روش پاسخ سطح، یک روشی برای برازش یک سری از مدل های رگرسیون متغیر خروجی از یک مدل شبیه سازی (توسط ارزیابی آن در چند متغیر ورودی) و بهینه سازی عملکردنتیجه رگرسیون میباشد. این فرآیند با عملکرد اولین دستور رگرسیون و روش جستجوی شدیدترین صعود و نزول، شروع میشود. پس از رسیدن به منطقهی مطلوب، توابع بالاتری از رگرسیون بکار گرفته میشوند.
3-6-4- روش های اکتشافی
روش های اکتشافی که در زیر مورد بحث قرار گرفته است، آخرین تحولات در زمینهی روش های مستقیم جستجو که بطور دائم برای بهینه سازی مورد استفاده قرار میگیرند را نشان میدهند.
الگوریتم ژنتیک (GA)
الگوریتم ژنتیک یک استراتژی تحقیقی است که انتخاب تصادفی برای هدایت یک بهره برداری است یک توازن میان اکتشاف حوزه علمی و بهره برداری از راه حل های خوب برقرار میکند.
این استراتژی مشابه استراتژی تکامل بیولوژیکی میباشد. از چشم انداز بیولوژیکی، ساختار ارگانیسم و توانایی برای زنده ماندن محیط، توسط DNA تعیین میشود. یک تولد، که ترکیبی از DNA پدر و مادر میباشد، وارث صفات از هر دو پدر و مادر میباشد و صفات دیگر را که ممکن است پدر و مادر نداشته باشند، به دلایل ترکیبی جدید میباشد.
استراتژی های تکاملی (ES)
مانند روش الگوریتم ژنتیک (GA) روش استراتژی تکاملی الگوریتمی است که از اصول تکامل طبیعی به عنوان یک روش برای حل مشکلات بهینه سازی تقلید میکند.
Tabu search (روش جستجوی ممنوعه)
این روش توسط (1990 و 1989) fred gader، برای بهینه سازی یک تابع هدف با ویژگی های خاص، برای جلوگیری از به دام افتادن در بهینه محلی طراحی شده است. این روش برای حل مسائل بهینه سازی ترکیبی در محدودهی نظریه گراف، برای حل مشکلات برنامه نویسی مورد استفاده قرار می گیرد. این یک روش تطبیقی با توانایی استفاده از روش های دیگری مانند الگوریتم های LP و اکتشافی میباشد که به منظور غلبه بر محدودیت ها برای رسیدن به نتیجهی مطلوب، بکار گرفته میشود. برای پیاده سازی این روش، استراتژی های زیر بکار برده میشود: استراتژی forbidding، استراتژی آزاد، استراتژی کوتاه مدت و یک معیار توقف.
پایدار سازی شبیه سازی (SA)
این روش، یک روش جستجوی تصادفی، شبیه سازی به فرآیند سرد شدن آهستهی فیزیکی یک آلیاژ میباشد این روش به رسیدن به بهترین نقطهی هدف کمک میکند.
3-6-5- روش های آماری
روش نمونه برداری تقاضا (importance)
نمونه برداری تقاضا، به طور موثری برای دستیابی به سرعت قابل توجهی در شبیه سازی های مربوط به حوادث نادر میباشد. مانند شکست در یک سیستم کامپیوتری واقعی و یا دستگاه های شبکه ارتباطی خودپرداز (ATN).
ایده اولیه نمونه گیری تقاضا برای شبیه سازی سیستم تحت اندازه گیری احتمال های متفاوت (برای مثال، با توزیع های مختلف احتمال) میباشد. برای مسیر هر نمونه (مشاهده) در طول شبیه سازی، اندازه گیری توسط یک ضریب تصحیح برای بدست آوردن یک براورد غیر مرتبط از اندازه گیری در سیستم اصلی، تخمین زده میشود. مشکل اصلی در این روشی، کنار آمدن با تغییرات مناسب اندازه گیری برای مشکل نادر شبیه سازی در دست میباشد.
رتبه بندی و انتخاب
روش های رتبه بندی و انتخاب غالباً برای مشکلات عملی استفاده میشود، برای مثال، پیدا کردن بهترین ترکیب از قطعات تولید شده در دستگاه های مختلف برای به حداکثر رساندن بهره وری و یا پیدا کردن بهترین محل برای تسهیلات جدید، به منظور حداقل رساندن هزینه در این مشکلات بهینه سازی، برخی از دانش های ارتباطی میان جایگزین ها نیز موجود است.
این روش ها، توانایی حل مشکلات بهینه سازی را به عنوان یک مشکل تصمیم گیری چند معیاره، دارند. زمانی که تصمیم گیری شامل انتخاب بهترین طراحی سیستم میباشد، روش رتبه بندی منطقه بیتفاوتی، میتواند بکار گرفته شود. هنگامی که تصمیم گیری شامل انتخاب یک زیر مجموعه از سیستم که شامل بهترین طراحی است، میباشد، روش انتخاب زیر مجموعه ممکن است بکار گرفته شود. به هر صورت، تصمیم های درست با احتمال از پیش تعیین شده ای تضمین میشود.
مقیاس چند گانه با بهترین ها
اگر مشکل، انتخاب بهترین از تعدادی طرح های محدود سیستم باشد، مقیاس چند گانه با بهترین ها (MCB)، راه حل انتخاب و رتبه بندی میباشد.
در این روشی، استنباط در مورد عملکرد نسبی همهی جایگزین های آزمایش شده، در دست میباشد. اگر عملکرد اندازه گیری منافع تنها ملاک برای تصمیم گیری نباشد، چنین استنباطی مهم و حیاطی میباشد. برای مثال، شاید انتظار رود که توان سیستم تولید، معیار اندازه گیری باشد، اما هزینه حفظ و نگه داری سیستم نیز مهم است.