人工智能中的运筹学与最优化就该这样学之著名教材

本文为读者朋友们推荐一些运筹学与最优化方面的常用教材，方便读者选择相应的教材进行学习，提高学习效率。由于教材非常多，本文只列出了部分，读者也可以自己进行搜索，选择适合自己的教材。

首先来看运筹学方面的著名教材，如书籍 17所示。

书籍 17 运筹学教材推荐: (a)运筹学 (《运筹学》教材编写组); (b) 运筹学教程 (胡运权 等); (c) Introduction to Operation Research (Frederick S. Hillier 等); (d) Operation Research: An Introduction (Hamdy A. Taha)

清华大学《运筹学》[55]教材编写组编著的《运筹学》着重介绍运筹学的基本原理和方法，是一本在国内被众多高校广泛采用的教材。该教材条理清晰，内容生动详尽，书中每章后面附有习题，便于读者通过做题加深理解。有些部分的后面增补了“注记”，便于读者了解运筹学各分支的发展趋势。

清华大学胡运权等人编著的《运筹学教程》[56]系统地讲述了线性规划、目标规划、整数规划、动态规划、图与网络分析、排队论、存储论、对策论、决策论的基本概念、理论、方法和模型，是一本国内非常著名的教材。该书有配套的习题集《运筹学习题集》，方便读者通过做题的方式对书中的理论加以巩固。

Frederick S. Hillier等人编写的《Introduction to Operation Research》[57]是运筹学的经典著作，两位作者是运筹学领域的大师。该书内容丰富，覆盖运筹学各个分支，主要内容包括：运筹学建模方法、线性规划、对偶理论与灵敏度分析、网络优化模型、动态规划、整数规划、决策分析等。书中有大量案例，方便读者自学及复习。

Hamdy A. Taha 编写的《Operation Research：An Introduction》[58]是被国外众多高校广泛采用的一本知名教材，该书的主要特色在于：（1）重视运筹学基本知识的讲解，但对高深问题也作了较深入的分析，以满足不同读者的需要。（2）突出实用性。各章通过实际问题的求解导出运筹问题的数学模型，这既凸显出该运筹问题的实际背景，也便于读者学习建模。（3）增加了运筹学中重要理论与应用的重大事件介绍。（4）计算方法与软件相结合。全书使用教学辅助软件TORA、软件包Excel及AMPL等，读者可以利用这些软件工具对所学的模型和计算方法进行计算和检验。

接着为读者介绍几本最优化方面的著名教材，如书籍 18所示。

书籍 18 最优化教材推荐: (a) 最优化理论与算法 (陈宝林); (b) 数值最优化方法 (高立); (c) An Introduction to Optimization (Edwin K. P. Chong 等); (d) Numerical Optimization (Jorge Nocedal 等)

清华大学陈宝林教授编著的《最优化理论和算法》[59]主要内容包括：线性规划单纯形方法、对偶理论、灵敏度分析、运输问题、内点算法、非线性规划KT条件、无约束优化方法、约束优化方法、整数规划和动态规划等内容。该书逻辑清晰，论证严密，可读性强，是一本适合入门的教材。

北京大学高立教授编著的《数值最优化方法》[60]系统地介绍了数值求解光滑非线性无约束和有约束最优化问题的基本方法和基本性质。在选材上，本书注重最优化方法的基础性与实用性；在内容的处理上，该教材注重由浅入深、循序渐进；在叙述上，该书力求清晰、准确、简明易懂。

Edwin K. P. Chong 等人编写的《An Introduction to Optimization》[61]是一本关于最优化技术的入门教材，全书共分为四部分。第一部分是预备知识。第二部分主要介绍无约束的优化问题，并介绍线性方程的求解方法、神经网络方法和全局搜索方法。第三部分介绍线性优化问题，包括线性优化问题的模型、单纯形法、对偶理论以及一些非单纯形法，简单介绍了整数线性优化问题。第四部分介绍有约束非线性优化问题，包括纯等式约束下和不等式约束下的优化问题的最优性条件、凸优化问题、有约束非线性优化问题的求解算法和多目标优化问题。

