模块说明
1、Covariance Matrix Adaptation Evolutionary Strategy
Covariance Matrix Adaptation Evolutionary Strategy (CMA-ES) 是最精密的全局优化器，可为全局优化器带来相对快速的融合。借助 CMA-ES，优化器可以“记住”之前的迭代，此历史记录可用于提高算法的性能，同时避免出现局部最优。
适用于：全局优化，尤其是复杂的问题领域
2、信任区域框架(TRF)
一款强大的本地优化器，基于主要数据在起点周围的“信任”区域构建线性模型。建模的解决方案将用作新的起点，直至其融合至准确的数据模型。信任区域框架可以充分利用 S 参数敏感性信息减少所需的仿真数，同时加快优化流程。这是最为可靠的优化算法。
适用于：全局优化，尤其是带有敏感信息的模型
3、Genetic Algorithm
Genetic Algorithm 使用演化方法进行优化，在参数空间生成多个点，然后通过多个生成结果对这些点进行细化，会出现随机的参数突变。此算法在每个生成结果中选择“最适当的”参数集，从而融合至全局最优方案。
适用于：复杂的问题和具有许多参数的模型
4、Particle Swarm Optimization
另一款全球优化器，此算法将参数空间的点视为移动粒子。在每个迭代中，粒子的位置不仅根据每个粒子的最佳位置更改，而且会根据整体的最佳位置进行更改。Particle Swarm Optimization 适用于具有许多参数的模型。
适用于：具有许多参数的模型
5、Nelder Mead Simplex Algorithm
此方法是本地优化技术，使用在参数空间分布的多个点来查找最优方案。相比大多数本地优化器，Nelder Mead Simplex Algorithm 更少依赖于起点。
适用于：复杂的问题领域，其中具有相对较少的参数，系统没有良好初始模型
6、lnterpolated Quasi Newton
这是一款快速的本地优化器，使用插值接近参数空间的梯度。Interpolated Quasi Newton 方法具有快速融合。
适用于：具有计算要求的模型
7、Classic Powell
一款简单可靠的本地优化器，用于解决单参数问题。尽管速度慢于 Interpolated Quasi Newton，但有时更加准确。
适用于：单变量优化
8、Decap Optimization
Decap Optimizer 是一款用于印刷电路板 (PCB) 设计的专门优化器，其使用 Pareto 波前法计算去耦电容器最有效的布置。这样可以最大程度减少所需的电容器数量或降低总成本，同时仍满足指定的阻抗曲线。
适用于：PCB 布局