processlasso(有哪些逆天又高效良心的办公应用软件推荐)
资讯
2024-03-17
149
1. processlasso,有哪些逆天又高效良心的办公应用软件推荐?
Clover:免费的文件夹切换软件,瞬间让办公效率飞起来。
每次写文件都需要在各个硬盘、文件夹中切换,像浏览器一样丝滑。
---小张,我听说好用的软件都很贵,你这应该花了不少钱吧!---不贵啊,免费的。一分钱也没花。
---免费?有这么好的事情。
---真的,你看看这是下载官网,写着免费。
---哇塞,真的太棒了。我也赶紧下载一个试试,对了怎么下载啊?
---简单,你搜索Clover就行了。
---好的,我赶紧去下载了。
这个免费的超级软件,你竟然不知道,惊不惊喜意不意外。
---小张,除了这个还有什么软件可以实现文件夹切换吗?
---有啊,你看看这个很酷炫的。
---这是软件的全部界面,功能多到难以置信。
---赶紧记一下,这个软件叫什么名字?
---记住了,实现文件夹切换的软件主要有两款Clover和XYplorer,其中前者免费后者付费。普通办公用Clover就完全足够了。
---小张,我最近要做ppt,你有没有好的模板网站推荐一下?
---嗨,王姐。你咋不早说啊,我最近刚刚入手了一个超级好的模板网站。
---入手?要给钱吧。花钱买我可不愿意,你赶紧分享一个免费的给我。
---王姐。你别着急,这个网站保你满意。
---我可没钱买模板,上次一个模板花了我10块钱。心塞啊!
---不会吧,一个模板10块钱,我这终生会员才30多块钱。
---便宜没好货,我试过啦,很多便宜的都是坑。
---这个真不是,王姐。我给你看看效果吧!
---你别说,还真不错。
---不止如此,这里分类齐全,物美价廉啊。
---小张,这上面还有word模板啊?
---对啊,你看这里有各种合同模板,拿来就能用。可方便了,偷偷告诉你我都用了好多次了。
---小张,怪不得你不加班,原来有货啊。
---嘿嘿,关键30多块任意下载,终生免费,一般人我不告诉她!!!
---赶紧告诉姐地址。
---姐,你搜索“办公资源网”。记住了“办公资源网”。
---好的,你先忙,我赶紧去试试。
这么好的网站,居然没人知道,真是可惜。要是他们知道我还有更好的,不知道会有什么反应?
说到职场人,下面这个图,我能笑个不停。
这不正是每一个职场办公人士的真实写照吗?
---小张,你帮帮姐,这快要下班了,老板让我编制一个文件目录。
---李姐,有什么问题吗?
---有啊,这3000多个文件怎么编啊,孩子要放学了没人接啊。
---不就3000个文件嘛,简单。10分钟搞定。
---10分钟?你开什么国际玩笑。
---真的,我发你一个软件,很快就搞定。
---首先,添加文件;然后,导出文件清单列表就行了。根本不用10分钟,其实5分钟就够了。
---不对,是1分钟吧!你太谦虚了。
---这软件挺有意思,是专门导出文件的吗?
---当然不是啦!这是文件管理软件。清华大学选择的文件管理软件?
---清华大学的选择?
---是的,你看这张图。
---它能干什么?
---看看介绍吧。
---这个软件挺贵吧!
---网络有河蟹版的你可以下载,当然正版也不贵。
---叫什么名字,我赶紧去试试。
---关键词:taglyst。
---小张,办公软件你用的什么啊?怎么不像office啊。
---都什么年代了,你还用office。国家都快不用office考试了。
---用wps吗?
---两种选择,wps和永中office你自己试试吧!不过我推荐WPS。
---有什么不同呢?
---最大的不同就是不用来回切换。
仅仅是在文档之间切换,就能耗费大量的精力和时间。WPS真的解决了办公人士最大的痛点之一。
---小张,学不会EXCEL表格的公式和函数,学也没学会,有没有什么好办法?
