为研究Lipschitz函数极小化问题,本文使用了一个线性搜索的无导数方法,即CS-DFNP算法.由于目标函数和约束函数可能是非光滑的,传统的基于梯度概念的优化理论和方法不再适用于此类优化问题,所以文中使用了 Clarke-Jahn广义方向导数来研究问题的稳定点.文章首先对只含有部分边界约束的问题进行了理论分析研究,并证明了 CS-DFNP算法对于此类问题会产生Clarke-Jahn稳定点.对于包含复杂的不等式约束函数的优化问题,在满足一定合理的假设条件基础下,我们使用精确罚函数法将其进行处理,并根据已有的关于精确罚函数的研究成果,理论上证明了算法的有效性.其中,在使用罚函数法时,我们仅仅只对非线性的不等式约束进行惩罚,而对于边界约束不作处理.这样也会减少不必要的误差,从而提高算法的精确性.最后,文章选取两个例子,一个是光滑的约束问题,另外一个是非光滑的优化问题.实验结果表明,算法在误差允许的范围内是可行的.对于光滑的无约束问题,初始值的选择对于实验结果影响不大,但对于后者,其影响较为明显.算法在选取稠密方向序列时,选择的是Halton序列.这种序列是基于某种特定的方法算出来的,它们之间的偏差比较小,在某种程度上可以看作是随机的.我们将产生的序列进行了单位化处理,这样也能更好地对步长进行处理.在进行实验时,可以发现参数的选择对于算法的时效和准确性有较大的影响,我们通过不断的实验尽量选取相对较优的参数.总体来说,CS-DFN算法是可行的,但还有许多可以改进的地方.