序号 | 课前学习(共28学时) | 授课内容与学时(共16学时) | 课后拓展(共28学时) |
第一部分 绪论 | 1) 最优化发展历史; 2) 初高中、大学阶段的优化问题案例; 3) 高等数学、线性代数部分内容; (4学时) | 1) 数学基础; 2) 最优化模型; 3) 相关概念; 4) 研究分支; 5) 应用领域(机器视觉、任务分配、机器学习等案例); (2学时) | 1) 课程相关电子书、论文集、视频资源翻阅; 2) 结合各自研究方向的优化领域论文查阅; (4学时) |
第二部分 凸优化 | 1) 凸与非凸; 2) 仿射、凸、锥; 3) 优化问题分类; 4) 单纯型方法; 5) 线搜索策略; 6) 导数在搜索中的作用; 7) 最陡梯度下降; 8) 牛顿法; 9) 拟牛顿法; 10) 随机梯度下降; 11) 坐标下降; 12) 矩阵的正定、正半定;负定、负半定、不定判别; 13) 常见二次规划问题; 14) Excel、Matlab、Lingo的下载和安装; (18学时) | 案例1:线性规划——产品生产问题 案例2:二次规划——通信能耗问题; 1) 凸优化基础; 2) 无约束线性规划及其解法; 3) 有约束线性规划及其解法; 4) 线搜索和信任域; 5) 基于线搜索的无约束非线性规划; 6) 二次规划; 7) 对偶理论; 8) Excel、Matlab、Lingo的使用; (10学时) | 1) 编程实现单纯型方法求解线性规划问题; 2) 一维线搜索方法的Matlab实现; 3) 基于CVX工具箱的QP问题、QCQP问题求解; 4) 线性方程的最小二乘解的对偶问题、二次规划QP的对偶问题、二次约束二次规划的QCQP的偶问题笔算推导; 5) 支持向量机SVM中的对偶问题应用拓展; 6) 几何规划问题等拓展内容; (12学时) |
第三部分 组合优化 问题 | 1) 启发式算法的发展; 2) 典型组合优化问题(TSP、VRP、SP、CP、KP等); 3) 相关概念和常用测试集; (6学时) | 案例:TSP问题 内容:启发式优化算法(遗传算法、蚁群算法、微粒群算法等)基本思想、原理、算子、算法流程、实现方法、典型应用 (4学时) | 1) 各类启发式算法的性能比较; 2) 最新启发式算法的思想和基本原理; 3) 算法的正反馈机制; 4) 探索与利用; 5) 常用改进策略; 6) 混合整数线性规划; (12学时) |