---有啊,给你看看这个。
比如说条件求和,根本不用记忆公式。点几个鼠标就行了。
比如说一些财务操作,一键直达。根本不用什么公式、函数。
简单来说,只要认识字,就能完成复杂的表格操作。
---小张,你都哪里学的这些啊!你原来不是什么都不会吗?突然这么厉害了。
---姐。我最近关注了一个头条号,叫“拉轰读书”,里面有好多优质软件和网站。
---是吗?都有些什么呢。
---你比如说吧!别人都是推荐一两个模板网站,拉轰读书里面一个顶100个。
---你吹牛。
---真的,你看看这个网站,真的PPT模板什么都有。
---你再看这个网站,视频、音频、文本、小说,什么都有,关键还很优质。不用自己去找。
---真的挺全的。网址叫什么?
---小森林导航。姐,你真的要关注拉轰读书,这些都是小儿科,开胃菜。
---你是说他还有更好的?
---当然。你比如说你孩子说实话,成绩你很担心吧!!我家孩子最近用了他推荐的软件,记忆效率那是快速提高啊,成绩好多了。
---不会吧!你说得像玩似的,怎么可能这么简单。
---姐,孩子记不住你知道是为什么吗?
---还不是记得不牢固呗。
---姐,你听说过“艾宾浩斯遗忘曲线”吧!这复习得按照规律来。
---知道啊,这个大家都知道吧,可是知道了也没有什么用。
---那不一定哦。给你举个例子,我家孩子学了“将进酒”,我就给他设置了复习曲线日程,到了时间提醒他就行了。
---这个软件根据学习日期,自动生成了复习日程。
---接下来就简单了,提醒他该复习了。或者和他一起背诵一遍。这样的复习,想忘记都难。
---你别说,真的挺好用。
---这软件叫什么名字?
---记住了“时光序”。
我仿佛看到了清华大学的录取通知书。
---小张,文档批量处理有没有好办法?
---姐,你看看这个行不行。
---小张,自动文档排版有没有办法?
---姐,你看这个行不行。
---小张,PDF转换软件有吗?
---小张,PDF被加密了,能破解吗?
---小张,截图软件有没有比Snipaste更好的?
---小张,文档比较有没有好办法?
。。。。。。
---有有有,你们去看“拉轰读书”,里面什么都有。
---小张,谢谢你。
---小张,有没有什么暗号?
---有,评论区回复:我是小张推荐来的。
---会有什么好处吗?
---没有,我可以肯定地告诉你,什么都没有。
2. lasso怎么提高fps?
Process Lasso 是一个用于优化CPU性能和提高FPS的工具。以下是一些使用 Process Lasso 提高FPS的方法:1. 检查系统负载:使用 Process Lasso 的实时系统负载图表功能来检查系统当前的负载情况。如果负载较高,可能会导致FPS下降。确保您的系统在运行游戏时没有过度的后台进程或其他应用程序。2. 设置游戏进程优先级:在 Process Lasso 中,您可以将游戏进程的优先级设置为高。这将确保游戏进程在其他低优先级进程之前获得更多的CPU资源,从而提高FPS。3. 禁用后台进程:使用 Process Lasso 的禁用进程功能来禁用不需要的后台进程。这样可以减少CPU的消耗,为游戏进程提供更多的资源。4. 调整实时优先级:在 Process Lasso 中,您可以将游戏进程的实时优先级提高。与前两点相似,这将确保游戏进程在其他低优先级进程之前获得更多的CPU资源,从而提高FPS。5. 禁用超线程:如果您的CPU支持超线程技术,并且您遇到FPS下降的问题,则可以尝试禁用超线程功能。对于某些游戏和应用程序来说,禁用超线程可能会提高性能和FPS。请注意,优化FPS的方法因系统和游戏而异。以上方法提供了使用 Process Lasso 的一般指导,您可以根据您的具体情况进行调整和优化。
3. 有木有哪位仁兄知道怎么关闭爱奇艺自动更新?