Jorge Nocedal和Stephen Wright编著的《Numerical Optimization》[62]是数值优化领域的力作。该书的两位作者都来自计算机科学专业，且均是美国应用数学协会（SIAM）的Fellow，在优化领域享有崇高地位。该书提供连续优化中大多数有效方法的、全面的、最新的论述。每一章从基本概念开始，逐步阐述当前可用的最佳技术。本书强调实用方法，包含大量图例和练习，适合广大读者阅读。本书阅读性强，内容丰富，论述严谨，揭示了数值最优化的美妙本质和实用价值。

最后为读者介绍几本凸优化方面的著名教材，如书籍 19所示。

书籍 19 凸优化教材推荐: (a) Convex Optimization (Stephen Boyd 等); (b) Lectures on Convex Optimization (Yuni Nesterov)

斯坦福大学Stephen Boyd等人编写的《Convex Optimization》[63]是一本凸优化领域的世界知名教材。该教材理论部分由4章构成，不仅涵盖了凸优化的所有基本概念和主要结果，还详细介绍了几类基本的凸优化问题以及将特殊的优化问题表述为凸优化问题的变换方法，这些内容对灵活运用凸优化知识解决实际问题非常有用。应用部分由3章构成，分别介绍凸优化在解决逼近与拟合、统计估计和几何关系分析这三类实际问题中的应用。算法部分也由3章构成，依次介绍求解无约束凸优化模型、等式约束凸优化模型以及包含不等式约束的凸优化模型的经典数值方法，以及如何利用凸优化理论分析这些方法的收敛性质。通过阅读该教材，能够对凸优化理论和方法建立完整的认识。

Yuni Nesterov编著的《Lectures on Convex Optimization》[64]主要包含了黑箱优化模型以及结构优化模型两部分，每一部分又分为若干章节，介绍了当前的主流优化模型，对于了解凸优化的前沿方法有非常大的帮助。

关于人工智能中运筹学与最优化的更多介绍，可以购买《人工智能怎么学》进一步阅读。

图书购买方式

京东：https://item.jd.com/13395339.html

当当：http://product.dangdang.com/29469230.html

天猫：https://detail.tmall.com/item_o.htm?id=687374654836

为了让图书惠及更多的读者，为更多想学习人工智能的人提供帮助，经过向出版社申请，对图书《人工智能怎么学》的部分内容进行改编和连载。图书《人工智能怎么学》的全部内容包含了初级入门、中阶提高以及高级进阶三个级别的内容。连载的内容主要是初级入门级别，适合想对人工智能进行快速和高效入门的读者，对于已有一定的人工智能学习基础，希望进一步进阶或提高的读者，则需要购买图书《人工智能怎么学》，学习中阶提高以及高级进阶的内容。此外，对于学习人工智能感兴趣的读者，也可以加入知识星球《人工智能怎么学》，知识星球是一个构建学习社群的平台，通过加入《人工智能怎么学》的社群，你将获得更多的学习资料和课程信息。

与作者互动和了解更多信息

想跟作者一起学习人工智能和互动，你可以加入如下社群：

知识星球：https://t.zsxq.com/0aLkVg0os

QQ群：600587177

想了解更多关于人工智能学习及实践的内容，请关注如下媒体：

官方网站：https://bigdatamininglab.github.io

官方微信公众号：人工智能怎么学(可扫描下方二维码或者微信搜索“人工智能怎么学”添加关注)

CSDN：https://blog.csdn.net/audyxiao001

参考文献

1. 张文俊. 数学欣赏[M]. 北京: 科学出版社, 2011.

2. 李文林. 数学史概论 第4版[M]. 北京: 高等教育出版社, 2021.

3. 方开泰. 漫漫修远攻算路：方开泰自述[M]. 长沙: 湖南教育出版社, 2016.

4. 徐品方. 数学王子——高斯[M]. 哈尔滨: 哈尔滨工业大学出版社, 2018.

5. 同济大学数学系. 高等数学（第7版）[M]. 北京: 高等教育出版社, 2014.

6. 李忠，周建莹. 高等数学（第2版）[M]. 北京: 北京大学出版社, 2009.

7. Joel Hass et al.Thomas’ Calculus: Early Transcendentals (Fourteenth Edition)[M]. Pearson, 2018.

8. Ron Larson, and Bruce Edwards. Calculus (Eleventh Edition)[M]. Cengage Learning, 2018.

9. 华东师范大学数学科学学院. 数学分析（第5版）[M]. 北京: 高等教育出版社, 2019.

