U kunt discretisatie van het probleem gebruiken in $ N $ punten, zodat u slechts een eindig aantal parameters hoeft te bepalen (aangenomen dat $ f $ en $ g $ ietwat continue functies zijn). Voor de afgeleide en integratie kun je de Euler-methode gebruiken, hogere-orde-methoden kunnen worden gebruikt, maar maken het probleem moeilijker op te lossen.
De herformulering geeft: $$ h = \ frac {t_1} {N-1 }, \ quad \ vec {x} = [x_1, x_2, \ dots, x_N], \ quad \ vec {y} = [y_1, y_2, \ dots, y_N], $$
$ $ \ begin {align} \ max _ {\ vec {x}, \ vec {y}} & & \ sum_ {n = 1} ^ {N-1} f (h (n-1), x_n, y_n) h \\ st & & x_ {n + 1} = x_n + g (h (n-1), x_n, y_n) h, & & n = 1, 2, \ dots, N-1 \ end {align} $$
Je moet ook de grensbeperkingen toevoegen aan de gelijkheidsbeperkingen van het optimalisatieprobleem. U kunt meerdere verschillende methoden gebruiken om dit probleem op te lossen, als u bijvoorbeeld toegang heeft tot Matlab, kunt u fmincon gebruiken, wat de kostenfunctie minimaliseert die kan worden opgelost door een minteken voor de som toe te voegen . Vaak moet u ook een eerste schatting opgeven, wat ook van invloed kan zijn op de oplossing, aangezien verschillende schattingen kunnen convergeren naar verschillende lokale maxima. Door $ N $ te verhogen, zou u een steeds nauwkeurigere oplossing moeten krijgen, maar het zal waarschijnlijk langer duren om het op te lossen. Het zou sneller kunnen convergeren als u de oplossing van een probleem met minder punten gebruikt en ze interpoleert en dat dan gebruikt als een eerste schatting voor het probleem van het grotere aantal punten.