PC端:1,流氓进程。
开机启动项里面会有个 爱奇艺视频服务(辅助) 的进程,结束进程后打开爱奇艺客户端再完全退出同样会出现这个进程,然而并不知道这个进程有什么用,对视频的播放并没有任何影响。
但是部分时候对电脑内存磁盘读写cpu会有极高的占用率(有时候玩游戏的时候卡了一下我就知道又是这个进程在作祟了)。
解决办法,process lasso拉黑(永久有效),或者手动打开文件目录删除了(自动更新以后又会出来)
2,自动更新。
对的,这个是最恶心的,不管你怎么设置,如何禁用更新程序,总是弄不掉这个自动更新,而且这些更新一般都会是一些很没有必要的更新。
一般半个月-一个月,你打开爱奇艺客户端的时候,就会跳出一个窗口,然后就在你眼前自动更新了,不会征求你的同意,甚至连升级包都在你不知情的前提下早就偷偷下载好了,而且采用的居然还是卸载升级的方式,虽然这在某些方面的确可以解决第三方修改客户端,不过对于我们正常用户来说,每次更新就意味着要重新设置一遍(开机自启,固定任务栏等等),而且有时候需要用的时候还不得不等他“更新”完,因为除了结束进程外无法终止。
解决办法,暂无3,界面太过臃肿,设置太过单一。爱奇艺客户端再经历一次又一次更新后集成了太多的无用功能,而且无法独立出来,设置中也无法取消这些功能,常见的有vip会员的视频推荐,视频播放过程中视频左下角的广告,泡泡功能等等,不能站在大部分用户的角度思考,只会一味地扩张,只会适得其反。
解决办法,暂无手机端1,和PC端类似,更新永远是个问题,每过一个月左右,打开软件,首页总会弹出一个窗口,提示你更新(他的更新安装包其实早就在你不知情的情况下下载好了),而且如果你选择不更新,那么你每次打开程序就都会提醒一次(没有该版本不再提醒的选择?)。
甚至连更新了什么都不知道,捆绑式更新。
解决办法,暂无2,广告。
对的,即使你成为了“尊贵的爱奇艺会员”,爱奇艺依然会人性化的在界面首页多出一个15秒的广告(这个可以手动关闭),以及充斥在任何角落无法关闭的游戏广告,爱奇艺旗下软件广告,视频播放界面的书籍手办广告,等等。
解决办法,play版首页无广告。
3,界面太过臃肿,设置太过单一。和PC端一样。
我已经懒得再吐槽了。
答主也曾多次向爱奇艺官方反馈过,但是一直都没有得到过答复,一个老用户的心已经凉透了,很后悔之前活动买的3年会员。
无可奈何,爱奇艺已经不是以前那个爱奇艺了。
这是在某安上面看到的,这只是其中一部分,旗下还有奇秀,商城等等,用心扩张赚钱,用脚做视频app,说不定再过两年,爱奇艺杀毒,爱聊,爱奇艺支付都有了。
成为继腾讯之后的“大企业”(手动滑稽)。惹不起,我先溜了。(#告辞)
4. 玩吃鸡全选最低帧率低的原因?
当前的电脑配置,玩吃鸡游戏最低帧率是完全可以的; 还是与电脑的网络占用、进程优化、硬盘的4K对齐有关; Advanced SystemCare可以优化系统、优化网络,并带有游戏模式; AS SSD Benchmark可以为你的固态硬盘做4K对齐; Process Lasso可以在游戏中,自动平衡后台进程; 此外,游戏中直播、下载、其他设备占用网络、蹭网等问题,都可能导致FPS过低问题; 建议逐个排查。
