最初,最后,和替代参数:CPU时间
图4. 剖面对比评价所需CPU时间的MADS的目标最初, 最后, 和替代参数值。
问题解决方案相对较高和不同时间。一个“F”表示失败。CPU次数在后面。
P 659 最初的，最终的和选择性参数#f eval
第5幅图：功能评估数量的侧面对比需要一个对MADS关于最初，最终的和选择性参数价值目标的评估。
一种更加乐观的现象是被CRAGGLVY问题所揭露了。所谓的CRAGGLVY问题就是那种不能够在少于1000次反复运用pC中解决而在花了83.3秒，能够在20次反复与6.59秒运用p?中解决的问题。
6.讨论。就像前面所提及，对置信域管理的有用参数价值的决定在前面[17]检验过了。[17]里有24个问题的更小列表，在将Ω离散成3960个参数价值，pA (5.2)的最终价值也就被鉴定了。为了增补表4和表5并验证最终的参数价值p? (5.1)是因MADS所产生的，我们执行了额外的一系列测试。
我们重新启动MADS和最初的价值pA来决定是否这会鉴定pA作为一个局部最小值，还是逃离到另一个不一样的范围。为了使MADS的任务更加艰巨，我们用一个小型的网丝规格使Δ0 = 4?4 = 0.00390625初始化。最初的研究促使不了运算法则去探索仅是接近的领域。就像之前，使用代理而保留所有其他算法参数不变。为了节省精力，我们利用了100个真理功能评估的最大值。
在接近16天估计与100个真理功能的评估之后，MADS从p?移离，以最终的参数价值p = (0.0023205, 0.999233, 0.356989, 3.39077)和目标价值ψcpu(p) = 11144存在。最为明显的，第一与第三的参数价值改变了最多，导致了42分钟的提升。算法的产出，本来有可能朝着更大价值的η1移动。我们相信这是由于在O和在特别的GENHUMPS, cf. Table 3中问题的多样性质。这表明，照目前这个情况，pA不是局部最小值。
P 660
简单地比较包含在用MADS和[17]中的计算负担，可以察觉比得上我们的代理消费的一种功能评估在[17]中花的时间在8.76和63.9秒之间。根据表格一，它只用了289个代理评估来识别已经非常接近p? 的pS。虽然ψcpu(pS)没有ψ
cpu(p?)那么好，但它比ψcpu(pA)要低得多。在代理功能的5.1部分实验所花费的全部时间大约为4小时，这最低限度地高于对ψcpu的预期评估。因此我们可以估计，识别p? 的总花费是表格2报告的142个评估加上5.1部分的评估143个评估。这是27.7倍小于详尽探测所要求的3960个评估。
随着预期的每个功能评估花3小时45分，像在[17]中离散并以3960个不同的参数价值评估ψcpu可能已经花费了我们3960× 3.75小时约619天的时间。悲观地说，这几乎代表了计算的两年时间。然而这也许被理解为支付全球信息的价格，但仍然无法保证全球最小值已经被找到。我们更倾向于按照范围来取代精准的参数价值。
7.结论。我们 提出了一个算法最佳化的架构，这个架构通常足够应用于工程学和计算科学的分支上。在[2]中有介绍算法的运用，而这个架构也算是可以延长至一些绝对参数的情形。这个架构被用来阐明一个与此同时能够演说长期存在的关于决定在无约束极小化中最优化信赖域参数的例子。应用于高端功能[4]非平滑优化的MADS算法位于架构的核心。
对于这些问题的最优性的非常概念不是非常清晰。因此，我们设计这个构架的目的就是 建议能够在上下文关联并也能够被使用者规定的一族问题中演绎的更好的参数价值，并在某种意义上能够被使用者所规定。在实际的应用程序中，我们相信这种黑箱方法是有益的，因为它允许使用者充分利用他们文章的知识来设计适当的测试机组与性能测量。正如我们的数值经验表明，最优性目标的选择将很可能影响结果。
我们保留了更多详尽目标功能的探索，制定异常值的规定，研究衡量将来工作上的MADS策略。我们也期望去探索算法的修正来迎接更多大体上的约束。
相关推荐：
loading