结合交叉熵与MADS方法的不等式约束全局优化
Combining Cross Entropy and MADS methods for inequality constrained global optimization
AI总结：
本文将交叉熵方法作为MADS算法的搜索步骤，用于非光滑不等式约束全局优化，在保留MADS收敛性的同时提升逃离局部极小值的能力，数值实验验证了其显著改进。
摘要：
本文提出了一种将网格自适应直接搜索（MADS）算法与交叉熵（CE）方法相结合的方式，用于非光滑约束优化。CE方法被用作MADS算法的搜索步骤。这种结合的结果保留了MADS的收敛性质，并允许进行高效探索，以便远离局部极小值。CE方法根据多元正态分布采样试验点，其均值和标准差由迄今为止找到的最佳点计算得出。数值实验表明，该方法在到达可行域和逃离局部极小值方面有显著改进。
英文摘要：
This paper proposes a way to combine the Mesh Adaptive Direct Search (MADS) algorithm with the Cross-Entropy (CE) method for non smooth constrained optimization. The CE method is used as a Search step by the MADS algorithm. The result of this combination retains the convergence properties of MADS and allows an efficient exploration in order to move away from local minima. The CE method samples trial points according to a multivariate normal distribution whose mean and standard deviation are calculated from the best points found so far. Numerical experiments show an important improvement of this method to reach the feasible region and to escape local minima.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
