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

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

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

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

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

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

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

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