5. Windows电脑上有哪些值得推荐的软件?
1.酷炫资源管理器XYplorer
使用xyplorer,最大的优势在于界面酷炫+高速切换文件夹,对复制、粘贴、移动更加高效。
支持对不同的文件设置颜色:
对文件设置标签后,可快速通过标签分类查找:
对于标签管理的重度用户,请看下一款超级标签化文件管理:
2.清华大学选择的标签资源管理神器:Taglyst让标签可视化,给同一个文件添加N个标签:
支持自动化分析,可视化:
将标签运用到炉火纯青:
清华大学、上海交通大学、中国科学院物理研究所、伦敦大学、蔚来汽车、中国商飞的选择:
隐藏功能:一键导出N个文件的excel表(支持不同文件格式混合导出)
1446个混合文件夹导出文件清单列表测试:
20秒钟出结果,包含完整标题、类型、标签、备注(10个小时工作量,一键直达),这就是超级软件的威力。
3.其他资源管理软件:qttabbar、clover、qdir、total commander、one commander等比如酷炫的onecommander:
轻松实现文件夹浏览器化的clover+qttabbar
内嵌本地资源管理器,让文件管理更高效(适合不愿意用独立软件的朋友)
无需双击打开,鼠标移动到即可实时预览下级文件内容:
如果需要快速复制粘贴或移动文件(如资源整理),可使用qdir:
4个窗口同时操作,整理资料好用:
4.搜索神器:everything/File locator/Text seeK总有人说,用everything就完全足够。我只能说你的资源太少了,而且场景不多。真正的高手一定是配合everything和file locater。
everything擅长搜索文件名,但对文件本身内容搜索会非常慢,而且效果不佳。而这需要flie locator的配合,或者text seek、bbdocc等。
everything介绍:
filelocator pro:
text seek:
everything的问题是高级查询很慢、结果不全、预览效果差:
结论:
1.一般情况用everything足够,养成良好的文件命名习惯
2.高级搜索用filelocator pro 或 text seek。
5.职场办公神器:相信我,你已知的所有办公软件都是一般的水平,不信你看。1.一键海量范文搜索:公文高手word/wps插件
2.真正的一键自动排版:公文高手word/wps插件
3.真正的范文搜索独立软件:公文高手独立版
4.素材超级分类,公文写作的顶级帮手:公文写作神器
极致分类素材
精细化写作搭配:
覆盖所有场景:
5.公文格式设置助手:公文高手插件/小恐龙办公助手
一键设置标题、多级标题、正文格式、组件、页码
精准设置版面、字数、行数
6.excel类:方方格子、惠办公Excel版、excel工具箱、easy shu
方方格子:
easy shu:
excel必备工具箱:
轻松实现exel标签化:
excel易用宝:
知识管理软件:essentialpim pro+roam edit+百度云盘+曲奇云盘+阿里云盘+语雀等举例:
截屏录屏:专业截图王>sinpaste>Faststone capture专业截图王:贴图、箭头、标注、文本、款选、编号、编辑、分享、颜色、白板
其他:
图片文字识别+pdf转换:迅捷pdf+迅捷ocr..........
语音转文字、视频、音频管理、图片编辑、搜索下载、模板下载、网站导航、数据恢复等,请看下面思维导图。
拉轰出品思维导图(持续更新,建议关注后在微头条获取最新版)
6. lasso怎么用?
Process Lasso是一种用于数据压缩和降维的算法,它可以帮助我们发现数据中的潜在结构并将其进行压缩,从而减少数据的维度。
下面是使用Process Lasso的一般步骤:
1. 准备数据集:首先需要准备好需要进行处理的数据集,确保数据集是完整的,并且没有缺失值或异常值。
2. 安装Process Lasso:Process Lasso是一种商业软件,需要购买许可证才能使用。如果您想使用Process Lasso,您需要先在官方网站上购买许可证。
3. 安装Process Lasso库:安装完Process Lasso后,需要将相应的库文件导入到您的项目中。这些库文件包括libplslasr、libplsloc和libplsod等。
4. 加载数据:使用Python的pandas库或其他支持的数据加载工具加载数据集。
5. 运行过程Lasso:使用Process Lasso的API来运行过程Lasso模型。这个过程通常涉及到选择一些参数,例如正则化参数、迭代次数等等。
6. 结果评估:最后需要对处理后的数据进行评估,以确定是否达到了预期的效果。可以使用各种指标来评估结果,例如R方值、均方误差等等。
需要注意的是,由于Process Lasso是一种比较复杂的算法,因此在使用过程中可能会遇到一些困难和挑战。如果您不熟悉Process Lasso的使用,建议您先阅读相关的文献或参加培训课程。
7. 深度学习如何影响运筹学?
