美丽说流量分析 SEO不会死
总结一下美丽说这种大淘客站的用户群，主要分布在：
1、QQ(QQ空间、朋友、腾讯微博);
2、淘宝(天猫);
3、新浪微博;
4、百度;
我们知道Alexa流量算法来源于浏览器上的工具栏，从上图可以看出美丽说的流量导入导出大致比例和范围。上图是今日(2012-07-30)的数据，较卢松松文章中数据相比，百度的来路2012-4-6日的16.38%下降到13.51%。下面主要从SEO的角度分析一下百度来路流量。
第一步，选择一个工具查询百度来路预估流量。这里选择爱站。
大家知道流量预估工具有很多，但陶醉测试，chinaz、qucha对网站本身流量预估要偏高很多。
我们挑出美丽说的品牌关键词如下：
美丽说72104
美丽说首页11120
milishuo 1527
美丽1086
美丽说网站943
美丽说官网521
美丽说团购483
美丽说网站首页259
美丽网257
美丽说白菜帮200
美丽一起团100
第二步，流量预算数据处理：(这里仅以百度为例)
品牌词总搜索指数=72104+11120+...+100=88619
品牌词总来路流量=品牌词总搜索指数*40%=88619*40%=35447UV [说明，以品牌关键词搜索指数的40%作为真实流入网站计算]
百度总来路流量=167287*80%=133829UV
[说明，选择爱站最低流量估值，再按80%真实流入到网站计算]
那么，品牌词占百度来路比重=品牌词总来路流量/百度总来路流量=26%根据alexa，百度占13.51%，减少2%算，美丽说整站UV预估=1162719UV [说明，这里为什么要减少2%，陶醉根据个站流量指标计算，发现这个值会偏高。]说明：以上流量计算百分比，仅仅是陶醉研究个站得出，只是估算值。
面是网站流量分析
第一、搜索引擎优化SEO大环境
新站不易获得较大流量，指正常运营1年以内的网站。要想从百度里获取大量流量，靠过去的SEO技术已经十分困难。
第二、美丽说网站用户群走向
美丽说用户群的共性：无聊，有时间闲逛，喜欢新鲜的事物;
这部分用户群大多为女性，喜欢上网习惯穿梭与美丽说、蘑菇节、淘宝、天猫、QQ空间、新浪微博、腾讯微博。
第三、美丽说流量来源渠道分布
1、基于搜索引擎，以百度为例占13.51%;
其中26%的来路归于品牌关键词
的流量，所以SEO真正流量是剩下的74%(99033UV);为什么这么说?
对于SEO人员来说，网站的品牌关键词流量以及品牌关键词长尾流量是最容易获得的。但是SEO人员通常不能控制这些流量的增长，陶醉认为获得品牌关键词流量不可缺的几块：
1、产品设计紧扣品牌词;
2、网络推广紧扣品牌词;
如：美丽说团购483、美丽说白菜帮200。
3、产品口碑好，朋友与朋友之间传播;
4、产品的用户粘性高，主动去寻
找;
上诉前两条属于产品设计优化和网络推广优化，属于基础工程;后两条属于口碑营销优化和用户体验优化;
2、对于微博渠道流量，陶醉研究较少就不多说，主要有两点：
第一、修bug，缩短沟通链，快速获取用户反馈以改进产品用户体验。
第二、圈人，每天都有精选的新鲜宝贝，引流到网站;
结合小活动、小优惠让微博渠道用户主动传播，通过转发、再次传播引流到网站;实则是提高相关用户群的参与度，加大口碑传播力度。
回过头再来看SEO
看SEO人员：几个可以操控SEO 的阶段：堆积关键词、批量群发锚文本、内容伪原创，进一步升级：关键词密度、锚文本相关性、链接质量、内容更新频率、内容原创度、高权重域名等等。这些都已经被站长发现，并被肆意传播，这些因素慢慢失去价值。
看百度：百度算法的变化与网民习性、网站的发展高度相关。国内网民数量在增多，上网习惯在发生变化，一直占主导地位的网址导航、搜索引擎份额都逐渐下降，每当时下走红一个产品都会分摊一定份额流量入口，从开心网、
人人网，到返利、团购，再到微博。
看谷歌：Google早已经开始搜集社交用户行为，facebook、twitter、google+，用户在这些渠道的行为慢慢影响这搜索结果。
最近有人说微博已死、SEO已死，陶醉相信无论多么微观的经济环境都有人赚，微博没有死、SEO没有死，竞争不断加剧，历史的方法越来越不容易生存，死的是过去的方法、被老师传授的方法。
搜索引擎不会死，SEO就不会死。即使搜索引擎死了，淘宝不会死，依然需要SEO。
需要思考的是，搜索引擎的算法会怎样变，未来SEO该如何做，我们都会得到什么。陶醉觉得虽然国内社交较国外相比未成熟，百度的部分变化依然会追随谷歌，未来社交的力量会影响部分搜索结果。旧的SEO方法并不会瞬间彻底灭绝，完全改变至少需要超过1年的时间。欢迎讨论，陶醉QQ822276728 原文地址：/seo-422.l
