数值非线性全局最优化示例
寻找多个最优点，方法 1
这里我们介绍一个取得多个极小点的方法，即: 使用不同的随机种子来多次调用 NMinimize，从而导致采用不同的优化路径.
| Out[2]= |  |
下面是一个由使用不同的随机种子产生的所有解构成的表格.
| Out[3]= |  |
这里我们把解转换为点，并且在函数的等值线图上把这些点画出来.
| Out[7]= |  |
寻找多个最优点，方法 2
这里我们介绍另一种取得多个极小点的方法. 即: 用以下方式写下目标函数，以使得访问过的所有点成为一个列表，然后选择具有接近最终解的目标函数值的点.
| Out[20]= |  |
| Out[22]= |  |
找到所有访问过的点中具有接近最终解的目标函数值的点. 然后画成白色，而把最终解画成黑色，并且在函数的等值线图上画出来.
| Out[27]= |  |
寻找数据的非线性拟合
| Out[30]= |  |
从模型和参数创建一个函数，并且在区间
上产生样本点.
这里画出从
FindFit 得到的解和相应的点. 根据三角函数的性质，我们的解由一个局部最小值捕捉.
| Out[37]= |  |
| Out[39]= |  |
| Out[41]= |  |
Solve 示例
Solve 不能解决这个方程组，因为它们是高度非代数化的.
给
NMinimize 提供一个常数目标函数，并以我们所要求解的方程作为约束条件. 这样就能找到问题的解.
| Out[43]= |  |
棋盘上的皇后问题
countAttacks[vec] 把实数向量转换为由所有皇后组成的一个排列并且计算攻击的次数.
| Out[52]= |  |
| Out[53]= |  |
