  3. Вычисляем значения минимизируемой функции () в полученных точках и находим точку, в которой достигается минимальное значение функции ():

  4. Каким-либо из рассмотренных в главе 4 одномерных методов оптимизации (например, методом Паулла) находим минимум функции () в направлении :

  5. Проверяем условие окончания итераций (см. ниже). Если условие окончания выполнено, то полагаем и завершаем итерации. Иначе - принимаем =+1 и переходим к п.2
В качестве условия окончания поиска можно использоваться одно из стандартных условий окончания итераций:


где - константа, определяющая требуемую точность решения по ;


где - константа, определяющая требуемую точность решения по .
Могут быть использованы также другие критерии окончания поиска, например, условие не превышения текущим радиусом гиперсферы величины :


В процессе поиска радиус гиперсферы может меняться, увеличиваясь при удачных шагах (вдали от точки ) и уменьшаясь при неудачных шагах (вблизи от точки ).
Поиск может быть ускорен, если точки на гиперсфере выбирать (случайным образом) в некотором секторе по отношению к предыдущему направлению. Угол раскрыва этого сектора может меняться в процессе поиска.
Метод случайного поиска с постоянным радиусом поиска и случайными направлениями иллюстрирует рис. 1, на котором показан фрагмент линий уровня функции Химмельблау.
Рис. 1.  Траектория поиска минимума функции Химмельблау методом случайного поиска с постоянным радиусом поиска и случайными направлениями (n=2).
На рисунке точки, лежащие на окружности с центром в точке , соответствуют случайным точкам , [1, ].
Примечание 1
Одна итерация по методу случайного поиска с постоянным радиусом поиска и случайными направлениями может привести к уменьшению минимизируемой функции в большей степени, чем один шаг поиска в направлении антиградиента этой функции. Данное утверждение иллюстрирует рис. 2, на котором показаны лини уровня двумерной квадратичной функции


(см. параграф 6.4).
Рис. 2.  Один шаг поиска в направлении антиградиента минимизируемой функции (∇Φ(Xr)) приводит на линию уровня (1.5). В то же время одна итерация по методу случайного поиска с постоянным радиусом поиска и случайными направлениями – на линию уровня ~0.2. Точки на окружности с центром в точке Xr соответствуют случайным точкам. Любое направление поиска в секторе β лучше, чем направление антиградиента.