Les deux approches disponibles sont des méthodes à base de gradient et sans gradient.

En raison de la dimensionnalité du problème, des méthodes à base de gradient (tels que l'algorithme à gradient conjugué) sont utilisées dans la procédure d'optimisation.

Il peut aussi être utilisé avec les popotes optimisées.

Optimisation Robuste de Problèmes Multi-objectifs sous Incertitude.

Plusieurs méthodes basées sur les gradients, y compris des perceptions de niveau multiple, fonctions sur des bases radiales et un mélange de compétences.

Ce procédé de recherche à base de gradient permet de converger efficacement vers un ensemble final de paramètres de décomposition des blocs.

Plusieurs méthodes basées sur les gradients, y compris des perceptions de niveau multiple, fonctions sur des bases radiales et un mélange de compétences.

Les méthodes avec gradient peuvent intégrer des contraintes plus complexes.

Pour des canaux qui varient dans le temps de manière ergodique, le paramètre d'accord est sélectionné par résolution du modèle de relation au moyen d'une approche basée sur un gradient.

Une unité de sélection de route est configurée pour mettre en œuvre une sélection de route sur la base d'un gradient en fonction des informations de charge des nœuds.

Ce système fait appel à un instrument de diagraphie à RMN multifréquence, à base d'un gradient, pour extraire des composantes de signaux caractéristiques de chaque type d'hydrocarbures.

La méthode avec gradient est privilégiée si une fonction objectif analytique peut être déterminée.

En raison du nombre élevé de variables de contrôle, seule l'optimisation avec gradient est utilisable en pratique.

Des réponses de champ de gradient divergentes (DGFR) sont calculées sur la base des informations de gradient restantes.

Ce polynôme est en partie fondé sur le gradient.