数模与机器学习

码上就浩

已于 2023-10-07 15:46:44 修改

阅读量321

点赞数 5

分类专栏：数学建模机器学习智能算法文章标签：机器学习数学建模人工智能

于 2023-09-18 16:33:24 首次发布

本文链接：https://blog.csdn.net/m0_62406153/article/details/132901551

版权

数学建模同时被 3 个专栏收录

3 篇文章 0 订阅

订阅专栏

机器学习

2 篇文章 0 订阅

订阅专栏

智能算法

1 篇文章 0 订阅

订阅专栏

前言

什么是机器学习（以分类为例）

关键纲要理解

易混淆区分

分类与聚类，有不少初学者傻傻分不清。

当谈论分类和聚类时，最简单的区别在于：

目标：
- 分类：就像把事物分成已知的类别一样，比如把照片分成“猫”和“狗”。
- 聚类：就像找到数据中相似的组，而不知道这些组是什么，比如找到一堆数据中的不同类型的模式。
方法：
- 分类：你有一些例子告诉你事物属于哪个类别，你尝试建立一个模型来做类别预测。
- 聚类：你只有数据，你试图找出数据中相似的部分，然后把它们分在一起。
用途：
- 分类：用于预测已知类别的新数据，像识别照片中的物体。
- 聚类：用于在数据中发现未知的模式，例如市场细分或社交网络中的群组。
数据需求：
- 分类：需要已知类别的数据进行模型训练。
- 聚类：不需要已知类别，只需考虑数据点之间的相似性。

与数模的联系与区别

机器学习VS规划求解VS智能算法

谈及数模，那毫无疑问需要提及以上几个关键词，那么区分以及深刻理解这几个概念，变成了重要的一环。

共性：

都可以用来求解优化问题

区别：

1.机器学习可以用于优化吗？

2.机器学习方法VS规划求解器

二者都可以用于解决优化问题，但它们在方法和适用性上存在一些区别。以下是两者之间的主要区别：

方法原理：
- 机器学习方法：机器学习通过从数据中学习模式和关联来做出决策。它可以处理复杂的非线性问题，可以自动地从数据中发现隐藏的模式和信息。
- 规划求解器：规划求解器是基于特定的数学模型和算法，通过对问题的约束和目标函数进行数学建模，来找到最优解。它通常适用于具有已知数学结构的问题。
数据需求：
- 机器学习方法：机器学习需要大量的数据来训练模型，特别是在深度学习等领域。这可能需要较长的时间来收集和处理数据。
- 规划求解器：规划求解器通常不需要大量的数据，而是需要准确的数学模型和问题约束。
灵活性：
- 机器学习方法：机器学习方法通常更加灵活，适用于各种类型的问题。它可以自适应地调整模型，以适应数据的变化。
- 规划求解器：规划求解器在处理复杂非线性问题时可能受限，需要在建模阶段确定好问题的数学结构。
适用领域：
- 机器学习方法：机器学习广泛应用于图像识别、自然语言处理、推荐系统等领域，以及需要从大量数据中学习和适应的问题。
- 规划求解器：规划求解器常用于优化、排程、路径规划等问题，尤其在具有明确的数学描述和模型的情况下效果较好。
求解速度和准确性：
- 机器学习方法：机器学习方法可能需要较长的训练时间，尤其是在深度学习中。预测结果的准确性通常与数据质量和模型选择有关。
- 规划求解器：规划求解器在适用领域内通常能够在较短的时间内找到准确的解，特别是对于形式化良好的问题。

3.影响智能算法求解规划问题精确性的一些因素：

问题复杂性：问题的规模和约束会影响算法的求解精度。对于简单问题，智能算法可能能够找到全局最优解，但对于复杂问题，可能只能找到局部最优解或次优解。
算法类型：不同类型的智能算法具有不同的求解策略和性能。一些算法如遗传算法、模拟退火等可能会在搜索空间中进行随机探索，有时可以逃离局部最优解，但并不保证全局最优解。
参数设置：智能算法通常有一些参数需要设置，这些参数可以影响算法的收敛性和性能。适当的参数设置可能会提高算法的求解精度。
启发式规则：算法中的启发式规则或方法会影响算法搜索的方向和速度。优秀的启发式规则可以帮助算法更快地接近最优解。
算法的改进和变种：研究者经常改进现有的智能算法或设计新的变种，以提高其求解精度。这些改进可以包括新的搜索策略、初始化方法等。
近似解：在某些情况下，即使不能找到全局最优解，也可能找到一个足够接近最优解的近似解，这对很多实际问题来说已经足够有效。

4.求解器VS智能算法

用于求解规划问题的算法和方法有很多种。这些算法可以用来解决排程、路径规划、资源分配等各种优化问题。以下是一些常见的用于求解规划问题的算法：

整数规划（Integer Programming）：在线性规划的基础上，将变量限制为整数值，用于解决涉及离散决策的问题，如任务分配、生产排程等。
线性规划（Linear Programming）：用于求解线性目标函数和约束条件下的优化问题，如资源分配、生产优化等。
动态规划（Dynamic Programming）：适用于具有重叠子问题性质的问题，通过将问题分解为更小的子问题来求解，如背包问题、最短路径问题等。
遗传算法（Genetic Algorithms）：基于生物进化的思想，通过模拟遗传、变异和选择等过程来寻找优化问题的解。
模拟退火算法（Simulated Annealing）：通过模拟固体退火的过程，逐步接受较差的解，以避免陷入局部最优解，用于求解组合优化问题。
蚁群算法（Ant Colony Optimization）：受到蚂蚁觅食行为的启发，通过模拟蚂蚁在路径上的行为来寻找路径规划问题的解。
粒子群优化（Particle Swarm Optimization）：模拟鸟群或鱼群中的合作行为，通过不断调整粒子的位置来优化问题的解。
约束满足问题算法（Constraint Satisfaction Problem，CSP）：用于解决带有一系列约束条件的问题，如时间表安排、地图着色等。
混合整数规划（Mixed-Integer Programming）：结合整数规划和线性规划，适用于同时包含连续和离散变量的问题。
规划求解器（Solver）：通常是一些商业或开源软件，用于求解特定类型的优化问题，如IBM CPLEX、Gurobi等。

5.智能算法VS机器学习

黑箱优化问题：某些优化问题的目标函数可能很复杂，难以用数学公式表示，也不易求解。这种情况下，机器学习算法可以通过在目标函数的输入和输出之间学习关联，构建一个“黑箱模型”，然后使用这个模型来近似求解问题。
高维空间优化问题：在高维空间中，传统的优化方法可能遇到维数灾难，效率下降。机器学习方法如神经网络等可以在高维数据中学习有效的表示，从而更好地优化目标函数。
非凸优化问题：某些问题的目标函数是非凸的，传统的优化方法可能陷入局部最优解。机器学习方法可以使用随机性和多次迭代来逃离局部最优，并找到全局或更好的解。
复杂约束优化问题：一些问题可能有多个复杂的约束条件，使得传统的规划求解方法不易应用。机器学习方法可以通过学习约束的关联性来更灵活地处理这些约束。
实时调整问题：在一些实时调整问题中，问题的环境和条件可能会频繁变化，导致问题的动态性。机器学习方法可以通过实时数据来调整模型和决策，适应变化的环境。