噗吃购https://www.wendangku.net/doc/915828175.html, H6M9
无约束优化方法程序
无约束优化方法---鲍威尔方法 本实验用鲍威尔方法求函数f(x)=(x1-5)2+(x2-6)2 的最优解。 一、简述鲍威尔法的基本原理 从任选的初始点x⑴o出发，先按坐标轮换法的搜索方向依次沿e1.e2.e3进行一维搜索，得各自方向的一维极小点x⑴ x⑵ x⑶.连接初始点xo⑴和最末一个一维极小点x3⑴,产生一个新的矢量 S1=x3⑴-xo⑴ 再沿此方向作一维搜索，得该方向上的一维极小点x⑴. 从xo⑴出发知道获得x⑴点的搜索过程称为一环。S1是该环中产生的一个新方向，称为新生方向。 接着，以第一环迭代的终点x⑴作为第二环迭代的起点xo⑵,即 Xo⑵←x⑴ 弃去第一环方向组中的第一个方向e1，将第一环新生方向S1补在最后，构成第二环的基本搜索方向组e2,e3,S1，依次沿这些方向求得一维极小点x1⑵,x2⑵,x3⑵.连接 Xo⑵与x3⑵,又得第二环的新生方向 S2=x3⑵-xo⑵ 沿S2作一维搜索所得的极小点x⑵即为第二环的最终迭代点 二、鲍威尔法的程序 #include "stdafx.h" /* 文件包含*/ #include
#include
matlab 无约束优化问题
实验八 无约束优化问题 一.实验目的 掌握应用matlab 求解无约束最优化问题的方法 二.实验原理及方法 1：标准形式： 元函数 为其中n R R f X f n R x n →∈:) (min 2．无约束优化问题的基本算法一．最速下降法（共轭梯度法）算法步骤：⑴ 给定初始点 n E X ∈0，允许误差0>ε,令k=0； ⑵ 计算() k X f ?； ⑶ 检验是否满足收敛性的判别准则： () ε≤?k X f ， 若满足，则停止迭代，得点k X X ≈*，否则进行⑷； ⑷ 令() k k X f S -?=，从k X 出发，沿k S 进行一维搜索， 即求k λ使得： ()() k k k k k S X f S X f λλλ+=+≥0 min ； ⑸ 令k k k k S X X λ+=+1，k=k+1返回⑵. 最速下降法是一种最基本的算法，它在最优化方法中占有重要地位.最速下降法的优点是工作量小，存储变量较少,初始点要求不高；缺点是收敛慢，最速下降法适用于寻优过程的前期迭代或作为间插步骤，当接近极值点时，宜选用别种收敛快的算法.．牛顿法算法步骤： (1) 选定初始点n E X ∈0，给定允许误差0>ε，令k=0； (2) 求()k X f ?,()() 1 2-?k X f ,检验：若() ε
优化设计有约束优化无约束优化
目录 1.多维有约束优化错误!未定义书签。 题目错误!未定义书签。 已知条件错误!未定义书签。 建立优化模型错误!未定义书签。 问题分析及设计变量的确定错误!未定义书签。 目标函数的确定错误!未定义书签。 约束条件的建立错误!未定义书签。 优化方法的选择错误!未定义书签。 数学模型的求解错误!未定义书签。 确定数学优化模型错误!未定义书签。 运用Matlab优化工具箱对数学模型求解错误!未定义书签。 1. 最优解以及结果分析错误!未定义书签。 2.多维无约束优化错误!未定义书签。 题目错误!未定义书签。 确定优化设计模型错误!未定义书签。 运用Matlab优化工具箱对数学模型求解错误!未定义书签。 编写目标函数错误!未定义书签。 绘制该函数的平面和空间等值线错误!未定义书签。 利用matlab工具箱fminunc函数对该模型进行求解错误!未定义书签。求解结果错误!未定义书签。
1.多维有约束优化 题目 对一对单级圆柱齿轮减速器，以体积最小为目标进行多维有约束优化设计。 已知条件 已知数输入功p=58kw ，输入转速n1=1000r/min ，齿数比u=5，齿轮的许用应力[δ]H=550Mpa ，许用弯曲应力[δ]F=400Mpa 。 建立优化模型 1.3.1问题分析及设计变量的确定 由已知条件得求在满足零件刚度和强度条件下，使减速器体积最小的各项设计参数。由于齿轮和轴的尺寸（即壳体内的零件）是决定减速器体积的依据，故可按它们的体积之和最小的原则建立目标函数。 