思路：线搜索最优化算法，一般是先确定迭代方向（下降方向），然后确定迭代步长；
信赖域方法直接求得迭代位移；
算法分析
第(k)次迭代，确定迭代位移的问题为(信赖域子问题)：
其中(Delta_k)为信赖域半径
对于求得的迭代位移，实际下降量：
估计下降量：
定义：
一般情况，(Delta q_k>0),因此，当(r_k)小于0时，表示求得的(x_{k+1})不是下降方向；需要缩小信赖域重新求解；当(r_k)趋近于1时，表明对于函数的二次近似具有较高的精度，可以扩大信赖域；
算法
(输入：0<eta_1<eta_2<1,0< au_1<1< au_2,初始点x,初始hesse阵近似阵:B_0,容许误差：epsilon;信赖域半径上限： ilde{Delta},初始信赖域半径：Delta_0in(0, ilde{Delta}])
maxite=100; 最大迭代次数
g=gfun(x);
k=0;
while k < maxite and g > (epsilon)
(qquad) solve the child question of optizimation,get (x_{k+1});
(qquad)get (r_k);
(qquad)if (r_k <eta_1)
(qquad)(qquad)(Delta_{k+1})=( au_1Delta_k);
(qquad) elif (eta_1<r_k<eta_2)
(qquad)(qquad)(Delta_{k+1}=Delta_{k};)
(qquad) else
(qquad)(qquad)(Delta_{k+1}= au_2Delta_k;)
(qquad) endif
(qquad) if (r_k<eta_1)
(qquad)(qquad)(x_{k+1}=x;)
(qquad)(qquad)(B_{k+1}=B_k;)
(qquad) else
(qquad)(qquad)(refresh B_k, get B_{k+1};)
(qquad) endif
(qquad)(k=k+1;)
(qquad)(g=gfun(x_{k+1});)
endwhile
(输出：最优解x)