最优化原理与方法知识点总结 最优化原理的两个性质？
最优化原理的两个性质？
最优化原理也称为最优性原理。指解决多阶段决策问题的理论。这个理论是美国的伯曼在1956年提出的。它最初的说法是，一个过程的最优策略具有这样的性质:不管它的初始状态和初始决策如何，它的后续决策都必须构成以第一个决策形成的状态为初始状态的过程的最优策略。
这一原理的实质是多阶段决策过程具有仅从当前状态和系统的优化要求做出下一个最优决策的性质，而不考虑过去的过程。
代码优化所依据的是？
1.对等原则。优化后，程序运行的结果不应改变。
2.对等原则。优化后的目标代码运行时间更短，存储空间更少。
3.成本效益原则。应该尽可能以较低的成本获得更好的优化结果。
程序设计语言编译原理(第三版)P272
凸优化算法原理及讲解？
凸优化算法是优化问题中非常重要的一类，也是研究比较深入的一类。
对于机器学习来说，如果要优化的问题被证明是凸优化问题，说明这个问题可以很好的解决。
求解一般优化问题的全局极小值是非常困难的。至少问题是函数可能有多个局部极值点，还有鞍点问题。
对于第一个问题，我们找到一个梯度为0的点，这是一个极值点，但不是全局极值。如果一个问题有多个局部极值，我们就要找出所有的局部极值，然后进行比较，得到全局极值，这是非常困难的，计算成本也相当高。
第二个问题更严重。我们找到了一个梯度为0的点，但它甚至不是局部极值。通常，该函数在0处的导数等于0，但它根本不是极值点:
梯度下降法和牛顿 s法，都是以导数为判据，找到导数/梯度为0的点，梯度等于0，这只是求极值的必要条件而不是充分条件。
如果把这个必要条件变成充分条件，也就是问题就简单化了。
如果问题有限，可以保证上述条件成立。
限制方案之一是:
对于目标函数，我们将其定义为凸函数；对于优化变量的可行域(注意还包括目标函数的定义域的约束)，我们将其定义为凸集。
同时满足这两个约束的优化问题称为凸优化问题。这类问题有一个很好的性质，就是局部最优解一定是全局最优解。
绿松石有哪些优化处理手段，怎么鉴别是否优化处理过？
绿松石浸泡在汽油等液体中，会改变光泽和颜色，但容易褪色，所以不再使用。
将绿松石在虫蜡或川蜡中煮沸，加深颜色，封住微小的缝隙(在放大镜下，用热针靠近绿松石表面，蜡受热熔化后会形成珠子。表面时间长了会褪色，日晒后褪色更快。
用有机或无机染料将浅色或白色绿松石染成想要的颜色；
染色后颜色不自然——非常均匀，在绿松石本身的裂纹处颜色更深。
染出来的颜色很浅，一般在1mm左右，在绿松石某处的脱皮处和坑里可能会露出一个浅色的核。
染过的绿松石一部分碰到沾有氨水的棉签会流蓝色。
注射有色或无色塑料，有时加入着色剂，是目前最成功的方法:填充型腔，提高稳定性；减少表面光线的散射，使绿松石呈现出适中的蓝色调以改善外观(注射塑料的绿松石折射率低于1.61；密度一般小于2.76g/cm3，通常为2.0-2.48g/cm3，天然优质绿松石密度应大于2.6g/cm3；注塑绿松石的莫氏硬度较低，一般为3-4，外观相同的天然绿松石莫氏硬度一般为5-6；注射成型通常有烧伤痕迹)
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
