改善Nelder-Mead（以及fminsearch）的收敛性：这突出了提高NM收敛性的（通用）技巧，也是fminsearch中...

这个简单的基准测试的目的是说明在本地重新启动 Nelder-Mead 的兴趣，从找到的最后一个解决方案，直到没有达到任何改进（达到给定的准确度）。 此外，它表明 fminsearch 在最小化所使用的最简单、平滑的二次目标函数方面存在很大困难。 但是在本地重新启动它可以纠正这一点。 另一方面，Nelder-Mead 的 Nick Higham 实现效果很好，并且通过在本地重新启动它也进一步提高了达到的准确性。 请注意，fminsearch 在其他问题上的表现仍可能优于 nmsmax。 无论如何，从理论上讲，在直接搜索方法中，甚至都不应该使用重启的NM，而应该使用MADS（请参阅http://www.gerad.ca/nomad/Project/Home.html及其引用），即使在非平滑克拉克次微分目标函数。 重新启动的 NM 在实践中也将导致局部最优解，尽管这在理论上并不能保证。 它可