第一章 最优化建模与计算

1.2 最优化建模

1.2.1 概要

1.2.2无约束规划

• 一元函数极值：可能只是局部极值
  
  如：
  
• 多元函数极值：
  
  如：
  

1.2.3 约束优化-线性规划

模型：条件都是线性函数。

如：

1.2.4 约束优化-非线性规划

模型：条件里有非线性函数。

如：

1.2.5 约束优化-整数规划

• 分类：
  
• 整数线性规划
  如：获得最大利润
  
• 0-1规划
  如：获得7个中选几个点，能获得最大收益。
  
• 灵活转换
  如：添加了复杂的条件时。
  方法一：生算
  
  方法二：加入0-1规划元素，例如编程里（bool&条件）
  
  方法三：化为非线性规划
  

1.2.6 约束优化-单目标与多目标优化

• 模型：就是在约束条件下目标有多个目标函数。
  
• 处理方法：具体的自己查吧，精髓就是在约束条件下把多目标进一步优化为单目标求解。
  

1.2.7 约束优化-动态规划

• 概念：将一个决策问题转化为相互联系的多阶段决策问题，每一阶段又有不同的状态，选择状态的决定就是决策的过程，最终找出最优决策（通过ppt例子可以更容易理解）。
• 基本要素：
  1 阶段
  2 状态与状态变量
  3 决策与决策变量
  4 阶段指标、指标函数和最优指标函数
  5 基本方程（递推关系式）：fk为当前当目前为止的指标函数，第一项是阶段指标，第二项是上一阶段的指标函数。
  
• 基本思想：关键词逆过程。
  
• 最优化原理：一个最优策略的子策略总是最优的。
  最优化原理仅是最有策略的必要条件。
  基本方程才是最有策略的充要条件。
• 实例精髓：
  一般都是把x分给k个，且每一个都有各自的投资值和回报值，在此基础上应用动态规划算法，假设各种变量和递推公式（类似于编程里的递归法），然后一个阶段一个阶段的来计算，获得最优决策。
  

1.2.8 网络优化和图论建模

1.2.8.1 图论基础

• 基本概念：
  点集V={Vj}+无序对（连线）E={Ek}=二元组G={V, E}
  无向图：连线不带箭头。（点+边）
  有向图：连线带箭头。（点+弧）
  环：
  
  多重边：
  
  简单图：不含环和多重边的图。
  多重图：有多重边的图。
  次：
  
  出次和入次：
  
  子图和支撑子图：
  
  网络：
  
  链：注意是有序列的
  
  
  连通图：
  

• 定理：

1.2.8.2 树和最小生成树

• 定义：也是一种特殊的无向图。
  

• 连通图生成树的方法：
  破圈法：
  
  避圈法：
  
• 最小生成树定义：
  
• 获取最小生成树方法：
  
  

1.2.8.3 最短路问题

• 定义：
  

1.2.8.4 最大流问题

• 基本概念：
  
• 定义：
  

1.2.9 排队论

• 模型：
  

• 排队基本过程：
  

1.3 解的灵敏性

投掷铅球问题：

1.4 最优化计算（算法）

1.4.1 基础算法

枚举法：就是生算。。。

1.4.2 智能算法

1.4.2.1 爬山算法

一句话总结爬山算法：一个在迷雾中试图攀爬珠峰的勇者爬上山峰的过程。

• 局部搜索算法
  爬山算法，是十分经典的一种局部搜索算法。因为爬山算法将状态空间里每一个状态映射成一个个点，而状态的优秀度就是一个个点对应的函数值。对于一个函数，我们找到它的峰值，我们就找到了原问题的最优解。爬山算法做的，就是找多峰函数最优值的问题。
• 怎么爬
  爬山很简单，从起始状态开始，哪里高往哪里爬。对于每个状态，都会有与之相邻的状态。在与它相邻的状态中，优秀度最高的那个邻居就是可能成为我们下一步的点。如果该点优秀度高于当前的点，那么就爬到那一个点去，否则说明我们已经爬到了山顶，那么当前所在的状态就是最优解。
• 不可忽视的致命短处——迷雾
  爬山算法在大几率上会陷入局部最优解。就如下图，如果你是从C点出发，那么就将以为D点是最优解而错过了真正的最优解A。相反，如果你从B点出发就可以获得正确答案。
  
• 人多力量大
  于是乎，为了保证可以遍历到最优解，我们可以适当增加初始状态空间的大小（增加爬山的人数），然后从每一个起点出发，答案取最终山顶高度的最大值，便可以大大减小爬山出错的几率。

1.4.2.2 禁忌算法

• 相关概念：禁忌搜索算法是组合优化算法的一种，是局部搜索算法的扩展。所 谓禁忌就是禁止重复前面的工作。禁忌搜索算法用一个禁忌表记录下已经到达过的局部最优点，在下一次搜索中，利用禁忌表中的信息不再或有选择地搜索这些点。
  禁忌搜索算法涉及侯选集合、禁忌对象、评价函数、特赦规则、记忆频率信息等概念。