Nächste Seite: 5.3 Genetische Algorithmen, Evolutionsstrategie Aufwärts: 5. Algorithmen zur Optimierung Vorherige Seite: 5.1 Geschlossene Lösung Inhalt
Wenn die Eingangsparameter nicht zu viele mögliche Varianten haben (also nur eine endliche Menge von diskreten Möglichkeiten existiert), dann kann man gelegentlich auch einfach für alle Möglichkeiten jeweils die Zielfunktion berechnen (lassen), und findet so die Lösung.
Auch bei kontinuierlichen Problemen kann man ähnlich vorgehen: Über die möglichen Lösungen wird ein Gitter gelegt mit einer Dimension entsprechend der Anzahl Veränderlicher der Zielfunktion, und dann in einem in Frage kommenden Bereich der Definitionsmenge die Zielfunktion an allen Gitterpunkten berechnet. Eine Funktion einer Veränderlichen wird also in Streifen nicht zu großer Breite zerlegt, eine Funktion zweier Veränderlicher in Rechtecke, und so weiter. Von allen berechneten Werten der Zielfunktion nimmt man den größten, und kann nun (falls die Unterteilung fein genug war) vermuten, daß das tatsächliche Maximum im umgebenden Bereich liegt. Letzteren unterteilt man wiederum mit einem feineren Gitter, und berechnet sich an den Gitterpunkten die Zielfunktion, und so fort - bis das gesuchte Maximum mit einer geforderten Genauigkeit angenähert ist. Siehe dazu auch die Übungsaufgabe Maximum einer Funktion und die zugehörige Lösung Maximum einer Funktion. Da man durch die schrittweise Verfeinerung nur lokale Maxima finden kann, muß die Anfangsunterteilung fein genug sein, um auch jedes Maximum als einziges in einem Teilbereich zu finden.
Solche Verfahren stossen offensichtlich an ihre Grenzen, sobald die Rechenzeit unerträglich wird, weil man zuwenig Wissen über das Problem hat (oder in die Berechnung einfließen lassen kann).
In Analogie zum Glücksspiel werden Verfahren, bei denen mehr oder weniger geschickt geraten wird, als Monte-Carlo-Methoden bezeichnet.
Für die hier behandelte Optimierung sind diese Methoden in der Regel nicht gut geeignet. Gelegentlich kann man sie sinnvoll zur Simulation von Vorgängen verwenden, in denen eine stochastische Komponente enthalten ist. Sie werden hier erwähnt, weil sie eine gedankliche Vorstufe zu den Evolutionsstrategien (Genetische Algorithmen, Evolutionsstrategie) darstellen.