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。看看为什么”optimoptions隐藏这些选项值，请参见Options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）

“psplotbestf”-绘制最佳目标函数值。

“psplotfuncount”-绘制函数计算次数。

“psplotmeshsize”-绘制网格大小。

“psplotbestx”-画出当前最好的点。

“psplotmaxconstr”-绘制最大非线性约束违背。

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

“psplotfuncount”-绘制函数计算次数。

“psplotmaxconstr”-绘制最大非线性约束违背。

“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。适用于三维或更小的维度。

“psplotspread”-绘制价差度量。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2N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，则模式由以下六个向量组成。

的“GSSPositiveBasis2N”模式类似于“GPSPositiveBasis2N”，但调整基向量以考虑线性约束。“GSSPositiveBasis2N”比“GPSPositiveBasis2N”当电流点接近线性约束边界时。

的“MADSPositiveBasis2N”模式由2个组成N随机生成向量，其中N为目标函数的自变量个数。这是通过随机生成来完成的N构成线性无关集合的向量，然后用第一个集合和这个集合的负数得到2N向量。如上所示“GPSPositiveBasis2N”模式是使用线性独立恒等式的正负组成的，然而，与“MADSPositiveBasis2N”，模式是使用随机排列生成的N——- - - - - -N线性无关的下三角矩阵，在每次迭代中再生。

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独立变量，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”比“GPSPositiveBasisNp1”当电流点接近线性约束边界时。

的“MADSPositiveBasisNp1”模式由N个随机生成的向量组成正基，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N加上1个随机生成的向量。每次迭代生成一个新模式“MADSPositiveBasisNp1”被选中。

为paretosearch只是,默认“GSSPositiveBasis2Np2”模式使用GSS2 n模式，并使用(1 1…１］和(1 1…1]模式。

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，并在下一次迭代时选择目标函数值最小的点作为当前点。

如果你设置UseCompletePoll来假，当算法找到一个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一次迭代的当前点。

为paretosearch只有,MinPollFraction选项指定在轮询期间调查的轮询方向的百分比，而不是二进制值UseCompletePoll．要指定完整的轮询，请设置MinPollFraction来1．若要指定民调一旦找到一个可以改进所有目标函数的点就停止，请设置MinPollFraction来0．

“连续”(默认)-算法轮询网格点连续顺序，即模式向量的顺序如中所述调查方法．

“随机”—轮询顺序为随机。

“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优点的方向。在第一个点之后，算法以相同的顺序轮询网格点“连续”．

［］，不指定搜索步骤。

任何内置的轮询算法:“GPSPositiveBasis2N”，“GPSPositiveBasisNp1”，“GSSPositiveBasis2N”，“GSSPositiveBasisNp1”，“MADSPositiveBasis2N”,或“MADSPositiveBasisNp1”．

“searchga”指定使用遗传算法的搜索。你可以使用两个额外的参数修改遗传算法搜索:

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

“searchlhs”指定一个拉丁超立方体搜索。patternsearch生成搜索的每个点，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为点数。)这个收益率k点，每个分量接近均匀间隔。结果点被缩放到适合任何边界。拉丁超立方使用的默认边界－１和1．

的设置决定了搜索的执行方式UseCompleteSearch选择。

你可以使用两个额外的参数来修改拉丁超立方体搜索:

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

“searchneldermead”使用以下命令指定搜索fminsearch它使用的是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})

自定义允许您编写自己的搜索功能。

选择= optimoptions(‘patternsearch’,‘SearchFcn @myfun);

要查看可用于编写自己的搜索函数的模板，请输入

编辑searchfcntemplate

下面介绍搜索函数的结构。

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

MaxMeshSize指定网格的最大尺寸。当达到最大尺寸时，迭代成功后网格尺寸没有增加。MaxMeshSize必须为正标量，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使用的最大尺寸为1．

AccelerateMesh指定当网格大小较小时，是否MeshContractionFactor乘以0．5在每次不成功的迭代之后。AccelerateMesh可以有值真正的(用加速器)假(不使用加速器)，默认值。AccelerateMesh适用于GPS和GSS算法。

MeshRotate只适用于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选项在投票失败后。换句话说，在第一次不成功的轮询后使用小网格尺寸，而不是在方向上轮询e_我(单位积极方向)和-Σe_我，算法轮询方向-e_我和Σe_我．MeshRotate可以有值“关闭”或“上”(默认)。

ScaleMesh指定算法是否通过仔细将模式向量乘以与当前点(或者，对于无约束问题，初始点)分量绝对值的对数成比例的常数来缩放网格点。ScaleMesh可以有值假或真正的(默认)。当问题有等式约束时，ScaleMesh是禁用的。

MeshExpansionFactor指定在一次成功的轮询之后增加网格大小的因素。默认值为2．0，这意味着网格的大小乘以2．0投票成功后。MeshExpansionFactor必须为正标量，且仅在选择GPS或GSS方法作为Poll或Search方法时使用。麦斯使用一个MeshExpansionFactor的4．0．看到网孔的膨胀与收缩为更多的信息。

MeshContractionFactor指定在不成功的轮询之后减少网格大小的因素。默认值为0．5，这意味着网格的大小乘以0．5在一次不成功的投票之后。MeshContractionFactor必须为正标量，且仅在选择GPS或GSS方法作为Poll或Search方法时使用。麦斯使用一个MeshContractionFactor的0．25．看到网孔的膨胀与收缩为更多的信息。

InitialPenalty—非线性约束算法所使用的惩罚参数的初始值。InitialPenalty必须大于或等于1，默认值为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，默认值为One hundred.．

“最后一次”(default)—显示停止原因。

“关闭”或同等“没有”—无回显信息。

“通路”—每次迭代都会显示信息。

“诊断”—每次迭代都会显示信息。此外，诊断程序还列出了一些问题信息和从默认设置更改的选项。

Iter——迭代数

FunEval-函数计算的累计次数

MeshSize-当前的网格尺寸

FunVal-当前点的目标函数值

方法-当前投票的结果(没有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-最大非线性约束违背(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，因为它循环通过网格点。(这个假设UseParallel是其默认值假．）

UseVectorized是真正的，patternsearch一次调用网格中所有点的目标函数，也就是说，在对目标函数的一次调用中。

如果存在非线性约束，则目标函数和非线性约束都需要矢量化，以便算法以矢量化的方式进行计算。

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。