رویکردهایی جهت حل مسایل بهینه سازی

یک مساله بهینه سازی سراسری با محدودیتهای نامشخص به این صورت درنظر گرفته می شود: بهینه ساز x* را چنان بیابید که کمینه تابع هدف f(x) را تولید کند که در منطقهء بازهء متناهی از فضای اقلیدسی n بعدی زیر است: . این مساله بهینه سازی محدود شده می تواند توسط معرفی تابع جریمه با مقدار بالای خارج از محدودیت های مشخص شده ، به یک مساله بهینه سازی بدون محدودیت تبدیل شود. در مواردی که مقدار واقعی بهینه ساز را نتوان یافت، ما از مقدار تخمینی و کمینهء تخمینی متناظر استفاده می کنیم. رویکردهای حل این مساله وابسته به ویژگی های تابع f(x) است:
1.    f(x) تابعی با اکسترمم واحد است که به صورت عددی بیان می شود. اگر مشتقات  آن بتوانند محاسبه گردند، روشهای مبنی بر شیب می توانند استفاده شوند.
2.    ) تابعی با اکسترمم واحد است که به صورت عددی قابل بیان نیست. مشتقات را نمی توان محاسبه کرد و روشهای جستجوی مستقیم باید مورد استفاده قرار گیرد.
3.    در مورد خصوصیات f(x) هیچ فرضی وجود ندارد، پس f یک تابع با چند اکسترمم است که به صورت عددی بیان نمی شود و ما با چند اکسترمم یا بهینه سازی سراسری سروکار داریم.

بیشتر مسایل بالقوه به مقوله سوم از مسایل CO تعلق دارند. در مراحل مشخص، تکنیکهای GO ممکن است از روشهای تک اکسترمم از مقوله 2 استفاده کنند.