0
| 本文作者： 黄善清 | 2019-02-24 15:18 |
雷锋网 AI 研习社按：现代社会环境下，优化思想已经应用到商业、生产、乃至生活的方方面面，在本次公开课中，讲者结合生活场景普及运筹优化的思想，并借助优化问题和具体案例深入剖析定制化算法所能带来的巨大价值。
分享嘉宾：
高季尧，本科毕业于清华大学化学工程系，博士就读于美国康奈尔大学，并从事能源系统供应链的数学建模与运筹优化研究。博士期间以第一作者的身份在行业顶级期刊发表数十篇论文，担任多个国际学术期刊的审稿人，并多次在国际会议上做学术报告。曾参与中国石化公司的多项生产优化项目，加入杉数后为多家标杆企业提供技术服务。
公开课回放地址：
分享主题：
定制优化算法：为复杂商业问题「量体裁衣」
分享提纲：
何为运筹优化
生活中的优化思想
优化算法概述
MILFP 问题的高效定制算法
其他案例分享
雷锋网 AI 研习社将其分享内容整理如下：
运筹学的繁荣发展始于二战，当时盟军使用数学模型/运筹优化思想来解决与作战相关的问题；战争结束后，算法被频繁使用到企业与政府的运作当中，为经济的发展加速提供支持；随着现代计算机技术的发展，运筹学得以为人们解决更大、更复杂的问题；一直到了 21 世纪，如何将大数据转化为最优决策成为运筹学的重点课题。
简单来讲，「优化」是指寻找在满足约束的条件下能够最大化/最小化某一目标的最优决策，一共分为 2 个关键步骤：建模与求解——优化的专长体现在建立好的模型以及选用有效的方法进行求解。
关于常见问题的数学形式具体如下：
生活中我们也会遇到很多需要进行「优化」的时候，讲者以小明吃麻辣香锅的情况为例，在面临开心（饱腹感）与省钱（控制预算）的两难抉择以及一系列约束的条件下，将如何通过优化算法对此进行取舍，从而获得最优结果。
其中数学方式展示如下：
【关于这部分的具体讲解，请从视频 00：05：35 处看起，http://www.mooc.ai/open/course/630?=Leiphone】
如果按照变量类型与约束条件类型进行划分的话，常见优化问题一共可以分为 4 种类型：
而常见的求解算法与求解器具体如下：
为何要对算法进行定制化？
我们可以从两个角度来看待这个问题：
笔者分享了他在读博期间针对特殊 MINLP 问题的优化算法探索工作，该问题的具体介绍如下：
【关于这部分的具体讲解，请从视频 00：17：54 处看起，http://www.mooc.ai/open/course/630?=Leiphone】
讲者对该问题的几个定制优化算法及其优缺点进行了详尽介绍，其中包括：
化比值为差值的 Parametric Algorithm
【关于这部分的具体讲解，请从视频 00：22：33 处看起，http://www.mooc.ai/open/course/630?=Leiphone】
结合 Charnes-Cooper transformation 与 Glovers's Linearization 两种方法的 Reformulation-Linearization Algorithm
【关于这部分的具体讲解，请从视频 00：26：55 处看起，http://www.mooc.ai/open/course/630?=Leiphone】
基于分支定界法的 B&B & C-C algorithm
【关于这部分的具体讲解，请从视频 00：29：52 处看起，http://www.mooc.ai/open/course/630?=Leiphone】
最后，讲者对所有算法进行了对比测试，该测试充分考虑了连续变量的数量、二元变量以及约束范围等一系列条件：
结果显示，Parametric Algorithm 以及 Reformulation-Linearization Algorithm 整体表现最好；而常见的局部最优求解器 DICOPT 和 SBB 在解决小问题上的表现与两个定制化算法扯平，可在大问题的解决上速度则有些不济，且未能成功解决所有问题；至于由讲者提出的 B&B & C-C algorithm 在解决小问题的表现上勉强跟上了常见局部最优求解器，但在解决大问题的表现上却很稳定，后期甚至赶上了常见局部最优求解器。
总的来说，这些案例给了我们 3 点启发：
定制化算法针对特定问题往往能够出奇制胜，轻易打败通用优化求解算法。
针对同种问题的定制化算法同样有其最适合的应用环境。
多尝试，多探索，也许能擦出不一样的火花
最后，讲者也分享了其在杉树科技参与过的智慧工业项目，并介绍了杉树科技如何给各行业的供应链环节赋能，作为本次分享的结尾。
【关于这部分的具体讲解，请从视频 00：38：09 处看起，http://www.mooc.ai/open/course/630?=Leiphone】
以上就是本期嘉宾的全部分享内容。更多公开课视频请到雷锋网 AI 研习社社区（http://ai.yanxishe.com/）观看。关注微信公众号：AI 研习社（okweiwu），可获取最新公开课直播时间预告。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
