我的理解是delta越小是离步长极值点的左边越远，delta大点的话，离极值点就会近点，那么搜索空间的左区间就会变小，那么就会使得迭代次数减少，从而减少。但是若是delta越过极值点的右侧的话，那么就可能使得避开了极值点。Wolfe-Powell准则就是精度和计算量的平衡了

楼主是做啥工作的, 还会遇到这种问题

太久了，不记得具体位置了，隐约记得就是在那本书里

是

再补充一点：我觉得Goldstein准则的第一条如果rho的值过大，也是有把极小值漏掉可能性的，之前自己调试仿真的时候，确实有完全找不到收敛点，曲线鬼画符一样的现象。
那么这样说下去，仿真时候，delta和rho的选取，就是rho尽量大（上界尽量小）和delta尽量适中，同时又不能漏掉极小值，以保证精确和效率之间的平衡。
delta的要适中是因为：斜率所对应的alpha值也就是下界。delta越小，下界减小的越快，对极小值的逼近越精确，书上说这样计算工作量大；delta越大，下界减小的越慢，对极小值的逼近越粗糙也就是弱，书上说这样计算工作量小。这需要在曲线上比划一下斜率的增减。
为什么delta越小，计算量越大，这个我还没有理解……继续理解理解……

回头又看了一遍这个文章，发现前面网友说的问题，“可接受的区间被限制在了[b,d]内，如图：”
感觉应该是[e,d]。不过不影响理解。

还有一个不好理解的地方，“Goldstein准则可能会把极小值点（可接受的区间）判断在区间bc内。显而易见，区间bc是有可能把极小值排除在外的（极小值在区间ed内）。所以，为了解决这个问题，Wolfe-Powell准则应运而生。”
个人补充一些不专业的分析以便理解：
Goldstein准则的第二条可能导致极值点被漏掉，那么需要寻找新搜索温和一些不至于漏掉极小点的alpha新搜索区间（横坐标）下界，以保证Goldstein准则第一条（因为要超线性收敛，这一条不能改）所确定的alpha新搜索区间上界有一个合理的下界，因此提出了Wolfe-Powell准则取代了Goldstein准则的第二条，二者结合在牺牲了一定效率的前提下，保证极小点不被漏掉。

个人理解，就是Goldstein准则的第一条负责大迈步缩小目标范围上界，Wolfe-Powell准则小步试探别把极小漏掉。

现在还没有很理解的就是：第一条的大步，为什么不会把极小值漏掉？我还要再理解理解。

请问您这个问题怎么解决的？

可参考这个链接里的第【1】段：http://www.codelast.com/?p=7514