一些优化问题需要优化的表面非常简单。 优化器只是下坡到唯一的最小化器并快乐地返回 - 世界上一切都很好。 可悲的是，目标函数通常有多个局部极小值，作为用户的您提供的起始值很差，而优化返回的结果本质上是解决方案的垃圾。 我的回答通常是您需要提供更好的起始值。 那时，我也会尝试解释任何最小值的吸引力盆地的想法。 它是一组点，当用作起始值时，将允许给定的优化器收敛到给定的局部最小值。
对于所有问题，位于全局最小化器的吸引力盆地中的起始值并不总是那么容易选择。 一种解决方案是使用随机乘法启动的优化器。 因此，生成许多起始值，然后从每个这样的点启动优化器。 或者仅从那些采样点中最好的开始。
RMSEARCH 围绕此任务放置了一个简单的框架，自动为您生成随机样本，测试哪些会产生最佳初始点，然后在该组点上启动您选择的优化器，最后编译结果。
RMSEARCH 可以与 7 种不同的优化器一起使用：