单机圆柱齿轮减速器的齿轮和轴的体积可近似的表示为： ] 3228)6.110(05.005.2)10(8.0[25.087)(25.0))((25.0)(25.0)(25.02221222122212222122121222 21222120222222222121z z z z z z z z z z z g g z z d d l d d m u mz b bd m u mz b b d b u z m b d b z m d d d d l c d d D c b d d b d d b v +++---+---+-=++++- ----+-=πππππππ 式中符号意义由结构图给出，其计算公式为 b c d m umz d d d m umz D mz d mz d z z g g 2.0) 6.110(25.0,6.110,21022122211=--==-=== 由上式知，齿数比给定之后，体积取决于b 、z 1 、m 、l 、d z1 和d z2 六个参数，则设计变量可取为 T z z T d d l m z b x x x x x x x ][][21 1 65 4321== 1.3.2目标函数的确定 根据以上分析，可知，该齿轮减速器以体积最小的目标函数为： min )32286.18.092.0858575.4(785398.0)(26252624252463163212 51261231232123221→++++-+-+-+=x x x x x x x x x x x x x x x x x x x x x x x x x x f 1.3.3 约束条件的建立 (1)为避免发生根切，应有min z z ≥17=，得 017)(21≤-=x x g (2)齿宽应满足 max min ??≤≤ d b ，min ?和max ?为齿宽系数d ?的最大值和最小值，一般取min ?=，
无约束优化
实验9 无约束优化 一、实验目的 1、了解无约束优化的基本算法； 2、掌握Matlab优化工具箱的基本用法； 3、掌握用Matlab求解无约束优化实际问题。 二、实验要求 能够掌握Matlab优化工具箱中fminunc，fminsearch，lsqnonlin，lsqcurvefit 的基本用法，能够对控制参数进行设置，能够对不同算法进行选择和比较。 [x,fv,ef.out,grad,hess]=fminunc(@f,x0,opt,P1,P2,…) [x,fv,ef.out,]=fminsearch(@f,x0,opt,P1,P2,…) [x,norm,res,ef,out,lam,jac]=lsqnonlin(@F,x0,v1,v2,opt,P1,P2,…) [x,norm,res,ef,out,lam,jac]=lsqcurvefit(@F,x0,t,y,opt,P1,P2,…) fminunc为无约束优化提供了大型优化和中型优化算法.由options中的参数LargeScale控制： LargeScale=’on’(默认值),使用大型算法 LargeScale=’off’,使用中型算法 fminunc为中型优化算法的搜索方向提供了3种算法，由options中的参数HessUpdate控制： HessUpdate=’bfgs’（默认值），拟牛顿法的BFGS公式；
HessUpdate=’dfp ’，拟牛顿法的DFP 公式； HessUpdate=’steepdesc ’，最速下降法 fminunc 为中型优化算法的步长一维搜索提供了两种算法，由options 中参数LineSearchType 控制： LineSearchType=’quadcubic ’(缺省值)，混合的二次和三 次多项式插值； LineSearchType=’cubicpoly ’，三次多项式插 搜索步长的算法选择（lsqnonlin ，lsqcurvefit ） LevenbergMarquardt = ‘off ’ (GN 法) LevenbergMarquardt = ‘on ’ (LM 法，缺省值) 例 ()=++++122 12122min (42421)x f X x x x x x e 1、编写M-文件 fun1.m: function f = fun1 (x) f = exp(x(1))*(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1); 2、输入M 文件myprg3.m 如下: x0 = [-1, 1]; x=fminunc('fun1',x0) y=fun1(x) 三、实验内容
无约束优化算法：单纯形法
