如果您正在使用优化应用程序，您可以通过从下拉列表中选择一个选项或在文本字段中输入该选项的值来指定选项。

如果您呼叫patternsearch在命令行中，指定通过创建一个选项选项使用函数的对象optimoptions,如下所示:

选择= optimoptions (‘patternsearch’,‘Param1 value1, Param2, value2,…);

看到设置选项为例子。

它的标签，因为它出现在优化应用程序

的字段名选项对象

调查方法为优化app中选项的标签。

PollMethod的相应字段选项对象。

最好的函数值('psplotbestf')绘制最佳目标函数值。

函数计算(“psplotfuncount”)绘制函数计算的次数。

网格尺寸(“psplotmeshsize”)绘制网格大小。

最佳点('psplotbestx')绘制当前的最佳点。

最大约束(“psplotmaxconstr”)绘制最大非线性约束违反。

自定义使您能够使用自己的绘图功能。要使用优化应用程序指定plot函数，

情节功能的结构描述绘图函数的结构。

“psplotdistance”-绘制距离度量。看到paretosearch算法。

“psplotmaxconstr”-绘制最大非线性约束违反。

“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。适用于三个或更小的维度。

'psplotspread'-绘制扩展度量。看到paretosearch算法。

“psplotvolume”- 画出量的度量。看到paretosearch算法。

默认模式patternsearch,GPS正基2N(“GPSPositiveBasis2N”)，包括以下2项N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GSS正基2N模式（“GSSPositiveBasis2N”） 类似于GPS正基2N，但调整基向量以考虑线性约束。GSS正基2N比更有效GPS正基2N当电流点在线性约束边界附近时。

的MADS正基2N模式（“MADSPositiveBasis2N”)由2个N随机生成的载体，其中N为目标函数的自变量个数。这是通过随机地生成完成N向量构成一个线性无关的集合，然后用这个集合和这个集合的负数得到2N向量。如上图所示GPS正基2N模式是利用线性无关恒等式的正与负而形成的MADS正基2N，模式是使用an的随机排列生成的N——- - - - - -N在每次迭代中重新生成的线性无关的下三角矩阵。

的GPS正基模式（“GPSPositiveBasisNp1”)包括下列各项N+ 1的向量。

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。

的GSS正基Np1模式（“GSSPositiveBasisNp1”） 类似于GPS正基，但调整基向量以考虑线性约束。GSS正基Np1比更有效GPS正基当电流点在线性约束边界附近时。

的MADS正基Np1模式（“MADSPositiveBasisNp1”）由N随机生成的矢量，以形成正的基础上，在那里N为目标函数的自变量个数。然后，又生成一个随机向量N+1个随机生成的向量。方法时，每个迭代生成一个新模式MADS正基础N + 1被选中。

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

如果你设置完成调查来上(真正)，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。

如果你设置完成调查来离(假)、默认值，一旦找到目标函数值小于当前值的点，算法就会停止轮询。然后算法在下一次迭代中将该点设置为当前点。

为paretosearch只有MinPollFraction选项指定在轮询期间调查的轮询方向的分数，而不是的二进制值UseCompletePoll。若要指定完整的轮询，请设置MinPollFraction来1。若要指定轮询在找到一个可以改进所有目标函数的点时立即停止，请设置MinPollFraction来0。

“随机”-轮询顺序是随机的。

'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佳点的方向。在第一个点之后，算法以相同的顺序轮询网格点连续。

“连续”-算法轮询网格点连续顺序，即，如在所描述的模式矢量的顺序调查方法。

没有一个([])(默认)不指定搜索步骤。

GPS正基2N(“GPSPositiveBasis2N”)

GPS正基(“GPSPositiveBasisNp1”)

GSS正基2N(“GSSPositiveBasis2N”)

GSS正基Np1(“GSSPositiveBasisNp1”)

MADS正基2N(“MADSPositiveBasis2N”)

