运筹学vs机器学习

在西方一些国家,运筹学是非常热门的一个领域,很多公司都会保留大量的运筹学专家。但是在国内,运筹学理论除了在考研中有一些声音,在企业的业务中的应用还不算多,特别是相比于算法工程师的数量,运筹学专业的从业者相对较少,后续随着工业数字化的提升,运筹学一定会成为热点

业务交叉度

 

运筹学研究的问题可以归纳为:“依照给定条件和目标,从众多方案中选择最佳方案。”所以也有人称之为最优化技术。机器学习研究的问题是如何从历史的经验数据,通过数据建模的方式生成经验模型。

从业务角度来看,运筹学和机器学习有很大的交叉性,比如商品定价,在运筹学理论下要首先找出影响商品的一些因素,然后确定这些因素的范围,最后利用一些最优化的手段去计算定价。机器学习做定价预测的手段也很相似,只不过把影响商品定价的因素作为特征,使用最小二乘法之类的最优化手段,利用线性回归算法生成定价。

运筹学和机器学习不交叉的地方在于,运筹学更关注一条业务线的整个生命周期,机器学习更关注于某个点。举个例子,如何生产高品质的香烟,这个流程包含了烟叶怎么选择,烘烤的时间,晾晒的时间,这是由多流程组合的一个场景,流程间有一定关联,这是运筹学比较适合解决的问题。机器学习可能比较适合解决某个关键带点的问题,比如就是烘烤时间应该是多少。另外,图像、语音等认知领域,是机器学习专长的。

技术交叉点

从技术角度看,运筹学的流程可以分为三步,以如何规划最优运输路线为例。

1.首先要确定要素,影响运输成本的因素是哪些:

2.接着,构建约束方程:

 

3.最后确定目标函数:

从上面的公式可以看出来,运筹学需要大量的跟线性代数和矩阵论相关的内容,机器学习则更侧重于概率论,当然机器学习里面矩阵论的比例也非常的重。

运筹学+机器学习的未来

机器学习已经在很多互联网的应用中正名。后续,我觉得随着整个产业互联网的数字化能力的提高,会有越来越多的运筹学场景产生,比如怎么规划路径、怎么生成最优质的裤子这样的场景。

机器学习可能会成为运筹学中的一个有效工具,去增强某些应用点的准确率。而运筹学将从一个产业链的整体的角度去为机器学习算法提供更多的应用空间。

没事看看运筹学,挺好~

 

©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页