本课题利用数值方法研究了全局搜索策略采用三个不同的局部最优化算法时的性能，这三个局部最优化算法分别是active-set算法、interior-point算法、sqp算法。本文首先回顾了最优化算法的历史与发展，接着介绍了 active-set算法、interior-point算法、sqp 算法、全局搜索策略的大致思想与算法流程，然后对使用上述三个局部最优化算法的全局搜索策略测试了三个国际通用的全局优化测试函数库： Hedar、GKLS 和 CEC2014 测试函数库。最后利用performance profile 技术和data profile技术分析了测试得到的大量数据。数值比较结果表明：对于某些问题，如 Hedar 函数库里面的问题，使用局部最优化算法为 interior-point 的全局搜索策略去求解效果较佳，而对于如 CEC2014、GKLS 函数库中的问题，使用局部最优化算法为 sqp 的全局搜索策略去求解效果较佳。

本文的大致组织结构

本文研究的题目是最优化算法中的全局搜索策略及其数值比较，因此在本文中的数值实验主要是对全局搜索策略 Globalsearch1、Globalsearch2、Globalsearch3 进行测试与比较，然后辅以最优化算法的介绍。本文共分五章，分别如下：

第一章是绪论，主要介绍最优化算法的历史、发展、全局优化与局部优化的区别和本课题研究的背景及意义。

第二章是算法基础与全局搜索策略 Globalsearch，主要是对“active-set”、“interior-point”、“sqp”与全局搜索策略 Globalsearch 进行相应的介绍与流程图的表述。

第三章是函数库与数值实验，首先介绍了所采用的三个测试函数库，分别是Hedar 库函数、IEEE conference on evolutionary computation 2014（CEC2014）库函数、GKLS 库函数。然后对数值实验的测试环境、参数设置和在数值实验中遇到的问题与解决方案进行了说明。

第四章是结果比较与分析，首先是对比较技术 Performance Profile 与 Data

Profile 进行介绍，然后对全局搜索策略 Globalsearch1、Globalsearch2、Globalsearch3 的数值测试结果进行对比分析与总结。

第五章是总结，主要是针对第四章的数值分析给出一个最终的总结，为以后的研究工作作准备。