CST中优化器中优化算法介绍

协方差矩阵自适应进化策略（CMA Evolution Strategy）

• 协方差矩阵自适应进化策略CMA-ES是最先进的全局优化器，可为全局优化器带来相对较快的收敛速度。借助 CMA-ES，优化器可以“记住”之前的迭代，这有助于提高算法的性能，同时避免出现局部最优。

• 适用于：常规优化，尤其是复杂问题领域的优化

信任域框架（Trust Region Framework，TRF）

• 一款功能强大的局部优化器，可在起点周围的“信任”区域基于主要数据构建线性模型。它将建模的解决方案作为新起点，直至收敛到准确的数据模型。Trust Region Framework 可以充分利用 S 参数敏感性信息来减少所需的仿真次数，同时加快优化流程。这是最可靠的优化算法。

• 适用于：常规优化，尤其是带有敏感性信息的模型

遗传算法（Genetic Algorithm）

• 遗传算法采用不断演化的优化方法，在参数空间中生成多个点，然后通过随机参数突变进行多代优化。该算法通过在每一代中选择“最适当的”参数集，从而收敛至全局最优解。

• 适用于：复杂的问题领域和具有许多参数的模型

粒子群优化技术（Particle Swarm Optimization）

• 另一款全局优化器，此算法将参数空间中的点视为移动粒子。每次迭代时，粒子的位置不仅根据每个粒子的已知最佳位置发生变化，而且还会根据整个粒子群的最佳位置而发生变化。粒子群优化技术适用于具有许多参数的模型。

• 适用于：具有许多参数的模型

Nelder Mead 单纯形算法（Nelder Mead Simplex Algorithm）

• 此方法是局部优化技术，使用分布在参数空间的多个点来查找最优方案。相比大多数局部优化器，Nelder Mead Simplex Algorithm 对起点的依赖性较低。

• 适用于：参数相对较少的复杂问题领域，没有良好初始模型的系统

Interpolated Quasi-Newton

• Interpolated Quasi-Newton 是一款快速局部优化器，使用插值技术来估算参数空间的梯度。Interpolated Quasi-Newton 方法能够快速收敛。

• 适用于：计算要求高的模型

Classic Powell

• Classic Powell 优化器是一款简单可靠的局部优化器，用于解决单参数问题。尽管其速度慢于 Interpolated Quasi-Newton，但结果有时更加准确。

• 适用于：单变量优化

Decap Optimization

• Decap Optimizer 是专门用于印刷电路板 PCB 设计的优化器，它使用帕累托前沿方法计算去耦电容器最有效的布置。该优化器有助于最小化所需的电容器数量或总成本，同时仍能满足指定的阻抗曲线。

• 适用于：PCB 布局

参考：https://www.3ds.com/zh-hans/products/simulia/cst-studio-suite/automatic-optimization