• Romberg: se aplica para la mayoría de las integrales. Se utilizan aproximaciones trapezoidales sobre un número par de subintervalos y luego compara las estimaciones secuenciales mediante la suma de las áreas de los trapezoides.

• Adaptativo: se aplica para funciones que cambian rápidamente en el intervalo de integración. También se conoce como método de cuadratura adaptativo.

• Límite infinito: se aplica para integrales donde uno o ambos límites son infinitos. La función que se va a integrar debe ser real.

• Extremo singular: se aplica para integrales con una singularidad o infinidad en uno o ambos límites de la integración. También se conoce como método Romberg abierto.

• La selección de algoritmos está disponible únicamente para las integrales definidas.

• Si al menos uno de los límites de integral es mayor que el valor absoluto de 10^307, o si es infinito, Selección automática utiliza Límite infinito como algoritmo de resolución. Para otros casos, utiliza Adaptativo.

• Lineal: se aplica cuando el problema tiene una estructura lineal, principalmente funciones objetivas con todas las restricciones. Este algoritmo proporciona resultados rápidos y precisos.

• No lineal: Levenberg Marquardt: se intenta encontrar los ceros de los errores en las restricciones. Si no se encuentran ceros, el método minimiza la suma de cuadrados de los errores en las restricciones.

• No lineal: Gradiente conjugado: se factoriza una matriz de proyección y se aplica el método del gradiente conjugado para minimizar aproximadamente un modelo cuadrático del problema de barreras.

• No lineal: SQP: este método de conjunto activo resuelve una secuencia de subproblemas de programación cuadrática (QP) para encontrar la solución.

• No lineal: Punto interior: este método reemplaza al problema de programación no lineal mediante una serie de subproblemas de barrera controlada por un parámetro de barrera.

• No lineal: Conjunto activo: los métodos de conjunto activos resuelven una secuencia de subproblemas basados en un modelo cuádrico del problema original.

• Pruebe un método diferente. Un método particular puede funcionar mejor o peor que otros para el problema que se intenta resolver.

• Pruebe un valor de prueba diferente o añada una restricción de desigualdad. Ofrezca un valor de prueba complejo si está resolviendo una solución compleja.

• Use Minerr en lugar de Find para lograr una solución aproximada.

• Pruebe un valor diferente de TOL o CTOL.

• Polinomio: se utilizan aproximaciones polinómicas de derivados especiales del primer y segundo orden para reducir el sistema PDE a un sistema ODE por la variable time.

• Diferencias centrales: se utilizan aproximaciones de diferencias centrales de derivados espaciales del primer orden con aplicación recurrente para derivados espaciales del segundo orden para reducir el sistema PDE a un sistema ODE mediante la variable time.

• Diferencias de 5 puntos: se utilizan aproximaciones de diferencias 5 puntos de derivados espaciales del primer orden con una aproximación separada para derivados espaciales del segundo orden para reducir el sistema PDE a un sistema ODE mediante la variable time.

• Diferencias recurrentes de 5 puntos: se utilizan aproximaciones de diferencias de 5 puntos de derivados espaciales del primer orden con aplicación recurrente para derivados espaciales del segundo orden para reducir el sistema PDE a un sistema ODE mediante la variable time.

• Adams/BDF (por defecto): para sistemas no stiff, Odesolve llama al solver Adams que usa los métodos Adams-Bashforth. Si Odesolve detecta que el sistema de ODE es stiff, cambia a un solver BDF (fórmula de diferenciación hacia atrás).

• Fijo: se llama al solver rkfixed que usa un método de Runge-Kutta de paso fijo.

• Adaptativo: se llama al solver Rkadapt que utiliza un método de Runge-Kutta con tamaño de paso adaptativo.

• Radau: para los sistemas stiff que tienen restricciones algebraicas, Odesolve llama al solver Radau.

• Levenberg Marquardt optimizado (por defecto): esta versión optimizada del método Levenberg-Marquardt para la minimización con frecuencia es más rápido y menos sensible a valores de prueba imprecisos, y es más sensible a los errores en los derivados algebraicos suministrados.

• Levenberg-Marquardt: este método para la minimización se utiliza para resolver problemas de mínimo cuadrado no lineal. Este método se debe utilizar con genfit para una correcta ejecución de las funciones y valores de prueba precisos.

• LaGuerre (por defecto): este método es iterativo y permite buscar soluciones en el plano complejo.

• Matriz compañera: este método permite convertir las ecuaciones en un problema de autovalores.