某种进化算法可能很适合您的问题，因为：

• 目标函数的梯度不可用或无法计算。
• 目标函数本身的计算成本有点高。
• 目标函数可能有大量的局部最大值。

简而言之，进化算法通过生成候选解决方案并迭代地进行优化：

1. 检查它们的“适合度”（目标函数的值）
2. 选择最佳候选解决方案
3. 以某种方式基于上一次迭代中的最佳候选者生成新的候选解决方案

自然，问题在于如何选择和组合最佳候选解决方案以生成新的候选解决方案的细节。这产生了大量的进化算法变体。两个流行的变体是遗传算法和进化策略。

遗传算法

标准遗传算法实现要求您以二进制方式对输入变量进行编码。这对于分类输入可能很好，但您的输入变量在区间中采用实际值。可以为您的问题实现遗传算法，但这并不理想。对于你的问题，我来看看...$[-1,1]$

进化策略

另一方面，进化策略通过设计处理实值输入，并且在习惯了行话之后，相当容易实现。您提到您计划使用 MATLAB 进行优化。我在 FEX 上找到了这个工具箱，它实现了进化策略，但我自己并没有把它拿来试驾。无论如何，考虑到问题的动态性质，我认为进化策略是一个不错的选择。

对我来说，这听起来像是一个强化学习问题：

• 这是一个具有非线性交互的高维输入空间
• 从系统获取信息的唯一方法是使用它
• 考虑到激光/光学设置的所有复杂性，它的行为是时间相关的
• 短期和长期奖励之间存在相互作用（多个局部最大值与全局最大值）

您可以搜索“强化学习 matlab”和“马尔科夫决策过程”以获取一些可用的项目和教程。