单纯形法 1. 算法原理 单纯形法的基本思想是： 设(0)(1)(),,...,n x x x 是n R 中的1n +个点，构成一个当前的单纯形，max min ,x x 定义如下： {}(0)(1)()max ()max (),(),...,()n f x f x f x f x = {}(0)(1)()min ()min (),(),...,()n f x f x f x f x = 记x 为这个单纯形除去max x 外的所有顶点的形心， ()max 01n i i x x x n =??=- ??? ∑ 取max x 关于x 的反射点(1)n x +，(1)max ()n x x x x +=+-构成新的单纯形，反复上述过程，直到达到停止条件。 2. 函数min f search 1） 函数语法 min (,0)x f search fun x = min (,0,) [,]min (...) [,,]min (...) [,,,]min (...) x f search fun x options x fval f search x fval exitflag f search x fval exitflag output f search ==== 函数输入： fun ：目标函数 0x ：迭代初始点 options ：函数参数设置 函数输出： x ：最优点 fval ：最优点对应的函数值 exitflag ：函数停止信息 1：函数收敛正常停止 0：迭代次数，目标函数计算次数达到最大数 -1：算法被输出函数停止 output ：函数运算信息
2）函数使用 BanaFun m （1）目标函数程序. function f BanaFun x =不含导数解析式 ()() f x x x =-+- 100*((2)(1)^2)^2(1(1))^2 -函数不需要导数信息。 Nelder Mead Simplex SimplexUnc m （2）算法参数设置：. ('arg','','','','',250,'','') = options optimset L eScale off gradobj off MaxFunEvals display iter SimplexUnc m （3）函数调用运算：. = ('arg','','','','',250,'','') options optimset L eScale off gradobj on MaxFunEvals display iter x=- [ 1.9,2] x fval exitflag output f search BanaFun x options = [,,,]min(@,,) 3）计算结果 Iteration Func-count min f(x) Procedure 0 1 267.62 1 3 236.4 2 initial simplex 2 5 67.2672 expand 3 7 12.2776 expand 4 8 12.2776 reflect 5 10 12.277 6 contract inside 6 12 6.76772 contract inside 7 13 6.76772 reflect 8 15 6.76772 contract inside 9 17 6.76772 contract outside 10 19 6.62983 contract inside 11 21 6.55249 contract inside 12 23 6.46084 contract inside 13 24 6.46084 reflect 14 26 6.46084 contract inside 15 28 6.45544 contract outside 16 30 6.42801 expand 17 32 6.40994 expand 18 34 6.32449 expand 19 36 6.28548 expand 20 38 6.00458 expand 21 39 6.00458 reflect 22 41 5.43287 expand
第三章 无约束最优化方法
第三章无约束最优化方法 本章内容及教学安排 第一节概述 第二节迭代终止原则 第三节常用的一维搜索方法 第四节梯度法 第五节牛顿法 第六节共轭方向法 第七节变尺度法 第八节坐标轮换法 第九节鲍威尔方法 第一节概述 优化问题可分为 无约束优化问题 有约束优化问题 无约束最优化问题求解基于古典极值理论的一种数值迭代方法，主要用来求解非线性规划问题 迭代法的基本思想：
所以迭代法要解决三个问题 1、如何选择搜索方向 2、如何确定步长
