中列出了一些选项斜体．这些选项不会出现在列表中optimoptions返回。看看为什么'optimoptions隐藏这些选项值，请参阅Options隐藏的选项．

确保您将选项传递给求解器。除此以外，patternsearch使用默认选项值。

[x，fval] = patternsearch（fun，x0，a，b，aeq，beq，lb，Ub，nonlcon，选项）

'psplotbestf'- 绘制最佳的客观函数值。

“psplotfuncount”- 绘制功能评估的数量。

'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规。

您还可以创建和使用自己的绘图功能。绘图功能的结构描述自定义绘图功能的结构。将任何自定义功能传递为函数句柄。

“psplotfuncount”- 绘制功能评估的数量。

“psplotmaxconstr”- 绘制最大非线性约束违规。

“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”- 绘制参数空间中的当前点。适用于三个或更少的维度。

“psplotspread”-绘制价差度量。看到paretosearch算法．

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

默认模式patternsearch，“GPSPositiveBasis2N”，由以下2Nvectors，哪里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随机生成的向量，在哪里N为目标函数的自变量个数。这是通过随机生成的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2Nvectors。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-经过-N在每次迭代时重新生成线性独立的下三角矩阵。

的'gpspositivebasisnp1'模式包括以下内容N+ 1个向量。

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GSS2n.模式，并使用(1 1…１］和[-1 -1 ... -1]模式。

如果你设置UseCompletePoll到真的，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到假，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到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到0．

“连续”(默认)-算法轮询网格点连续订购，即，如上所述的模式向量的顺序调查方法．

“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”， 或者“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)减兰特(k)， 除以k．（k是点数。）这种收益率k点，每个组件接近均匀间隔。然后缩放所得到的点以适合任何界限。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选项。

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”指定搜索使用fminsearch.，使用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})

自定义使您可以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.

以下部分描述了搜索功能的结构。

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必须是正标量。默认为1.0．

MaxMeshSize指定网格的最大大小。当达到最大大小时，成功迭代后网状尺寸不会增加。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在每个不成功的迭代之后。AccelerateMesh可以有值真的（使用加速器）或假(不使用加速器)，默认值。AccelerateMesh适用于GPS和GSS算法。

meshotate.只适用于PollMethod是'gpspositivebasisnp1'或者“GSSPositiveBasisNp1”．meshotate.＝“上”指定当网格大小小于的1/100时，网格向量乘以-1MeshTolerance失投后的选项。换句话说，在第一个失败的轮询与小网状尺寸，而不是在方向上投票e_我（单位正面）和-Σe_我，算法轮询方向-e_我和Σe_我．meshotate.可以有值'离开'或者“上”（默认值）。

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可以有值假或者真的（默认值）。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，并有一个默认的10.．

罚款-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。罚款必须大于1，并有一个默认的100.．

“最后一次”（默认） - 显示停止的原因。

“关闭”或同等“没有”- 没有显示输出。

“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- 当前轮询的结果（没有指定非线性约束函数）。具有非线性约束函数，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当它通过网格点时，一次呼叫目标函数。（这假设UseParallel是其默认值假．）

UseVectorized是真的，patternsearch在网格中的所有点上调用目标函数，即，在单个呼叫对象函数中。

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。

有关详细信息和示例，请参阅向量化目标函数和约束函数．

当UseParallel是真的，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”到假串行计算。