2018年8月22日列生成算法的子問題求解算法
（出自微信群： Global O.R./OM/IE Community）
於-昆明-昆明理工：
對於列生成算法的子問題求解，子問題除了動態規劃算法，還有啥別的算法？求分享。
留-海德堡-組合優化AI：子問題一事一議呀，我做過的project子問題本身是一個整數規劃問題。所以就歸結為整數規劃用什麼來求解了。
於-昆明-昆明理工：是不是關鍵在於找負的dual price。
留-海德堡-組合優化AI：恩，還是構造一個數學規劃問題，然後看那個問題屬於什麼類型。
Z-Pier-Crew Scheduling：理論上是 min問題是找負的reduce cost 吧，子問題具體問題具體分析，交通領域多為最短路，下料配載之類的多為0-1揹包，都是數學規劃問題，找到適合的求解算法就好。
於-昆明-昆明理工：我的困惑在於子問題採用的算法與reduce cost 之間聯繫，一個調度的問題，可以規約為tsp。
留-海德堡-組合優化AI：只要把子問題解出來，跟解這個問題的算法無關。很多時候不需要得出最優解，找到負的解就能add column了。最後一步收斂的時候，解到底，如果最優解是非負的，整個系統就converge了。
Z-Pier-Crew Scheduling：是的，也可以一次加很多列減弱退化，不需要每次都求到最小的reduce cost，也可以涉及啟發式的規則去解，只要保證負的就行。
2018年8月22日 遺傳算法的參數優化
（出自微信群： 【3】Global O.R./OM/IE Community）
攀-奧格斯堡大學-BWL：求教大神關於遺傳算法的最優化模型該怎麼建呢 為達到每代調節參數，得到更優的結果. 我這個問題好解嗎？
唐-NEU-組合優化&機器學習：個人覺得遺傳算法的參數還是挺玄學的 教材和網上能搜到一個推薦的區間 最土的辦法就是自己去挨個試一下了。當然用grid search來一遍應該也是可以的。
攀-奧格斯堡大學-BWL：這個推薦的區間是指什麼呢。是針對哪些參數而言？
唐-NEU-組合優化&機器學習：之前也嘗試過把解的質量和時間做成一個新的目標函數 在遺傳算法的上面在套一個近似算法求解 效果倒是還說得過去 但是實現起來稍微有些麻煩 時間上也不是很好。
攀-奧格斯堡大學-BWL：選擇方法算是參數嗎？ 還是屬於一個算子？
唐-NEU-組合優化&機器學習：種群大小50～100 代數100～500 交叉概率0.5～0.99 變異概率一般在0.1以下一般來說盡可能小吧，另外還有自適應遺傳算法 就是會隨著迭代次數改變參數大小 但是我沒做過 具體細節我也太清楚 你可以去了解一下。
攀-奧格斯堡大學-BWL：是指adaptive GA嗎？選擇父代不是要用到一個選擇方法嗎 比如輪盤賭之類的 這可以當作參數處理嗎？
唐-NEU-組合優化&機器學習：好問題… 我還沒考慮過把這個做變量加進去，但是直覺覺得這個影響應該不是很大？當然了不要相信直覺 還是要試一試。
攀-奧格斯堡大學-BWL：嗯 這個我也只用了一種選擇方法 不知道有沒有大的影響，我也只是剛剛接觸遺傳算法 ，有的東西不是很瞭解 。最優化模型怎麼建呢 ，有稍微具體點的思路嗎。針對TSP模型的話。
唐-NEU-組合優化&機器學習：思路就是找出目標函數 定一個適應度函數 想出染色體編碼的方式 還有根據染色體交叉和變異的方式。
攀-奧格斯堡大學-BWL：我的這個要求它只是籠統的說建立遺傳算法的參數調節 的最優化模型，然後通過TSP來測試。有的數據是來自TSPLIB的大數據 裡面包含十幾萬位置座標。
唐-NEU-組合優化&機器學習：首先目標函數肯定是路徑總長度，適應度函數則是目標函數的倒數。這樣的話就是距離越短適應度越大 滿足了需求，染色體就是按照路線順序各個座標的編號。比如14532。
攀-奧格斯堡大學-BWL：這裡參數調節可以考慮到嗎?
唐-NEU-組合優化&機器學習：我感覺這些不行… 你可以試不同的方法,但是參數應該不行。不過話說十幾萬位置… GA效果應該不太行吧。
攀-奧格斯堡大學-BWL：嗯 對的 我算第一代算了兩個小時,你知道的調節遺傳算法參數的方法有哪些,老師要求引入gurobi來計算，這個好處理嗎?
唐-NEU-組合優化&機器學習：GA挺適合分佈式計算的 有條件可以試一下 能快不少,這個我就不熟悉了 我一直在是搞算法原型的 一直也想找機會學一下gorubi。
攀-奧格斯堡大學-BWL：什麼是分佈式計算呢?這個計算難嗎 是大模塊嗎?
