无约束最优化方法的一般步骤可以总结如下：

1. 选择初始点，这一点越靠近局部极小点越好；
2. 已取得某设计点，选择一个设计方向，沿此方向搜索，函数值需是下降的，是下降方向；
3. 从出发，沿方向进行搜索，确定步长因子，得到新的设计点，并满足，具有这种性质的算法，称为下降算法。可以由一维搜索方法来确定最优步长因子；
4. 若新点满足迭代计算终止条件，则停止迭代，作为，否则返回2步继续迭代搜索。

可以看出无约束优化算法的关键几点：初始值，方向设计，步长因子，终止条件。其中搜索方向是各种无约束方法的主要特征。

无约束优化法可以通过有无使用梯度信息分为直接法和间接方法。其中，直接法，即只需要计算，比较函数值来确定迭代方向和步长的方法。其优点是不需要函数有较好的解析性质。适用范围广，可靠性较高。而在工程实际中，函数形式往往比较复杂，不易求导数，直接法比较适合采用。缺点相对利用导数信息的间接法收敛速度慢。

坐标轮换法

坐标（变量）轮换法是最简单最易理解的直接方法。其由D‘esopo于1959年提出，其基本思想是把含有n个变量的优化问题轮换转为单变量的优化问题，即每次沿某一个坐标轴进行一维搜索的问题。算法步骤：

已知目标函数，终止限.

1. 任选取初始点作为第一轮迭代的初始点，;
2. 置搜索方向依次为：
   
   
   
   
3. 按照下式求最优步长并进行迭代计算：
   
4. 如果，即转第5步，如果，则转第3步；
5. 收敛性准则为，如满足迭代终止条件，停止迭代，输出最优解；若不满足，则令转到第3步。

Algorithm 1 坐标轮换法

function [x_min,f_min] = CoordinateRotationMethod(func,x0,options)

if nargin<3
    options.tol = 1e-12;
    options.iterNum = 1000;
    options.bracketMethod = '';
    options.linearSrcMethod = '';
    options.plot2.Flag = 0;
    options.plot2.x = [];
    options.plot2.y = [];
    options.plot2.z = [];  
end
tol = options.tol;
iterNum = options.iterNum;

plot2 = options.plot2;
if length(x0)~=2
    plot2.Flag = 0;
end

x_min = x0;
f_min = func(x0);

E = eye(length(x0));
xk = x0; 

f_pre = func(xk);
f = f_pre+1e10;

if plot2.Flag == 1 
    figure,subplot(1,2,1),axis equal, hold on;
    contourf(plot2.x,plot2.y,plot2.z,30,'linestyle','-')
    colormap('jet');
    tempf =f_pre;
end

while(iterNum)
    for i=1:1:length(x0) 
        d = E(:,i);
        lamdaFuncH = @(lamda)(func(xk+lamda.*d));
        [a,b,c] = bracketAdvanceBack(lamdaFuncH,0,0.01);
        lamda = GoldSection(lamdaFuncH,a,c,1e-12);
        xk1 = xk + lamda.*d;
        f =func(xk1);
        if plot2.Flag == 1 
            tempf = [tempf,f];
            subplot(1,2,1),plot([xk(1),xk1(1)],[xk(2),xk1(2)],'-ro','LineWidth',2);
            subplot(1,2,2),plot(tempf,'-b.','LineWidth',2); grid on;
            axis([0,60,0,func(x0)]);
            xlabel('Step');
            ylabel('Objective Function Value');
            pause(0.1)
        end
        xk = xk1;
        iterNum = iterNum - 1;
    end
    if abs(f-f_pre)<tol||iterNum == 0
            x_min = xk;
            f_min = f;
            break;
    else
        f_pre = f;
    end        
end

坐标轮换法逻辑简单，易于掌握，但计算效率低，对维数较高的优化问题更为突出，通常用于低维优化问题；此外，这种方法的收敛效果很大程度上取决于目标函数的等值线的形状：

等值线为椭圆族,其长短轴与坐标轴平行时，收敛很快，即的维度步数即可收敛;
当椭圆族的长短轴与坐标轴斜交时，迭代次数将大大增加，收敛速度慢;
当目标函数等值线出现“脊线”时,沿坐标轴方向搜索不能使得函数值有所下降,坐标轮换法在求优过程中将失败,这类函数对于坐标轮换法就是病态函数。

图1 坐标轮换法与优化问题等值线的关系