作者简介: @郝井华:清华大学运筹学博士,现任美团配送算法架构师,美团点评研究员。@成丰:北京大学智能科学系 硕士 中国国际金融贸易创新发展战略合作研究中心 · 特聘研究员。胖骁: @胖骁 。 @刘嘉耿 :UCLA数学系毕业生。责任编辑: @文雨之 :东北大学系统工程博士生, @爱牛氓的帆爷 :东北大学系统工程硕士生 。本篇文章是由以上四位作者在知乎上的优秀回答,通过两位责任编辑整理修改而成。同时两位审稿专家也提出了修改建议,并且扩展和补充了一部分内容。敬请关注和扩散本公众号及同名专栏,会邀请全球知名学者陆续发布运筹学、人工智能中优化理论等相关干货、知乎Live及行业动态:
前言
最近看到一篇回答,YouTube 已将视频推荐全面改用深度学习实现。但传统上,推荐系统落在运筹学的范畴,可以归结为一个矩阵补全(matrix completion)问题,用半正定规划(SDP)里的方法,如非负矩阵分解(NMF)解决,而 YouTube 的结果显示深度学习的预测准确率比传统方法好很多、快很多。
其他运筹学的问题(如广告搜索、路径规划、定价估值、仓储物流)、形式(如 LP、CP、SDP、MIP)、和方法(如内点法、割平面法)也会遇到这样来自深度学习的挑战吗?如果会的话,将如何影响?学界和业界有哪些已有的讨论和成果?
文中提及回答:王科:YouTube 的视频推荐算法是怎样的?
:http://t.cn/RQR9nhK
这个问题比较前沿一些,原来看起来相关性不那么强的技术领域,机器学习 VS 运筹学,因为深度学习的发展和突破,变得联系越来越紧密了。
1. 运筹学简介
狭义的运筹学,往往特指采用LP/MILP/MIP/QP/NP 等数学模型建模、采用精确算法/启发式算法在线求解并得到满意方案以及进行相关理论分析的一类技术。所以,运筹学最早是作为应用数学的一个分支,服务于人们解决各行各业优化问题的一类基本数学工具而存在的。
OR/optimization两个学科近年的复兴无疑需要归功于机器学习。2005年以来,Lasso等方法的提出正好契合了贝叶斯学习的精神;2010年,Boyd 在故纸堆中重新找出分布式ADMM用来求解带约束机器学习问题(矩阵分解等等),成为了传统机器学习的标准范式(objective+regularization);2014年以来,深度学习的兴起则直接带火了一片一阶随机算法:ADAM/RMSprop 等。例如,SVM 的训练过程,本质上是求解一个 SQP问题;训练神经网络的梯度下降算法,是在使得训练误差极小化意义下的一个局部优化算法。由此可以看出,绝大部分机器学习模型的训练过程,都是首先将其建模为一个运筹学问题,然后采用相应算法来求解的。从这个角度看,机器学习(包括深度学习),是运筹学的一个应用领域。
在使用运筹学来解决各行各业形形色色问题的过程中,研究者在理论和应用层面发展出了许多类型的优化算法,也解决了不少实际问题。各类运筹学的期刊、会议有很多,每年至少有几千篇论文、专利发表出来。然而,除了几十年前已经发展比较成熟的几类经典算法(凸规划算法、动态规划、若干图算法、信任域算法、元启发式算法等)之外, @郝井华 认为,在基础算法层面,并无太大的突破。人们对具有非线性、NP-Hard特点的大规模优化问题,仍然缺少好用的处理工具和通用求解算法,往往需要研究者结合领域知识,采用模型简化和变换、分而治之等办法来近似求解。然而随着人们对深度学习研究的逐步深入,运筹学问题的求解初步的涌现出了新的思路。本文将简单的介绍运筹学和深度学习的相互影响,以及近些年涌现出的一些比较有意思的研究成果。
2. 深度学习对运筹学的影响
深度学习的出现,为运筹学领域处理上述复杂优化问题提供了一个非常有效的技术途径。在深度学习和运筹学结合之前,在运筹学的学术研究圈里,已经出现了不少『运筹学+机器学习』的案例。例如,在工业产品设计领域常使用响应曲面法(RSM)、插值法来根据有限的实验数据点来建立模型并求解;进化算法大类中,EDA(Estimation of Distribution Algorithm)算法通过一些机器学习模型来学习编码和目标函数之间的近似关系来提升迭代效率,等等。感兴趣的同学可以 Google 一下这个领域的论文。
EDA之类的分布概率估计算法,思想非常好,但是后续并没有取得很大的成功,原因在于,复杂非线性优化问题的解空间往往非常『崎岖』,Landscape 非常复杂,通过一些常规的线性模型、核模型、神经网络等,很难对其解空间进行高精度的逼近。所以相应的优化算法,会有一些改进,但是很难有质的突破。
3. 深度学习与运筹学的对比
首先,与传统运筹学关注的问题相比,一个典型的深度学习问题参数量(待求解的变量个数M)一般很大(例如,用于视觉识别的Alexnet参数量大约在100M这个量级),而凸优化算法一般能够高效解决的变量个数一般在1k-100k这个量级。因为很多算法一旦涉及到求Hessian/Jacobian矩阵就会涉及到存储和计算效率问题了,这正是很多传统算法的瓶颈之处,而这也是新世纪以来一阶算法重新兴起的一个背景。正是由于这样的原因,LBFGS一度作为标准的优化算法在现代机器学习界应用较少:每步迭代需要一个O(M^2)变量的更新的代价太大了!
