De nombreuses applications des réseaux de neurones, d’ingénierie complexe ainsi que de simulations physiques, telles que la modélisation climatique, ont recours à des méthodes d’optimisation globale qui consistent à trouver la solution optimale d’une fonction objectif donnée avec de multiples optima locaux potentiels. Dans ces cas d’applications, pouvoir garantir la convergence vers l’optimum global est généralement des plus difficiles.

Une famille particulière de problèmes appartient au domaine de l’optimisation globale de fonctions à faible dimensionnalité effective. Ces fonctions varient seulement sur un sous-espace et sont constantes le long d’un sous-espace linéaire. La difficulté réside dans le fait que la réduction du problème à son sous-espace effectif ne peut être immédiate, le sous-espace constant étant généralement inconnu.

Les auteurs présentent un cadre algorithmique générique, qui résout des sous-problèmes réduits au sein de sous-espaces aléatoires à faible dimensionnalité. Un des solveurs testé et employé est Artelys Knitro que les auteurs décrivent comme facile à employer et très flexible.