线性规则无约束最优化方法是一种针对 n维实函数f在Rn向量空间中的优化策略，它的核心在于将实际生活中常见的有约束优化问题通过转换转化为无约束问题来求解，以实现更高效地找到函数的最优值点。
无约束优化方法主要依赖于迭代算法，这些算法通常采取逐次一维搜索的方式。它们大致可以分为解析法和直接法两大类。解析法依赖目标函数的导数，如著名的梯度法，也称最速下降法，尽管历史悠久，但其收敛速度相对较慢。牛顿法虽然收敛速度快，但可能因为稳定性问题和计算复杂性而不易实现。共轭梯度法在速度和效果上更胜一筹，是较为理想的选择。变尺度法是效率较高的方法，其中达维登-弗莱彻-鲍威尔变尺度法（DFP法）是其中的佼佼者，被广泛应用。
直接法则不涉及导数，主要使用函数值，如交替方向法（坐标轮换法）、模式搜索法、旋转方向法、鲍威尔共轭方向法和单纯形加速法等。这些方法各有特点，适用于不同的优化场景，通过不断调整搜索方向，逐步逼近最优解，直至达到预设的精度标准。
线性规则 linear programming 线性规则：1、一般是指找出其变量受线性控制的一个线性函数最大或最小值的程序。2、在生产中，指在一组材料的特征及一组成品产品价格均既定的条件下，表明这些材料如何组合才能取得最大利润的方法。