“graddescent-elim”-强制执行一个等式约束，使状态的时间导数为零(dx / dt = 0,x (k + 1) = x (k))和输出信号，使其等于其指定的已知值。优化器修复状态，x输入,u，即标记为已知的在操作点规范中，并优化其余变量。

“graddescent”-强制执行一个等式约束，使状态的时间导数为零(dx / dt = 0,x (k + 1) = x (k))和输出信号等于其指定的已知值。优化器还可以最小化状态之间的错误，x输入,u，以及它们各自的已知值。如果没有任何输入或状态标记为已知的,findop试图将初始猜测之间的偏差最小化x和u，以及它们的修剪值。

“graddescent-proj”-除了“graddescent”，在每个功能评估时，加强模型初始条件的一致性。要指定约束是硬约束还是软约束，请使用ConstraintType选择。这种优化方法不支持解析雅可比矩阵。金宝app

“lsqnonlin”-修复各州，x输入,u,标记为已知的并对其余变量进行优化。该算法试图最小化状态时间导数的误差(dx / dt = 0,x (k + 1) = x (k))和输出与其指定的已知值之间的错误。

“lsqnonlin-proj”-除了“lsqnonlin”，在每个功能评估时，加强模型初始条件的一致性。这种优化方法不支持解析雅可比矩阵。金宝app

“单纯”-使用相同的成本函数lsqnonlin与直接搜索优化例程中找到fminsearch。

“上”-在MATLAB中显示工作点汇总报告^®运行时的命令窗口findop。

“关闭”-禁止显示摘要报告。

“通路”-显示优化过程的迭代更新。

真正的-当所有变化的参数都是可调的时，不要重新编译模型。如果任何变化的参数不可调优，则为每个参数网格点重新编译模型，并发出警告消息。

假-重新编译每个参数网格点的模型。当您更改不可调参数的值时，请使用此选项。

dx-状态导数约束的类型

x-类型为状态值的约束

y-输出值的约束类型

“硬”-强制约束为零。

“软”-尽量减少限制。