10. 常庚哲, 史济怀. 数学分析教程（第3版）[M]. 合肥: 中国科学技术大学出版社, 2012.

11. Walter Rudin. Principles of Mathematical Analysis (ThirdEdition) [M]. McGraw-Hill Education, 1976.

12. Vladimir A. Zoric. Mathematical Analysis (Second Edition)[M]. Springer, 2016.

13. Elias M. Stein, and RamiShakarchi. Real Analysis: Measure Theory, Integration, and Hilbert Spaces [M]. Princeton University Press,2004.

14. Elias M. Stein, and Rami Shakarchi. Complex Analysis [M]. Princeton University Press,2005.

15. Elias M. Stein, and Rami Shakarchi. Fourier Analysis: An Introduction[M]. PrincetonUniversity Press,2003.

16. Elias M. Stein, and Rami Shakarchi. Functional Analysis:Introduction to Further Topics in Analysis[M]. Princeton University Press, 2011.

17. 丘维声. 简明线性代数[M]. 北京: 北京大学出版社, 2002.

18. 居于马. 线性代数（第2版）[M]. 北京: 清华大学出版社, 2002.

19. 李尚志. 线性代数[M]. 北京: 高等教育出版社, 2002.

20. 李炯生. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2010.

21. 龚昇. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2005.

22. 任广千, 谢聪, 胡翠芳. 线性代数的几何意义[M]. 西安: 西安电子科技大学出版社, 2015.

23. Kuldeep Singh. Linear Algebra: Step by Step [M]. OxfordUniversity Press,2014.

24. Gilbert Strang. Introduction to Linear Algebra (FifthEdition) [M]. Wellesley-Cambridge Press, 2016.

25. David C. Lay et al. Linear Algebra and Its Application (FifthEdition) [M]. Pearson,, 2016.

26. Sheldon Axler. Linear Algebra Done Right (Third Edition) [M].Springer, 2015.

27. Gerald Farin, and Dianne Hansford. Practical Linear Algebra:A Geometry Toobox (Third Edition) [M]. CRC Press, 2013.

28. Gilbert Strang. Linear Algebra and Learning from Data [M].Wellesley-Cambridge Press, 2019.

29. 徐仲. 矩阵论简明教程（第3版）[M]. 北京: 科学出版社, 2014.

30. 张贤达. 矩阵分析与应用（第2版）[M]. 北京: 清华大学出版社, 2013.

31. Gene H. Golub, and Charles F. Van Loan. Matrix Computation(Fourth Edition) [M]. The Johns Hopkins University Press, 2013.

32. Roger A. Horn, and Charles R. Johnson. Matrix Analysis(Second Edition) [M]. Cambridge University Press, 2013.

33. 盛骤, 谢式千, 潘承毅. 概率论与数理统计（第4版）[M]. 北京: 高等教育出版社, 2008.

34. 陈希孺. 概率论与数理统计[M]. 合肥: 中国科学技术大学出版社, 2017.

35. Jay L. Devore. Probability and Statistics for Engineering andthe Sciences (Ninth Edition) [M]. Cengage Learning, 2016.

36. Morris H. DeGroot, and Mark J. Schervish . Probabilityand Statistics (Forth Edition) [M]. Pearson, 2012.

37. 高惠璇. 应用多元统计分析[M]. 北京大学出版社, 2004.

38. 王静龙. 多元统计分析[M]. 科学出版社, 2008.

39. T. W. Anderson. An Introduction to Multivariate StatisticalAnalysis (Third Edition) [M]. John Wiley & Sons, 2003.

40. Richard A. Johnson, and Dean W. Wichern . Applied Multivariate Statistical Analysis (SixthEdition) [M]. Pearson, 2007.

41. 程士宏. 测度论与概率论基础[M]. 北京: 北京大学出版社, 2004.

42. 严加安. 测度论讲义（第2版）[M]. 北京: 科学出版社, 2004.

43. Krishna B. Athreya, and Soumendra N. Lahiri. Measure Theoryand Probability Theory (Third Edition) [M]. Springer, 2006.

44. Paul R. Halmos. Measure Theory [M]. Springer Science+Business Media, 1974.

45. 胡迪鹤. 高等概率论及其应用[M]. 北京: 高等教育出版社, 2008.

46. 郑忠国. 高等统计学[M]. 北京: 北京大学出版社, 2012.