3、如何确定最优点（终止迭代） 第二节 迭代终止准则 1）1K K X X ε+-≤ 111/2 21K K K K n i i i X X X X ε++=??-=-≤???? ∑（） 2） 11()()()() () K K K K K f X f X f X f X or f X ε ε ++-≤-≤ 3）(1)()K f X ε+?≤ 第三节 常用的一维搜索方法 本节主要解决的是如何确定最优步长的问题。 从初始点(0)X 出发，以一定的步长沿某一个方向，可以找到一个新的迭代点，其公式如下： (1)(0)00(2)(1)11(1)() K K k k X X S X X S X X S ααα+=+=+= + 现在假设K S 已经确定，需要确定的是步长k α，就把求多维目标函数的极小值这个多维算过程中，当起步点和方向问题，变成求一个变量即步长的最优值的一维问题了。即 (1)()min ()min ()min ()K K K k k f X f X S f αα+=+= 由此可见，最佳步长*K α由一维搜索方法来确定 求*k α，使得()()()()()()min K K K K f f X S αα=+→ 一、一维搜索区间的确定 区间[,]a b 应满足 ()(*)()f a f f b α><
单纯形法解决无约束优化问题
分数: ___________ 任课教师签字：___________ 课程作业 学年学期：2017——2018学年第二学期 课程名称：优化理论 作业名称：作业三 学生姓名： 学号： 提交时间：
一、问题重述 形如的min (x),x R n f ∈问题称为无约束优化问题，常用下降算法来解决这类问题。下降算法的关键在于步长和搜索方向的选取。步长的求取可以借助前面作业中提到的一维搜索等方法求取，而搜索方向算法可以分为两大类，解析法和直接法。 解析法借助了目标函数的导数进行搜索，这类算法搜索速度快、效率高，但是对目标函数的要求更为严格。常用的方法有最速下降法、Newton 法、共轭梯度法、拟Newton 法等。 直接法不使用导数，也不需要得到目标函数的明确解析式，只需要能够得到某些函数上的点即可。因此直接法的适用范围更广，但相应的收敛速度会较慢，计算量也会随着问题维数的增加而迅速增大。常用的方法有单纯形法、Powell 方向加速法以及Powell 改进算法。 本作业以直接法的Powell 法为例，解决具体的无约束优化问题，并对将Powell 方向加速法和Powell 改进算法解决结果进行对比。 二、算法原理 对于n 维正定二次函数(x)0.5T T f x Gx b x c =++，设011,,...(k n)k p p p -<关于G 共轭，0x 与1x 为任意不同点。分别从0x 与1x 出发，依次沿011,,...k p p p -作一维搜索。如果最后找到两个互不相同的极小点x a 与x b ，则x b a x -与011,,...k p p p -关于G 共轭。 Powell 方向加速法正是基于这一原理，每次迭代过程作n+1次一维搜索。第一次沿给定的n 个线性无关的方向011,,...n p p p -依次作一维搜索，之后沿由这一阶段的起点到第n 次搜索所得到的点的方向P 再做一次一维搜索，并把这次所得点作为下一阶段的起点，下一阶段的n 个搜索方向为011,,...,n p p p p -。以此直到找到最优解。 此算法是在迭代中逐次生成共轭方向，而共轭方向又是较好的搜索方向，所以称之为方向加速法。但是，此算法产生的n 个向量可能线性或近似线性相关，这时张不成n 维空间，可能得不到真正的极小点。因此，Powell 原始算法存在一定的缺陷。 Powell 改进算法虽然不再具有二次终止性，但克服了搜索方向的线性相关的不利情形，是解决无约束优化问题较有效的直接法之一。 本次作业一维搜索的过程是利用函数求导，求得最小值。经过试验发现，α是允许为负数的。否则最终寻优得到的极值点与实际结果存在很大的偏差，
无约束优化与约束优化
淮海工学院实验报告书 课程名称：数学实验 实验名称：无约束优化与约束优化 班级数学091 姓名：耿萍学号：090911107 日期：2012.5.18 地点数学实验室 指导教师：曹卫平成绩： 数理科学系
1.实验目的： （1）学习建立最优化数学模型，并通过MATLAB求解。 （2）掌握MATLAB优化工具箱的基本用法，对不同算法进行初步分析、比较。 （3）练习实际问题的非线性最小二乘拟合。 （4）掌握用MATLAB优化工具包解线性规划和非线性规划。（5）练习建立实际问题的线性规划和非线性规划模型。 2.实验内容： （1）某工厂生产甲乙两种产品，一件甲用A原料1公斤，B原料5公斤；一件已用A原料2公斤，B原料4公斤。现有A原料20公斤，B 原料70公斤。甲乙产品每件售价分别为20元和30元。问如何安排生产使收入最大？当A原料或B原料，以每公斤2元买进B原料。问如何安排计划使收入最大？当A原料或B原料增加1公斤时对收入影响多大。又若可用有限资金以每公斤6元买进A原料，以每公斤2元买进原料。问如何安排计划使利润最大？解释得到的结果。 （2）炼油厂将A,B,C三种原油加工成甲乙丙三种汽油。一桶原油加工成一桶汽油的费用为4元，每天至多能加工汽油14000桶。原油的买入价、买入量、辛烷值、硫含量，及汽油的卖入价、需求量、辛烷值、硫含量由下表给出。问如何安排生产计划，在满足需求的条件下使利润最大？ 一般来说，做广告可以增加销售，估计一天向一种汽油投入一元广告费，可以使这种汽油日销售量增加10桶。问如何安排生产和广告计划
