中列出了一些选项斜斜体．这些选项不会出现在列表中优化选择返回。看看为什么优化选择隐藏这些选项值，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，模式搜索使用默认选项值。

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

'psplotbestf'- 绘制最佳的客观函数值。

“psplotfuncount”-绘制函数求值的数量。

'psplotmeshsize'-绘制网格大小。

“psplotbestx”-绘制当前最佳点。

'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。绘图函数的结构描述了自定义绘图功能的结构。将任何自定义函数传递为函数句柄。

“psplotfuncount”-绘制函数求值的数量。

'psplotmaxconstr'- 绘制最大非线性约束违规。

“psplotdistance”-绘制距离度量。看见帕累诗歌算法．

'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”- 绘制传播度量。看帕累诗歌算法．

“psplotvolume”-绘制体积度量。看帕累诗歌算法．

的默认模式模式搜索那'gpspositivebasis2n'，包括以下2Nvectors，哪里N是目标函数的独立变量的数量。

例如，如果优化问题有三个独立的变量，则该模式包括以下六个向量。

这'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。

这'madspositivebasis2n'模式由2部分组成N随机生成向量，其中N是目标函数的独立变量的数量。这是通过随机生成的N形成线性独立集的载体，然后使用这一组和该组的负面给出2N向量。如上图所示'gpspositivebasis2n'然而，使用线性独立的身份的正和阴性形成图案，但是'madspositivebasis2n'，则该图案是使用N-借-N在每次迭代时再生的线性独立的下三角矩阵。

这'gpspositivebasisnp1'模式包括以下内容N+1.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。

这“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。

这“MADSPositiveBasisNp1”模式由N个随机生成的向量组成正基，其中N是目标函数的独立变量的数量。然后，生成一个更随机向量，给予N+1随机生成的向量。每次迭代都会产生新的模式“MADSPositiveBasisNp1”被选中。

为帕累托研究只有，默认'gsspositivebasis2np2'模式使用GSS2N模式，并使用[1 1 ... 1]和[-1 -1 ... -1]模式。

如果你设置了USECOMPLETEPOLL.到真的，该算法在每次迭代中轮询网格中的所有点，并在下一次迭代中选择目标函数值最小的点作为当前点。

如果你设置了USECOMPLETEPOLL.到假，默认值，算法一旦找到目标函数值小于当前点的点，就会停止轮询。然后，算法将该点设置为下次迭代的当前点。

为帕累托研究只有,MinPollFraction选项指定在民意调查期间调查的轮询方向的分数，而不是二进制值USECOMPLETEPOLL.. 要指定完整的轮询，请设置MinPollFraction到1．指定轮询一旦找到改善所有客观函数的点，请尽快停止MinPollFraction到0.．

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

'随机的'-投票顺序是随机的。

'成功'- 每个迭代的第一个搜索方向是算法在前一个迭代中找到最佳点的方向。在第一点之后，算法以与其相同的顺序轮询网格点“连续”．

[]默认情况下，不指定搜索步骤。

任何内置轮询算法：'gpspositivebasis2n'那'gpspositivebasisnp1'那'gsspositivebasis2n'那“GSSPositiveBasisNp1”那'madspositivebasis2n'， 或者“MADSPositiveBasisNp1”．

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

选项=最佳选项(“patternsearch”那'searchfcn'那......{@searchga，iterlim，optionsGA}）

“searchlhs”指定拉丁式超级搜索。模式搜索生成搜索的每个点，如下所示。对于每个分量，对向量进行随机排列(1、2、…,k)减兰特(k)， 除以K.．（K.是点数。）这种收益率K.点，每个组件的间距几乎相等。然后缩放结果点以适应任何边界。拉丁超立方体使用的默认边界-1和1．

的设置决定了搜索的执行方式USECOMPLESESEARCH.选项

您可以使用两个附加参数修改Latin HyperCube搜索：

选项=最佳选项(“patternsearch”那'searchfcn'那......{@searchlhs iterlim,水平})

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

选项=最佳选项(“patternsearch”那'searchfcn'那......{@ searchneldermead，Iterlim，Optionsnm}）

风俗使您可以编写自己的搜索功能。

选项= Optimoptions（'patternsearch'，'searchfcn'，@ myfun）;

要查看可用于编写自己的搜索功能的模板，请输入

编辑searchfcntemplate

以下部分介绍了搜索功能的结构。

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，网格大小在成功迭代后不会增加。maxmeshsize.必须为正标量，并且仅在选择GPS或GSS算法作为轮询或搜索方法时使用。默认值为Inf．MADS使用的最大尺寸为1．

加速度计指定当网格大小为小时，meshcontractionfactor.乘以0.5在每次不成功的迭代之后。加速度计可以有值真的(用加速器)假(不使用加速器)，默认值。加速度计适用于GPS和GSS算法。

meshotate.仅适用于Pollmethod.是'gpspositivebasisnp1'或者“GSSPositiveBasisNp1”．meshotate.='在'指定当网格大小小于网格的1/100时，网格向量乘以–1meshtolerance.不成功轮询后的选项。换句话说，在第一次不成功的小网格轮询后，而不是在方向上轮询E._一世（单位正方向）和–∑E._一世，算法在方向上民意调查 -E._一世和σ.E._一世．meshotate.可以有值“关”或者'在'（默认值）。

Scalemesh.指定算法是否通过与当前点的组件的组件的绝对值的绝对值成比例的常量厘定图案向量来缩放网格点来缩放模式向量（或者对于初始点的未经判处问题）的绝对值成比例。Scalemesh.可以有值假或者真的（默认值）。当问题有等式约束时，Scalemesh.被禁用。

网格扩展因子指定成功轮询后网格大小增加的因素。默认值是2.0，这意味着网格的大小乘以2.0经过成功的民意调查。网格扩展因子必须为正标量，且仅在选择GPS或GSS方法作为Poll或Search方法时使用。麦斯使用一个网格扩展因子的4.0看见网格扩展和收缩想要查询更多的信息。

meshcontractionfactor.指定在不成功的轮询后，网格大小减少的因素。默认值是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看见网格扩展和收缩想要查询更多的信息。

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，并且有一个默认的10.．

惩罚因素-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。惩罚因素必须大于1，并且有一个默认的100.．

“决赛”（默认） - 显示停止的原因。

“关”或者等价物'没有任何'-不显示任何输出。

'iter'- 显示每个迭代的信息。

“诊断”- 显示每个迭代的信息。此外，诊断列出了一些问题信息和从默认值更改的选项。

Iter- 迭代号码

Funeval.- 累积函数评估数

网格尺寸- 当前网格尺寸

有趣的- 当前点的目标函数值

方法-当前轮询的结果（未指定非线性约束函数）。使用非线性约束函数，方法显示解决子问题后使用的更新方法。

最大限制- 最大非线性约束违规（仅在指定非线性约束函数时显示）

什么时候使用vectorized是假那模式搜索在目标函数循环通过网格点时，每次调用一个点上的目标函数。（这假设UseParallel处于默认值假．）

使用vectorized是真的那模式搜索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。

有关详细信息和示例，请参见矢量化目标和约束函数．

什么时候UseParallel是真的那模式搜索使用您建立的并行环境调用目标函数（参见如何在全局优化工具箱中使用并行处理)。在命令行中，设置“UseParallel”到假串行计算。