где множества

, представляют собой соответствующие сечения множества

(см. ниже).
Поясним смысл метода с помощью примера.
Пример 1
где

— сечение области

прямой, параллельной оси

. Задача (5) представляет собой одномерную
задачу глобальной оптимизации критерия оптимальности 
по параметру

, для вычисления значения которого при данном фиксированном

необходимо решить одномерную задачу глобальной оптимизации критерия оптимальности

по параметру

Рис. 1. К прим. 1. При решении задачи (5) вычисление значения критерия оптимальности Ф(Х) при некотором x = x1 требует решения задачи минимизации (6) на множестве D(x1).
Положим, что для решения всех вложенных одномерных
задач глобальной оптимизации (4) используется
метод случайного поиска. Обозначим

число
испытаний, необходимых для отыскания методом перебора с заданной точностью глобального минимума функции

по параметру

(когда параметры

фиксированы). Тогда общее количество испытаний для решения задачи

,

равно, очевидно,
Поэтому при

такой алгоритм становится неэффективным. При

надежность алгоритма достаточно высока, а затраты на поиск значительно меньше затрат на полный перебор на той же сетке.
Схема комбинации метода с методом случайного поиска (n = 2).
- Задаем величины
– количества испытаний при решении задач (5), (6), соответственно. Полагаем
.
- Генерируем с помощью какого-либо программного генератора случайных чисел, равномерно распределенных в интервале
, случайное число
.
- Методом случайного поиска решаем задачу (6) при
– находим точку
и вычисляем значение критерия оптимальности
.
- Аналогично п.2 генерируем случайное число
.
- Методом случайного поиска решаем задачу (6) при
– находим точку
и вычисляем значение критерия оптимальности
.
- Если
, то выполняем присваивания
.
- Если
, то выполняем присваивание
и переходим на п.4. Иначе принимаем точку
в качестве приближенного значения точки глобального минимума функции
в области
или каким-либо из рассмотренных ранее методов организуем в окрестности указной точки поиск локального минимума функции
и заканчиваем вычисления
Отметим еще раз, что рассмотренный метод, как и любой другой
метод глобальной оптимизации, при отсутствии априорной информации о свойствах минимизируемой функции не гарантирует нахождение глобального минимума.
Комбинацию рассматриваемого метода с
методом случайного поиска для двумерной задачи иллюстрирует рис. 2, на котором показан фрагмент линий уровня
функции Химмельблау
. Принято, что X
* — точка минимума функции Ф(X) в области D после (r — 1)-ой итерации. Точки на прямой x
1 = x
r1 случайным образом сгенерированы на r-ой итерации. После завершения r-ой итерации, очевидно, X
* =

x
r1, x
r1
.
Рис. 2. Итерация номер r комбинации метода сведения с методом случайного поиска для двумерной задачи.
Линии уровня на рис. 1 получены с помощью следующей MATLAB-программы:
x = -6 : 0.05 : 6;
y = x;
[X, Y] = meshgrid(x);
Z = (X.^2 + Y - 11).^2 + (X + Y.^2 - 7).^2;
V = [1, 4, 8, 16, 32, 64, 100, 150, 200, 250];
[C, h] = contour(X, Y, Z, V);
clabel(C, h);