47. Craig A. Mertler, and Rachel Vannatta Reinhart. Advanced andMultivariate Statistical Methods: Practical Application and Interpretation(Sixth Edition) [M]. Routledge, 2017.

48. Eugene Demidenko. Advanced Statistics with Applications in R[M]. John Wiley & Sons, 2020.

49. 何书元. 随机过程[M]. 北京: 北京大学出版社, 2008.

50. 张波, 张景肖. 应用随机过程[M]. 北京: 清华大学出版社, 2004.

51. Sheldon M. Ross. Introduction to Probability Models (TwelfthEdition) [M]. Academic Press, 2019.

52. Robert G. Gallager. Stochastic Processes: Theory forApplications [M]. John Wiley & Sons, 2013.

53. David Forsyth. Probability and Statistics for ComputerScience (Twelfth Edition) [M]. Springer, 2018.

54. Luc Devroye et al. A Probabilistic Theory of PatternRecognition [M]. Springer, 1997.

55. 《运筹学》教材编写组. 运筹学（第4版）[M]. 北京: 清华大学出版社, 2013.

56. 胡运权, 郭耀煌. 运筹学教程（第5版）[M]. 北京: 清华大学出版社, 2018.

57. Frederick S. Hillier, and Gerald J. Lieberman. Introductionto Operation Research (Tenth Edition) [M]. McGraw-Hill Education, 2015.

58. Hamdy A. Taha. Operation Research：An Introduction(Tenth Edition) [M]. Pearson, 2017.

59. 陈宝林. 最优化理论与算法（第2版）[M]. 北京: 清华大学出版社, 2018.

60. 高立. 数值最优化方法[M]. 北京: 北京大学出版社, 2014.

61. Edwin K. P. Chong, and Stanislaw H. Zak. An Introduction toOptimization (Fourth Edition) [M]. John Wiley & Sons, 2013.

62. Jorge Nocedal, and Stephen J. Wright. Numerical Optimization(Second Edition) [M]. Springer, 2006.

63. Stephen Boyd, and Lieven Vandenberghe. Convex Optimization[M]. Cambridge University Press, 2004.

64. Yuni Nesterov. Lectures on Convex Optimization (SecondEdition) [M]. Springer, 2018.

65. 李航. 统计学习方法（第2版）[M]. 北京: 清华大学出版社, 2019.

66. 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.

67. Yuni Nesterov. The Elements of Statistical Learning: DataMining, Inference, and Prediction (Second Edition) [M]. Springer, 2009.

68. Tom M. Mitchell. Machine Learning [M]. McGraw-Hill Education,1997.

69. Christopher Bishop. Pattern Recognition and Machine Learning[M]. Springer, 2006.

70. Mehryar Mohri et al. Foundation of Machine Learning (SecondEdition) [M]. The MIT Press, 2018.

71. Kevin P. Murphy. Probabilistic Machine Learning: AnIntroduction [M]. The MIT Press, 2022.

72. Shai Shalev-Shwartz, and Shai Ben-David. UnderstandingMachine Learning: From Theory to Algorithms [M]. Cambridge University Press,2014.

73. Ian Goodfellow etal. Deep Learning [M]. The MIT Press, 2016.

74. 杨强, 张宇, 戴文渊, 潘嘉林 . 迁移学习[M]. 北京: 机械工业出版社, 2020.

75. 杨强, 刘洋，程勇 等. 联邦学习[M]. 北京: 中国工信出版集团, 电子工业出版社, 2020.

76. 周志华. 集成学习：基础与算法（第2版）[M]. 李楠, 译. 北京: 清华大学出版社, 2019.

77. Richard S. Sutton, and Andrew G. Barto. ReinforcementLearning: An Introduction [M]. The MIT Press, 2018.

78. Amparo Albalate, and Wolfgang Minker. Semi-Supervised andUnsupervised Machine Learning [M]. ISTE, and John Wiley & Sons, 2011.

79. Christoph Molnar. Interpretable Machine Learning: A Guide forMaking Black Box Models Expainable [M]. lulu.com, 2020.

80. Judea Pearl. Causality: Models, Reasoning, and Inference(Second Edition) [M]. Cambridge University Press, 2009.

注：本文版权归作者个人所有，如需转载请联系作者，未经授权不得转载。