MATLAB局部搜索算法

MATLAB中的局部搜索算法通常用于优化问题，特别是未标定函数的情况，例如最小化或最大化某个目标函数。这类算法主要包括梯度下降法（Gradient Descent）、牛顿法（Newton's Method）、拟牛顿法（如BFGS或L-BFGS）等。

1. **梯度下降法**：通过沿着函数梯度的反方向迭代，每次更新步长使得函数值减小。它简单易懂，但对于非凸函数可能会陷入局部最优解。

2. **牛顿法**：利用二阶导数信息（Hessian矩阵），计算出每个点的最佳切线方向，并沿此方向前进。如果Hessian可用，牛顿法收敛速度快，但如果计算量大且需要精确的Hessian估计，效率可能受限。

3. **拟牛顿法**：比如Broyden-Fletcher-Goldfarb-Shanno (BFGS) 或 Limited-memory BFGS (L-BFGS)，它们不需要直接求解Hessian，而是通过构建一个近似的Hessian来估计下一步方向，适合大型数据集。

使用MATLAB进行局部搜索，可以调用内置的`fminunc`、`fminsearch`或`optimoptions`等函数，配合自定义的优化函数以及设置合适的搜索参数（如学习率、最大迭代次数等）。