其次,机器学习以及深度学习所伴随的数据集规模(N)一般也很大,例如标准视觉toy数据集ImageNet是120万*4096,而google,Amazon,阿里巴巴等大厂的的规模则是PB级别的,这甚至已经达到传统油田,大气,金融等问题的存储规模了。数据集大小方面带来的问题也是不可忽视的,一系列的随机算法(SGD-based method)、分布式算法被提出来应对这些问题。
从计算难度的角度而言,油田、大气、金融等问题的计算一般都有很好的formulation,问题求解虽然不见得性质很好(例如解Levy Process因为跳的存在,也涉及到很多0-范数的问题,本质上还是NP-hard的),但是起码能够有一些理论的保证。而深度学习由于问题极其扭曲(深),非线性程度很高,所以求解过程收敛速度和收敛性并没有任何的保证。当然最近也有一些在比较强的假设下,浅层的神经网络到达saddle point或者local minima的一些证明,但是计算上的问题还是一个根本的困难问题。
然而,在给定大量高质量数据的前提下,深度网络和深度学习算法展现出了相比较传统机器学习模型精准得多的逼近能力,能够提供高精度的逼近效果。从本质上说,这一点就是深度学习带给运筹学的最大影响。在合适的应用场景下,通过深度网络离线学习得到高质量的逼近模型,并把它和符合问题特点的优化算法相结合,将会带来意想不到的应用效果。我相信未来几年内,这方面的论文会涌现出一大批。
从应用层面来说,机器学习在‘预测’上比传统运筹和统计模型表现好是必然的,原因是传统模型基于简单的假设,因为复杂的假设可能无法快速的解出最优解。更多的参数意味着这更好的拟合程度,虽然有过拟合的风险,但机器学习模型可以通过模型增加正则化,Bagging, Boosting等一些列方式防止过拟合,从而达到很好的预测效果。当然了,预测好并不是一个模型的全部,相对于传统的统计模型所缺少的是可解释性和insight。
4. 深度学习的发展
举个例子,博弈问题如围棋,就是一个典型的复杂优化问题。而AlphaGo 成功的本质原因,是通过深度网络离线学习得到了对于状态和落子点价值的较为准确的评估,然后在线地和搜索算法(蒙特卡洛树搜索算法)相结合,取得了突破性的效果。
最近,机器学习界也在反思,Neural Network+BP=AI这么一个打法究竟是否成立。Hinton直接就跳出来说:“BP在深度学习中不是必要的”,并且提出了一个叫Capsule的东西给大家思考。包括我们也知道有很多non-gradient的方法(粒子群蚁群优化等,一度被小圈子玩坏的领域,但是在新时代有无重新兴起的可能?而OR也确实能够给机器学习界带来很大的帮助:例如,以SMO求解SVM等对偶方法现在已经是标准思路。
5. 机器学习和整数规划结合的一些成果
整数规划作为运筹学理论体系中很重要的一部分,对解决实际工业需求中的问题提供了强有力的建模方式,但机器学习模型可以通过模型增加正则化,Bagging, Boosting等一些列方式防止过拟合,从而达到很好的预测效果。
Branch-and-Bound(B&B)和 Cutting Plane方法是求解整数规划精确解的两种常用的方法。一直以来,这两种方法对机器学习理论的发展和应用都起到非常重要的作用。例如,B&B可以用在MAP 估计、场景理解、和dependency parsing中。机器学习的发展同样对整数规划理论具有很强的推动作用,尤其在整数模型求解过程中所涉及到的决策部分,机器学习模型将越来越发挥重要的作用。
例如,在使用算法或者商用求解器求整数模型的精确解时,通常会涉及到以下三种决策:
-Cutting Plane: 会有很多有效的割平面,但如何只选择其中一部分加入求解过程中。
-Node Selection:如何在现有产生的Node中选择一个,进行下一步的松弛。
-Branching:在每个Node中,选择哪个变量进行Branch.
