fminsearch

这种fminsearch函数的优化针对了单纯形方法在处理高尺度平滑问题时的限制。当函数在较大尺度下平滑而在小尺度下粗糙时（例如，当参数范围为(-10, 10)时存在清晰的全局极值，但在(-0.1, 0.1)放大时存在多个局部极值），传统的fminsearch初始试验可能过于接近，不适合所有情况。优化包括引入DiffMinChange选项以限制收缩，添加两个新的初始化选项（usual_delta和zero_term_delta），以及针对带有两个参数情况的补丁（可能适用于三个参数）。调用示例：options = optimset('Display','iter', '诊断','开', 'TolFun',0.1, 'DiffMinChange',1, ...)

本研究探讨如何改善Nelder-Mead算法及其在fminsearch中的应用，特别关注提高收敛性的通用技巧。研究发现，通过本地重新启动Nelder-Mead算法，可以有效提升其在解决复杂问题中的表现，尤其是在达到给定准确度方面存在显著优势。此外，尽管fminsearch在简单平滑的二次目标函数上存在困难，但通过相同的本地重新启动策略可以部分解决这一问题。值得注意的是，尽管在实践中重新启动Nelder-Mead可能导致局部最优解，但这种方法仍显著改善了算法的整体性能。