Если модель сделана в виде полинома второго порядка, то найти оптимальные точки очень просто: т.к. сама модель второго порядка символизирует, что мы находимся в области экстремума. Линейная модель свидетельствует о том, что: 
1) мы находимся далеко от вершины холма
2) в силу малости известной области требуется выработка некоторых правил, согласно которым будем двигаться к экстремуму.
Существует несколько путей нахождения:
1) метод Гауса-Зейделя
2) метод градиента
3) метод случайного поиска
4) метод крутого восхождения
5) оптимизация в условиях ограничений

Метод крутого восхождения
При использовании алгоритма крутого восхождения пошаговое движение из точки вектора совершается в направлении наискорейшего возрастания функции, т.е. по градиенту в этой точке. Однако, в отличии от градиентного метода, корректировка направления производится не после каждого следующего шага, а только по достижению частного экстремума.
Важной особенностью метода является также регулярный статистический анализ результатов экспериментов по мере продвижения к экстремуму.
Пусть у нас k факторов, которые независимы друг от друга.

Алгоритм.
1. В центре проводим ПФЭ (ДФЭ) с целью получения градиента. При этом результаты эксперимента подвергаются статистическому анализу, который заключается в следующем:
а) проверка воспроизводимости эксперимента (грубые промахи)
б) проверка значимости коэффициентов линейной модели
в) проверка адекватности линейной модели
2. Вычисляются произведения среди них находится max{ } = (b — величина относительная, — абсолютная).
3. Для базового фактора выбирается шаг крутого восхождения (только для базового). Дальше будем обозначать его .
4. Определяются размеры
5. Проводятся т.н. «мысленные опыты», которые заключаются в вычислении предсказанных значений целевой функции в определенных точках факторного пространства. . Для этого независимые переменные линейной модели изменяются с учетом таким образом, чтобы изображающая точка совершала движение в направлении вектора grad y( ) полученного в пункте 1 занимая последовательно положения .
6. «Мысленные опыты» продолжаются до тех пор, пока выполняется неравенство
7. Некоторые из «мысленных опытов» (обычно через каждые 2-3 «мысленных шага») реализуются в виде эксперимента один раз. Для проверки соответствия «мысленных опытов» и реальности.
8. Точка , где в реальном опыте получено максимальное значение целевой функции, принимается за новую начальную точку нового цикла крутого восхождения
9. Поскольку каждый цикл крутого восхождения приближает изображающую точку к области экстремума, где крутизна поверхности отклика меньше, то для каждого следующего цикла величина может выбираться меньше предыдущей.
10. Поиск прекращается, когда градиент равен нулю, т.е. все bi оказались незначительными.
Замечания
1)Наиболее эффективно применять МКВ для симметричных функций.
2)Направление движения идет по градиенту и определяется единственным способом из центра плана.