当面对整型组合优化问题，尤其是寻找最小点时，传统的求导方法不再适用，而直接使用排序可能导致NP问题。为解决这一困境，可以将问题的定义域从整型松弛到实值，保证目标函数不增。通过分析方法如梯度下降处理松弛后的问题，但需防止陷入局部最小。确保目标函数在定义域上的凸性可以避免局部最小，从而得到接近最优解的实数值，最后再进行整化。
先来看下整型组合优化问题，对于（图一）中的寻找最小点（红点）问题，用求导的方法不可取，用排序的方法就是NP问题，无法在多项式时间内找到最优解。
（图一）
遇到这种情况，可以采用松弛的方式来处理，首先把问题定义域X的范围从整型松弛到实值范围内，而且目标函数在整型定义域上小于或者等于原目标函数，如图二所示：
（图二）
此时可以用分析的方法(比如梯度下降等)来处理，但是仍然有个问题就是有可能陷入局部最小，解决陷入局部最小的办法就是让目标函数在定义域上是凸的，这样就不会陷入局部最小了（感觉像说了废话一样），如（图三）所示：
（图三）
这样就可以直接通过分析的方法求出逼近解，然后化整就行了。
扫一扫
6606
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