唐-NEU-組合優化&機器學習：這個你可以自己搜一下 感覺比較一言難盡,簡單理解就是把大量的數據分成小塊 由多個處理器分別計算.因為GA計算每一代的種群時候 每個個體都是獨立的 所以天生就非常適合。
2018年8月23日 粒子群算法
（出自微信群： 【3】Global O.R./OM/IE Community）
jing-悉尼-DS-交通研究:粒子群英文是什麼？
唐-NEU-組合優化&機器學習：PSO。
王-合工大-供應鏈：Particle swarm optimization。
jing-悉尼-DS-交通研究：Pso就是粒子群，這個我瞭解。是美國人根據魚群發明的，另一個co author在中國，他比ga快很多，但沒被證明是否能收斂。
唐-NEU-組合優化&機器學習：在多目標優化應用似乎很廣泛？新的學期正要學muti-objective。
jing-悉尼-DS-交通研究：一般是ga+pso ,因為要用到ga的 mutation, seletion, crossover。
唐-NEU-組合優化&機器學習：哦哦原來如此 等我這學期慢慢感受。
jing-悉尼-DS-交通研究：分佈式pso有實現，但我沒研究過。
唐-NEU-組合優化&機器學習：感覺研究一下分佈式是OR的一個趨勢所在啊 因為這個明顯對效率幫助很大啊。
jing-悉尼-DS-交通研究：pso需要每一步都要把所以粒子的位置進行aggregation。完全分佈是不可能的。
唐-NEU-組合優化&機器學習：原來如此 所以對於效率的提高能起到多大的作用呢。
jing-悉尼-DS-交通研究：瓶頸在集中。你可以先做個literature review.看最新，最好的算法是什麼，然後把這個算法分佈化。Acm 和 ieee 都有一個最好的evolution computing的會議。
2018年8月24日優化問題的正則化
（出自微信群： 【2】Global O.R./OM/IE Community）
劉-上海-上海大學-計算數學：請教大家一個問題 ，對於優化後得到的結果具有很大的震盪性 ，可以有什麼好的約束方法讓它平滑一些？ 謝謝。比如這樣。這是一個腫瘤放射計劃的優化結果，圖中的橫座標代表不同位置，縱座標代表放射計量，得到的結果震盪性很大，這在實際臨床上是不行的。目標函數是下面圖示中那樣設置的，其實就是把醫生處方計量與計算得到的計量做了個差，讓它平方最小。
季-USF-IE:你這描述感覺有點像殘差平方和的意思。
劉-上海-上海大學-計算數學：是的 我第一次看到也是這個反應。
諸葛-南充-四非-算法模型：取對數看看效果會不會好一點？就是結果數據不變，但是成圖的時候，把結果數據取對數，應該效果會好一點。
劉-上海-上海大學-計算數學：取對數？但是實際臨床操作的時候是不能取對數的 只能按照這個數據在腫瘤內部施加放射劑量 ，剛剛在目標函數後面加了個正則項 好像效果好了點。按之前的，一不小心就把正常細胞給殺死了。
諸葛-南充-四非-算法模型：不是直接對數據進行處理。只是在數據成圖的過程中，不以結果數據為標準，而是以其對數結果為標準。例如有些算法收斂極快，圖像對比不明顯，這種時候就對數據進行對數則比對起來效果更明顯。
留-海德堡-組合優化AI：加點L1或L2Regularization？
劉-上海-上海大學-計算數學：嗯嗯 加了個L2Regularization的。
2018年8月27日 動態規劃算法中的operator T
（出自微信群： Global O.R.optim PhD Community）
史-NEU-組合最優化：有哪位對動態規劃的contraction property和DP operator T有了解，最近在看DP，感覺不是很能理解這倆東西。
覃-MIT-OM&ML：這個notation…看的bertsekas?
史-NEU-組合最優化：在清華的那個課程
覃-MIT-OM&ML：I see 他那個課我還去聽了第一節233,Bertsekas講東西一般般…
史-NEU-組合最優化：嗯。。。感覺說的內容把他想表達的意思給切的稀碎。
覃-MIT-OM&ML：不過他這個operator的寫法我覺得還是很不錯的 succinct 便於精簡推各種property 建議你從基本例子出發手算點具體問題 這樣你可能更好理解。
史-NEU-組合最優化：我之前一直在做RL和ADP，最近想補補基礎，我沒理解的主要是T，他說這是一個blackbox，我想不明白T的具體形式可以是什麼，翻了一下泛函也沒找到能有啟發的內容， 這是因為用到了什麼數學工具我不知道導致的麼？有什麼推薦的資料嗎？
覃MIT-OM&ML：你越搞越抽象了， 當然你是可以從泛函角度去理解的 ，不過我前面的建議就是讓你從簡單例子開始， 即先形成工程思維 ，如在inventory問題裡T是min y>=x這個linear operator 。
原文鏈接：https://mp.weixin.qq.com/s/9L5Z7ZP8v1NWtHc058Nz2A
版權說明：本文由『運籌OR帷幄』編譯整理，不作為商業用途，如有內容侵權，我們將隨時刪除。
歡迎查看原文，獲取更多訊息！
閱讀更多 留德華叫獸 的文章
