Les algorithmes d’optimisation s’utilisent en de nombreux problèmes, pour trouver les zéros de fonctions, pour minimiser la distance entre des points de mesure et une courbe (moindres carrés), intersections de fonctions et pour résoudre des systèmes d’équations à une ou plusieurs variables.
En fait, dans la plupart des algorithmes d’optimisation modernes, on ne fait jamais de recherche linéaire exacte, car trouver ^tsignifie qu’il va falloir calculer un grand nombre de fois la fonction ’, et cela peut être dissuasif du point de vue du temps de calcul.
•Algorithmes classiques d’optimisation : gradient, gradient conjugué, Powell, simplexe, Levenberg-Marquardt, Newton-Raphson, hashage géométrique •Minima locaux ⇒ importance de l’initialisation •connaissance de la position du patient ou autres informations a priori •axes d’inertie •essais à partir de quelques positions et choix du meilleur résultat
En utilisant un algorithme de planification, on va donc rechercher une séquence d’actions qui permet d’arriver à un état voulu. Présenté pour le pathfinding, l’algorithme A* n’est pas seulement utile pour de la recherche de chemin sur une grille.