使利润最大化？ 原油类别买入价（元/桶）买入量（桶/天）辛烷值（%）硫含量（%） A 45 <=5000 12 0.5 B 35 <=5000 6 2.0 C 25 <=5000 8 3.0 汽油类别卖出价（元/桶）需求量（桶/天）辛烷值（%）硫含量（%） 甲70 3000 >=10 <=1.0 乙60 2000 >=8 <=2.0 丙50 1000 >=6 <=1.0 （3）根据实验1表2中给出的美国人口数据，用非线性最小二乘法拟合阻滞增长模型中的参数，注意只拟合2个参数r，xm，与拟合3个参数r，xm，x0有何区别，并与实验1用线性最小二乘法拟合的结果进行比较。 （4）《中国统计年鉴》给出表8所示数据，试据此拟合生产函数中的参数，如何看待用最小二乘和非线性最小二乘拟合的结果。 表 8 年份总产值(万亿元) 资金(万亿元) 劳动力(亿人) 1980 0.4518 0.0911 4.2361 1981 0.4862 0.0961 4.3725 1982 0.5295 0.1230 4.5295 1983 0.5934 0.1430 4.6436 1984 0.7171 0.1860 4.8179 1985 0.8964 0.2543 4.9873 1986 1.0202 0.3121 5.1282 1987 1.1963 0.3792 5.2783
单纯形法解决无约束优化问题
分数: ___________任课教师签字：___________ 课程作业 学年学期：2017——2018学年第二学期 课程名称：优化理论 作业名称：作业三 学生姓名： 学号： 提交时间：
一、问题重述 形如的min (x),x R n f ∈问题称为无约束优化问题，常用下降算法来解决这类问题。下降算法的关键在于步长和搜索方向的选取。步长的求取可以借助前面作业中提到的一维搜索等方法求取，而搜索方向算法可以分为两大类，解析法和直接法。 解析法借助了目标函数的导数进行搜索，这类算法搜索速度快、效率高，但是对目标函数的要求更为严格。常用的方法有最速下降法、Newton 法、共轭梯度法、拟Newton 法等。 直接法不使用导数，也不需要得到目标函数的明确解析式，只需要能够得到某些函数上的点即可。因此直接法的适用范围更广，但相应的收敛速度会较慢，计算量也会随着问题维数的增加而迅速增大。常用的方法有单纯形法、Powell 方向加速法以及Powell 改进算法。 本作业以直接法的Powell 法为例，解决具体的无约束优化问题，并对将Powell 方向加速法和Powell 改进算法解决结果进行对比。 二、算法原理 对于n 维正定二次函数(x)0.5T T f x Gx b x c =++，设011,,...(k n)k p p p -<关于G 共轭，0x 与1x 为任意不同点。分别从0x 与1x 出发，依次沿011,,...k p p p -作一维搜索。如果最后找到两个互不相同的极小点x a 与x b ，则x b a x -与011,,...k p p p -关于G 共轭。 Powell 方向加速法正是基于这一原理，每次迭代过程作n+1次一维搜索。第一次沿给定的n 个线性无关的方向011,,...n p p p -依次作一维搜索，之后沿由这一阶段的起点到第n 次搜索所得到的点的方向P 再做一次一维搜索，并把这次所得点作为下一阶段的起点，下一阶段的n 个搜索方向为011,,...,n p p p p -。以此直到找到最优解。 此算法是在迭代中逐次生成共轭方向，而共轭方向又是较好的搜索方向，所以称之为方向加速法。但是，此算法产生的n 个向量可能线性或近似线性相关，这时张不成n 维空间，可能得不到真正的极小点。因此，Powell 原始算法存在一定的缺陷。 Powell 改进算法虽然不再具有二次终止性，但克服了搜索方向的线性相关的不利情形，是解决无约束优化问题较有效的直接法之一。 本次作业一维搜索的过程是利用函数求导，求得最小值。经过试验发现，α是允许为负数的。否则最终寻优得到的极值点与实际结果存在很大的偏差，而且寻优的效率特别低下。