当然，最佳值也不一定就是在边界约束附近，也可以也是在中间的某一个极小值或极大值。原理也一样，每一步迭代都会重新计算灵敏度和搜索方向进行更新，并不是始终用初始值的一阶导数进行计算。所以精度没有问题，放心吧。

如果每次优化计算，都把优化值带入原模型重新计算一遍，这样的计算量太大，也不现实。nastran的优化迭代算法，采用泰勒级数展开只保留了一阶项，其他高阶项全部省略。对于线性变量是精确的，对于非线性变量是一种近似。比如矩形粱横截面尺寸为H×B。相对体积响应V=H*B*L来说，H和B都是线性变量，优化迭代算法求得就是精确值。相对弯曲正应力响应S=M*y/Iz，其中惯性矩Iz=B*H*H*H/12，粱上距离中性轴最远处ymax=H/2。那么，相对于应力响应S来说，H和B都不是线性变量，优化迭代算法求得就是近似值，但也是有足够精度的。原因如下：假如的变量值代进去，通过近似算法，得到的响应超出了约束条件，下一步迭代，会把变量值拉回来，直到最后靠近约束条件的边界处求得最佳值。也就是说，在约束边界附近求得的变量，也是用该处的一阶导数做的近似计算，你不是用初始值的一阶导数来做近似，所以精度也是有保障的。个人理解，仅供参考。

这个东西不用很担心，一般没多大问题，如果真想保证好的精度，还是提高模型网格的精度就OK了