最优化反演（optimization inversion）：对非线性反演问题中的误差泛函求解极小化问题时，为了保证问题的收敛或求解过程稳定，以及提高收敛速度，需对迭代步长和方向作出引导，称优化。常规的优化方法一般需要计算一阶梯度，如最速下降法、共轭梯度法、变尺度法等，有些也需计算二阶梯度，如牛顿法。由于计一算梯度值仍需对描述正问题的数学模型线性化，所以这种最优化反演依赖初始值的选取，在梯度导引下到达一个局部极小。非线性优化算法本身无法判断此极小是否就是反问题的解。[1]
最优化反演（optimization inversion）：对非线性反演问题中的误差泛函求解极小化问题时，为了保证问题的收敛或求解过程稳定，以及提高收敛速度，需对迭代步长和方向作出引导，称优化。常规的优化方法一般需要计算一阶梯度，如最速下降法、共轭梯度法、变尺度法等，有些也需计算二阶梯度，如牛顿法。由于计一算梯度值仍需对描述正问题的数学模型线性化，所以这种最优化反演依赖初始值的选取，在梯度导引下到达一个局部极小。非线性优化算法本身无法判断此极小是否就是反问题的解。[1]