• Romberg : applicable à la plupart des intégrales. Utilise des approximations trapézoïdales sur un nombre pair de sous-intervalles, puis compare les estimations séquentielles en additionnant les surfaces des trapèzes.

• Adaptatif : applicable aux fonctions qui changent rapidement sur l'intervalle d'intégration. Également appelée méthode de quadrature adaptative.

• Limite infinie :applicable aux intégrales dont une ou deux limites sont infinies. La fonction intégrée doit être réelle.

• Point de terminaison singulier : applicable aux intégrales présentant une singularité ou un infini à l'une ou aux deux limites d'intégration. Également appelée méthode de Romberg à limites ouvertes.

• La sélection de l'algorithme n'est disponible que pour les intégrales définies.

• Si au moins une des limites d'intégrale est supérieure à la valeur absolue de 10^307, ou si elle est infinie, la fonction Sélection automatique utilise l'algorithme de résolution Limite infinie. Dans les autres cas, elle utilise celui Adaptatif.

• Linéaire : applicable lorsque le problème a une structure linéaire, à savoir des fonctions objectives avec toutes les contraintes. Cet algorithme fournit des résultats rapides et précis.

• Non linéaire : Levenberg-Marquardt : tente de trouver les zéros des erreurs dans les contraintes. Si aucun zéro n'est trouvé, la méthode minimise la somme des carrés des erreurs dans les contraintes.

• Non linéaire : gradient conjugué : factorise une matrice de projection et applique la méthode du gradient conjugué pour minimiser approximativement un modèle quadratique du problème de barrière.

• Non linéaire : SQP : cette méthode d'ensemble actif résout une séquence de sous-problèmes de programmation quadratique pour trouver la solution.

• Non linéaire : point intérieur : cette méthode remplace le problème de programmation non linéaire par une série de sous-problèmes de barrière contrôlés par un paramètre de barrière.

• Non linéaire : ensemble actif : les méthodes d'ensemble actif résolvent une séquence de sous-problèmes selon un modèle quadratique du problème d'origine.

• Essayez une autre méthode. Une méthode particulière peut fonctionner mieux ou moins bien que les autres pour le problème que vous essayez de résoudre.

• Essayez une valeur initiale différente ou ajoutez une contrainte d'inégalité. Donnez une valeur initiale complexe si vous recherchez une solution complexe.

• Utilisez Minerr au lieu de Find pour obtenir une solution approchée.

• Essayez une valeur différente de TOL ou CTOL.

• Polynomial : utilise les approximations polynomiales des dérivées spatiales du premier et du second ordre pour réduire le système PDE à un système ODE par la variable time.

• Différences centrales : utilise les approximations par différences centrales des dérivées spatiales du premier ordre avec une application récursive pour les dérivées spatiales du second ordre afin de réduire le système PDE à un système ODE par la variable time.

• Différences de 5 points : utilise les approximations par différences de 5 points des dérivées spatiales du premier ordre avec une approximation séparée pour les dérivées spatiales du second ordre afin de réduire le système PDE à un système ODE par la variable time.

• Différences de 5 points récursives : utilise des approximations par différences de 5 points des dérivées spatiales du premier ordre avec une application récursive pour les dérivées spatiales du second ordre afin de réduire le système PDE à un système ODE par la variable time.

• Adams/BDF (par défaut) : pour les systèmes non raides, Odesolve appelle le solveur Adams qui utilise les méthodes Adams-Bashforth. Si Odesolve détecte que le système de ODE est stiff, il passe au solveur BDF (formule de différenciation à rebours).

• Fixe : appelle le solveur rkfixed qui utilise une méthode de Runge-Kutta à pas fixe.

• Adaptatif : appelle le solveur Rkadapt qui utilise une méthode de Runge-Kutta avec un pas adaptatif.

• Radau : pour les systèmes raides ou ayant des contraintes algébriques, Odesolve appelle le solveur Radau.

• Levenberg-Marquardt optimisé (par défaut) : cette version optimisée de la méthode de minimisation de Levenberg-Marquardt est souvent plus rapide et moins sensible aux valeurs initiales imprécises et plus sensible aux erreurs dans les dérivées algébriques fournies.

• Levenberg-Marquardt : cette méthode de minimisation est utilisée pour résoudre les problèmes non linéaires aux moindres carrés. Cette méthode doit être utilisée avec genfit pour une fonction qui se comporte bien et des valeurs initiales précises.

• LaGuerre (par défaut) : cette méthode est itérative et recherche des solutions dans le plan complexe.

• Matrice compagnon : cette méthode convertit les équations en un problème de valeurs propres.