當然，最佳值也不一定就是在邊界約束附近，也可以也是在中間的某一個極小值或極大值。原理也一樣，每一步迭代都會重新計算靈敏度和搜索方向進行更新，并不是始終用初始值的一階導數進行計算。所以精度沒有問題，放心吧。

如果每次優化計算，都把優化值帶入原模型重新計算一遍，這樣的計算量太大，也不現實。nastran的優化迭代算法，采用泰勒級數展開只保留了一階項，其他高階項全部省略。對于線性變量是精確的，對于非線性變量是一種近似。比如矩形粱橫截面尺寸為H×B。相對體積響應V=H*B*L來說，H和B都是線性變量，優化迭代算法求得就是精確值。相對彎曲正應力響應S=M*y/Iz，其中慣性矩Iz=B*H*H*H/12，粱上距離中性軸最遠處ymax=H/2。那么，相對于應力響應S來說，H和B都不是線性變量，優化迭代算法求得就是近似值，但也是有足夠精度的。原因如下：假如的變量值代進去，通過近似算法，得到的響應超出了約束條件，下一步迭代，會把變量值拉回來，直到最后靠近約束條件的邊界處求得最佳值。也就是說，在約束邊界附近求得的變量，也是用該處的一階導數做的近似計算，你不是用初始值的一階導數來做近似，所以精度也是有保障的。個人理解，僅供參考。

這個東西不用很擔心，一般沒多大問題，如果真想保證好的精度，還是提高模型網格的精度就OK了