MADS正基Np1(“MADSPositiveBasisNp1”)

遗传算法(“searchga”)指定使用遗传算法的搜索。如果您选择遗传算法，另外两个选项出现：

要更改默认值迭代限制和选项在命令行，使用语法

选项= optimoptions（ 'patternsearch'， 'SearchFcn'，... {@ searchga，iterlim，optionsGA}）

在哪里iterlim的值迭代限制和optionsGA是遗传算法的选项对象。如果您不指定任何searchga选项,然后searchga使用相同的UseParallel和UseVectorized选项设置patternsearch。

拉丁超立方('searchlhs')指定拉丁超多维数据集搜索。patternsearch为搜索生成每个点，如下所示。对于每个分量，取向量的随机排列(1、2、…,k)-兰特（1，k）的,除以k。(k是点数。)这个收益率k点，每个分量接近均匀间隔。然后对结果点进行缩放以适应任何边界。拉丁超立方使用默认边界-1和1。

执行搜索的方式取决于设置的完成搜索:

如果您选择拉丁超立方，另外两个选项出现：

要更改默认值迭代限制和设计水平在命令行，使用语法

options = optimoptions('patternsearch'，'SearchFcn'， {@searchlhs,iterlim,level})

在哪里iterlim的值迭代限制和水平的值设计水平。

Nelder-Mead('searchneldermead')指定使用的搜索fminsearch它使用了Nelder-Mead算法。如果您选择Nelder-Mead，另外两个选项出现：

要更改默认值迭代限制和选项在命令行，使用语法

选项= optimoptions（ 'patternsearch'， 'SearchFcn'，... {@ searchneldermead，iterlim，optionsNM}）

在哪里iterlim的值迭代限制和optionsNM是搜索函数的选项。

自定义使您能够编写自己的搜索功能。要使用优化应用指定搜索功能，

如果你使用patternsearch在命令行，set

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

下一节描述搜索函数的结构。

最初的处罚(InitialPenalty） - 指定用于由非线性约束算法的惩罚参数的初始值。最初的处罚必须大于或等于1，并有一个默认10。

惩罚因子(PenaltyFactor) -增加惩罚参数，当问题没有解决到所需的精度和约束不满足。惩罚因子必须大于1，并有一个默认100。

100 * numberOfVariables- 最大迭代次数是独立变量（默认值）的100倍的数量。

指定-最大迭代次数的正整数

2000 * numberOfVariables-函数计算的最大次数是自变量数的2000倍。

指定- 用于评价函数的最大数量的正整数

选择自定义函数。

输入@myfun在文本框中，其中myfun是函数的名称。写myfun与适当的语法。

若要在输出函数中传递额外的参数，请使用匿名函数(优化工具箱)。

对于多输出功能，输入输出功能的手柄的单元阵列：{@myfun1, @myfun2,…}。

离(“关闭”） - 不显示输出。

迭代(“通路”) -显示每个迭代的信息。

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

最后(“最后一次”) -显示停止的原因。

Iter——迭代数

FunEval-函数计算的累积次数

MeshSize-当前网格大小

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)。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-最大非线性约束违反(仅在指定非线性约束函数时显示)

离在优化应用

“最后一次”在使用以下方法创建的选项中optimoptions

当评估目标和约束函数(“UseVectorized”)是串行(假）patternsearch在遍历网格点时，每次在一个点上调用目标函数。(在命令行，假设是这样“UseParallel”是否为其默认值假。)

当评估目标和约束函数(“UseVectorized”)是矢量化(真正）patternsearch呼吁所有的网一次的点，即目标函数，在目标函数的单一调用。

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

有关详细信息和示例，请参见向量化目标和约束函数。

当评估目标和约束函数(“UseParallel”)是在平行下(真正）patternsearch使用您建立的并行环境并行地调用目标函数(参见如何在全局优化工具箱中使用并行处理)。在命令行，set“UseParallel”来假计算顺序。