中列出了一些选项斜体．这些选项没有出现在清单中optimoptions的回报。要知道为什么optimoptions隐藏这些选项值，参见optimoptions隐藏的选项．

确保将选项传递给求解器。否则,patternsearch使用默认选项值。

[x, fval] = patternsearch (Aeq有趣,x0, A, b,说真的,磅,乌兰巴托,nonlcon,选项）

“经典”—使用原算法模式搜索轮询如何工作．

“国家联盟”-使用非均匀模式搜索算法描述非均匀模式搜索(NUPS)算法．

“nups-gps”-使用仅限于GPS(广义模式搜索)轮询算法的非均匀模式搜索算法(不使用OrthoMADS(正交网格自适应直接搜索)轮询)。

“nups-mads”—使用OrthoMADS轮询算法限制的非均匀模式搜索算法(不支持GPS轮询)。

“psplotbestf”-绘制最佳目标函数值。

“psplotfuncount”-绘制函数求值的次数。

“psplotmeshsize”-绘制网格尺寸。

“psplotbestx”-绘制当前最佳点。

“psplotmaxconstr”-绘制最大非线性约束违例。

您还可以创建和使用您自己的plot函数。情节功能的结构描述自定义plot函数的结构。将任何自定义函数作为函数句柄传递。

“psplotfuncount”-绘制函数求值的次数。

“psplotmaxconstr”-绘制最大非线性约束违例。

“psplotdistance”-绘制距离度量。看到paretosearch算法．

“psplotparetof”-绘制目标函数值。适用于三个或更少的目标。

“psplotparetox”-在参数空间中绘制当前点。适用于三个或更少的维度。

“psplotspread”-绘制传播度量。看到paretosearch算法．

“psplotvolume”-绘制体积度量。看到paretosearch算法．

的默认模式patternsearch，“GPSPositiveBasis2N”，由以下2个组成N向量,N为目标函数的自变量个数。

例如，如果优化问题有三个自变量，则该模式由以下六个向量组成。

的默认模式paretosearch，“GPSPositiveBasis2Np2”，等于“GPSPositiveBasis2N”还有两个点，都是1，都是- 1。

例如，如果优化问题有三个自变量，则该模式由以下8个向量组成。

的“GSSPositiveBasis2N”模式类似于“GPSPositiveBasis2N”，但调整基向量，以考虑线性约束。“GSSPositiveBasis2N”效率比“GPSPositiveBasis2N”当电流点靠近线性约束边界时。paretosearch也有“GSSPositiveBasis2Np2”类似的模式“GPSPositiveBasis2Np2”．

的“MADSPositiveBasis2N”模式由两个部分组成N随机生成的向量，其中N为目标函数的自变量个数。这是通过随机生成来实现的N构成线性无关集合的向量，用第一个集合和这个集合的负数得到2N向量。如上所示，“GPSPositiveBasis2N”模式是用线性无关恒等式的正和负组成的，然而，用“MADSPositiveBasis2N”的随机排列生成模式N——- - - - - -N线性无关的下三角矩阵，在每次迭代中重新生成。

的“GPSPositiveBasisNp1”模式由以下内容组成N+ 1的向量。

例如，如果目标函数有三个自变量，则模式由以下四个向量组成。

的“GSSPositiveBasisNp1”模式类似于“GPSPositiveBasisNp1”，但调整基向量，以考虑线性约束。“GSSPositiveBasisNp1”效率比“GPSPositiveBasisNp1”当电流点靠近线性约束边界时。

的“MADSPositiveBasisNp1”模式由N个随机生成的向量构成正基，其中N为目标函数的自变量个数。然后，再生成一个随机向量，给出N+1个随机生成的向量。时，每次迭代生成一个新模式“MADSPositiveBasisNp1”被选中。

的“OrthoMADSPositiveBasis2N”模式与“GPSPositiveBasis2N”模式，然后在N维上随机旋转。

的“OrthoMADSPositiveBasisNp1”模式与“GPSPositiveBasisNp1”模式，然后在N维上随机旋转。

如果你设置UseCompletePoll来真正的，算法在每次迭代时轮询网格中的所有点，并选择目标函数值最小的点作为下一次迭代的当前点。

如果你设置UseCompletePoll来假，当算法发现一个点的目标函数值小于当前点的目标函数值时，算法立即停止轮询。然后，算法将该点设置为下次迭代的当前点。

为paretosearch只有,MinPollFractionOption指定在轮询期间调查的轮询方向的百分比，而不是的二进制值UseCompletePoll．要指定一个完整的轮询，请设置MinPollFraction来1．若要指定轮询在找到改善所有目标函数的点时立即停止，请设置MinPollFraction来0．

“连续”(默认)-算法轮询网格点连续中所描述的模式向量的顺序调查方法．

“随机”—轮询顺序是随机的。

“成功”-每次迭代的第一个搜索方向是算法在前一次迭代中找到最佳点的方向。在第一个点之后，算法以相同的顺序轮询网格点“连续”．

［］为默认值，不指定搜索步骤。

任何内置投票算法:“GPSPositiveBasis2N”，“GPSPositiveBasisNp1”，“GSSPositiveBasis2N”，“GSSPositiveBasisNp1”，“MADSPositiveBasis2N”，“MADSPositiveBasisNp1”，“OrthoMADSPositiveBasis2N”,或“OrthoMADSPositiveBasisNp1”．

“searchga”指定使用遗传算法的搜索。您可以使用两个附加参数修改遗传算法搜索:

选择= optimoptions (“patternsearch”SearchFcn =.．.{@searchga, iterlim, optionsGA})

