非线性编程（NP）涉及最小化或最大化受约束约束，线性约束或非线性约束的非线性物镜函数，其中约束可以是不等式或相等的。工程中的示例问题包括分析设计权衡，选择最佳设计，计算最佳轨迹和投资组合优化计算金融中的模型校准。
不受约束的非线性编程是查找载体\（x \）的数学问题，它是非线性标量函数\（f（x）\）的局部最小值。无约束意味着没有限制\（X \）的范围
\ [\ min_x f（x）\]
以下算法通常用于无约束的非线性编程：
- Quasi-Newton：使用混合的二次和立方线搜索程序和Broyden-Fletcher-Goldfarb-Shanno（BFGS）公式来更新Hessian矩阵的近似值
- Nelder-Mead：使用仅使用功能值的直接搜索算法（不需要衍生物）并处理非光滑目标函数
- 信任区域：用于无限制的非线性优化问题，对于可以利用稀疏性或结构的大规模问题特别有用
约束的非线性编程是找到传染媒介\（x \）的数学问题，该载体\（x \）最小化受到一个或多个约束的非线性函数\（f（x）\）。
解决受限的非线性编程问题的算法包括：
- 内部点：对于具有稀疏性或结构的大规模非线性优化问题特别有用
- 顺序二次编程（SQP）：解决所有迭代的一般非线性问题和荣誉界限
- 信任区域反思：解决束缚约束的非线性优化问题或仅限线性等分
