优化思考一

以下内容是自己的小思考，可能有不对的地方。

1.优化是一项系统工程，是决策中的一环，需要前后很多环节互相配合协作。

简而言之，数据（输入）>>优化模型（处理）>>结果方案（输出）。优化是其中最重要的一环。

我们做优化之前，很多时候假设数据信息已知；即使不知道，也假设服从一定的概率分布等，或是需要通过各种预测手段预测数据。这里要需要预测人员的配合和帮助。

如果涉及到多个目标，往往得到的是一系列满意解。管理者需要根据偏好，通盘考量，给出最终的方案。也就是优化的最终解释权归决策者所有。优化只是给出一系列方案的参谋人员而已。

所以这是一件团体工作。包括前期预测人员挖掘数据以及数据库，需要数据分析师和后端人员协助；最终给出方案后需要前端页面展示和后台展示系统的搭建。

2.优化，是关于量化的学问。优化人员的强项在于抽象和建构问题，并且用模型来表述出来。这是一门关于实际和数学的沟通桥梁。

优化的展示形式是“模型”。所以很多时候狭义的优化仅仅指建模工程师。而一个模型的好坏，十分重要。

同样的问题，可能有很多种模型。
哪个好，哪个坏，如何去选择？
一个模型，如何根据它的特点进行解构与重新建构，也就是reformulation？

这些也是优化人员的强项之一。说白了，优化人员就做两件事：建构问题以及搭建好的模型。

比如，TSP问题，避免闭环的写法，至少有3种。哪个好哪个坏？
以及，TSP是根据点来设变量；还是根据边来设变量？前者是排序问题；后者是网络流问题。后者建模更好。
再比如，根据约束和变量的特点，假如模型变量很多，切约束较少时，可以采用列生成算法，初始只考虑部分变量，然后不断往里边加变量；再比如约束较多时，可以选择加入部分约束，再加入部分约束的branch and cut解法，每次加一个cut。

3.初阶的优化人员，容易喜欢上启发式算法，从而走偏。当然，启发式算法有好处，但是，只轮算法，你比不过计算机人员。而且根据视野只在算法上，不会关注模型本身的特点，也就是说编程求解不需要对问题，对模型有深刻的认识。这刚好与优化人员的强项相违背，干嘛以己之短碰别人之长呢？

切记，切记，建立好的模型是永远的目标。

求解器既可以用来求解模型，也可以反向测试模型的好坏，从而对模型本身进行修正。