“searchlhs”指定拉丁超立方搜索。patternsearch为搜索生成每个点，如下所示。对于每个分量，取向量的随机排列(1、2、…,k)-兰特(k),除以k．（k是点数。)这个收益率k点，每个分量接近均匀间隔。然后将得到的点按比例缩放以适应任何边界。拉丁超立方的默认边界－1而且1．

的设置决定执行搜索的方式UseCompleteSearch选择。

您可以使用两个附加参数修改拉丁超立方搜索:

选择= optimoptions (“patternsearch”SearchFcn =.．.{@searchlhs iterlim,水平})

“searchneldermead”指定使用fminsearch，该算法使用了Nelder-Mead算法。您可以使用两个附加参数修改Nelder-Mead搜索:

选择= optimoptions (“patternsearch”SearchFcn =.．.{@searchneldermead, iterlim, optionsNM})

“rbfsurrogate”指定使用径向基函数代理的搜索，类似于surrogateopt代理(见代理优化算法)．代理是由最近的代理形成的N+1个或多个评价点，其中N变量的数量(大小x0)．算法计算10*后N点，代理被重置(擦除)，新代理的点来自重置后的点。径向基函数要求至少N+1点，所以在重置之后，搜索不会运行，直到算法计算至少N+ 1额外的点。代理需要所有变量的上下界。如果你不提供一个边界，算法从最近的点列表构造一个。因此，当您不为某些变量提供一个边界时，算法会执行更多的计算，运行速度会略慢。在任何情况下，该搜索函数都是相对耗时的，因此最适合与耗时的目标函数一起使用。

自定义使您能够编写自己的搜索函数。

选择= optimoptions (“patternsearch”SearchFcn = @myfun);

若要查看可用于编写自己的搜索函数的模板，请输入

编辑searchfcntemplate

下一节描述搜索函数的结构。

InitialMeshSize指定初始网格的大小，它是从初始点到网格点的最短向量的长度。InitialMeshSize必须是正标量。默认值是1．0．

MaxMeshSize指定网格的最大大小。当达到最大尺寸时，网格尺寸在成功迭代后不会增加。MaxMeshSize必须是一个正标量，并且仅在选择GPS或GSS算法作为Poll或Search方法时使用。默认值为正．MADS使用的最大大小为1．

AccelerateMesh指定当网格尺寸很小时，是否MeshContractionFactor乘以0．5在每次不成功的迭代之后。AccelerateMesh可以有价值真正的(用加速器)假(不使用加速器)，默认。AccelerateMesh仅适用于GPS和GSS轮询算法和“经典”算法. .

MeshRotate仅适用于PollMethod是“GPSPositiveBasisNp1”或“GSSPositiveBasisNp1”．MeshRotate＝“上”指定当网格大小小于的1/100时，网格向量乘以-1MeshTolerance不成功轮询后的选项。换句话说，第一次轮询失败后用小网格尺寸，而不是轮询方向e_我(单位正向方向)和-Σe_我，算法沿-方向轮询e_我和Σe_我．MeshRotate可以有价值“关闭”或“上”(默认)。

ScaleMesh指定算法是否通过仔细地将模式向量乘以与当前点(或对于无约束问题，初始点)的分量绝对值的对数成正比的常数来缩放网格点。ScaleMesh可以有价值假或真正的(默认)。当问题有等式约束时“经典”算法,ScaleMesh是禁用的。

MeshExpansionFactor指定在成功轮询后增加网格大小的因子。默认值为2．0，这意味着网格的大小乘以2．0成功投票后。MeshExpansionFactor必须是一个正标量，并且仅在选择GPS或GSS方法作为Poll或Search方法和算法选择是“经典”．麦斯使用一个MeshExpansionFactor的4.0．看到网格的膨胀和收缩为更多的信息。

MeshContractionFactor指定轮询失败后网格尺寸减小的因子。默认值为0．5，这意味着网格的大小乘以0．5在投票失败后。MeshContractionFactor必须是一个正标量，并且仅在选择GPS或GSS方法作为Poll或Search方法和算法选择是“经典”．麦斯使用一个MeshContractionFactor的０．２５．看到网格的膨胀和收缩为更多的信息。

InitialPenalty—指定非线性约束算法使用的惩罚参数的初始值。InitialPenalty必须大于或等于1，默认为10．

PenaltyFactor-当问题没有解决到要求的精度和约束条件不满足时，增加惩罚参数。PenaltyFactor必须大于1，默认为One hundred.．

“最终”(默认)-显示停止的原因。

“关闭”或同等“没有”—无显示信息。

“通路”—显示每次迭代的信息。

“诊断”—显示每次迭代的信息。此外，诊断程序还列出了一些问题信息和从默认值更改的选项。

Iter——迭代数

FunEval-累计函数求值次数

MeshSize-当前网目尺寸

FunVal-当前点的目标函数值

方法-当前投票结果(不指定非线性约束函数)。对于非线性约束函数，方法显示子问题解决后使用的更新方法。

马克斯约束最大非线性约束违例(仅当指定了非线性约束函数时显示)

当UseVectorized是假，patternsearch每次在一个点上调用目标函数，因为它在网格点中循环。(这个假设UseParallel的默认值为假．）

UseVectorized是真正的，patternsearch同时在网格中的所有点上调用目标函数，也就是说，在对目标函数的单一调用中。

如果存在非线性约束，则目标函数和非线性约束都需要向量化，以便算法以向量化的方式计算。

有关详细信息和示例，请参见向量化目标函数和约束函数．

当UseParallel是真正的，patternsearch使用您建立的并行环境(参见如何在全局优化工具箱中使用并行处理)．在命令行，设置“UseParallel”来假计算连续。