绿洲优化算法
绿洲专有的优化算法包括：
SOGO（单目标全局优化）：用以解决含一个优化目标和多个小计算量约束的问题
MOGO（多目标全局优化）：用以解决含多个优化目标和多个小计算量约束的问题
SOGO-C（单目标大计算量约束全局优化）：用以解决含大计算量约束或者高约束的单目标全局优化问题
基于20多年的加拿大著名大学团队的潜心研究成果，以上算法智慧地集成了人工智能，机器学习，统计，和数学的各种方法，可以高效率地找到最优的设计。
绿洲优化算法的一般流程
首先，算法用智能实验设计方法，或者说抽样方法，来生成探索点。绿洲软件再驱动计算机分析/仿真软件 (或者物理实验) 来评价生成的样本。然后绿洲对这些样本和评价结果进行建模，学习，统计分析，数学规划和寻优。处理完的结果用来指导下一次迭代的智能抽样。以上过程循环迭代直到收敛。
绿洲算法的特点
以上三个算法都具备以下共同特点：
适用于线性或非线性，离散或连续变量，单峰或多峰的优化问题
从解决10变量以下的小规模问题到解决大规模问题，均呈现卓越的性能
直接与外部分析或仿真程序与软件接口，无需方程
用户无需挑选算法；软件自动选择算法
用户无需调整算法参数；算法自动调整
用最少的仿真调用次数找到最好的优化设计