论文主要研究的是解决一般约束最优化问题的网格自适应直接搜索过滤算法。在解决无约束最优化问题时,牛顿和拟牛顿法是最常见和最基本的算法。它们利用在该点的梯度等信息确定目标函数在该点存在下降方向。但是在实际应用中,函数的梯度信息可能无法获得,原因可能是梯度本身不存在,或者由于存在干扰或其它原因不能得到精确结果。直接法是解决最优化问题的无导数方法。广义模式搜索是一个很有价值的直接方法,但是它在非光滑最优化的应用中由于方向集合的有限性存在着局限性。网格自适应直接搜索通过在变量空间中一个近似稠密的方向集合上进行局部搜索来扩展广义模式搜索。本文的网格自适应直接搜索过滤算法用于解决一般约束最优化问题,它是一个非光滑最优化中的无导数方法。网格自适应直接搜索策略不同于线性搜索和信赖域方法,它只要求函数值简单下降,而不是充分下降。网格自适应直接搜索过滤算法利用过滤器思想处理约束函数,将一般约束最优化问题转化为包含目标函数和衡量不可行性的约束违反函数的多目标函数最小值问题。它采用网格自适应直接搜索,在每一次迭代中利用过滤器检验迭代是否成功。最后证明网格自适应直接搜索过滤算法存在Clarke稳定点。