详细解释这段代码while (stepmax-stepmin)>option.goldensearch_deltmax*(abs(deltmax)) && stepmax > eps stepmedr = stepmin+(stepmax-stepmin)/gold; stepmedl = stepmin+(stepmedr-stepmin)/gold; [costmedr, S1] = costgraph(KH,stepmedr,desc,SigmaNew); [costmedl, S2] = costgraph(KH,stepmedl,desc,SigmaNew); Step = [stepmin stepmedl stepmedr stepmax]; Cost = [costmin costmedl costmedr costmax]; [val,coord] = min(Cost); switch coord case 1 stepmax = stepmedl; costmax = costmedl; S = S2; case 2 stepmax = stepmedr; costmax = costmedr; S = S2; case 3 stepmin = stepmedl; costmin = costmedl; S = S2; case 4 stepmin = stepmedr; costmin = costmedr; S = S1; end

这段代码实现了一个黄金分割搜索算法，目的是找到使得一个代价函数最小的输入参数。具体来说，算法通过不断缩小输入参数的搜索范围，并在每一步上计算代价函数的值，最终找到代价函数最小的输入参数。

具体实现步骤如下：

1. 首先初始化搜索步长的最小值和最大值，以及代价函数在这两个步长上的值。
2. 然后在搜索步长范围内选择两个中点，计算这两个中点上代价函数的值。
3. 将这四个点的步长和代价值记录在两个向量 Step 和 Cost 中。
4. 找到代价函数值最小的点，记录其位置。
5. 根据最小代价点的位置，更新搜索范围和代价函数值，并记录当前最优解。

该算法的停止条件为：搜索步长的最大值与最小值之差小于一定的阈值或者搜索步长的最大值小于一个阈值。这些条件保证了搜索的精度和效率。

总的来说，这段代码实现了一个经典的优化算法，可以用于优化各种不同的代价函数。