当前的商用求解器比如Cplex, Gurobi 和开源非商用求解器Scip在处理三种决策时,通常使用Heuristic的方法进行处理。例如,在Cut Selection中,一般使用一个多变量打分系统对每个Valid Cut进行打分做出选择,这样的处理方式是非常的主观的。现有求解器在进行Node selection 时, 通常默认使用best-bound 和best-estimate 两种方式,根本没有考虑求解模型的特性。同样的问题存在Branching rule的设计中。
机器学习的发展,为整数规划的算法中涉及到决策的部分提供了一种新的思路。比如可以通过定义合适的reward 和transition function, 可以用Online learning 算法,模拟node selection过程。可以用非监督模型对整数模型进行Danzig-Wolfe 分解。也可以通过学习Surrogate 评价函数,来学习Strong Branching过程,从而减少求解时间。
近些年,越来越多这样的成果涌现出来,但大部分成果还都是在各大计算机顶尖会议上进行发表,其中以佐治亚理工计算机系的Song Le, Bistra Dilkina团队和工业工程系George Nemhauser团队最为突出。在两个人工智能专家和传统优化大师联合指导下,组内的博士生使用最前沿的深度学习在传统整数规划领域做出了突出的成果。也从侧面证明了,运筹学要和人工智能深度的结合,才有可能突破现在理论所遇到的问题。
此外,在很多行业中,受问题规模、复杂度以及响应时间的制约,很多规划问题需要大量应用启发式规则/程序(heuristics)来近似求解。这些启发式规则/程序往往来自对系统长期的观察和思考,其质量可能对系统性能至关重要。运筹学中演化计算领域中有一个“演化规划”分支,试图利用演化计算的方法来探索和生成更优的启发式规则,如genetic programming 等,类似的研究还包括approximatedynamic programming、决策树等。近年,这一领域越来越多的学者开始结合深度学习的方法,尤其是深度增强学习,也取得了一些有趣的进展。
6. 结论
1)运筹学学科的发展,需要在优化算法中越来越多的引入深度网络等机器学习工具,实现离线在线相结合,数据和机理相结合,以取得更好的应用效果,这是运筹学发展的必然趋势。
2)运筹学为机器学习贡献优化理论,同时吸取机器学习的理念来更好的解决传统问题,而深度学习也对现有的运筹学理论进行了新的发展。
3)运筹学和深度学习,并不是对立的两个概念&工具,在很多时候需要结合起来使用。
感谢审稿人杨昌鹏 @Changpeng Yang, 新加坡南洋理工大学/加州大学伯克利分校联合培养博士,现任顺丰科技----航空和物流优化 ,为本文添加了机器学习与整数规划结合的一些成果这一小节的内容以及对整体文章的建议和修改。
感谢审稿人 @王孟昌 阿里巴巴运筹优化算法专家-调度优化,整数规划,为本文添加了机器学习与整数规划结合的一些成果这一小节的内容以及对整篇文章的框架的处理和建议。
参考文献:[1]Khalil E B. Machine Learning for Integer Programming[C]//IJCAI. 2016: 4004-4005.[2]Khalil E B, Dilkina B, Nemhauser G L, et al. Learning to run heuristics in tree search[C]//Proceedings of the international joint conference on artificial intelligence. AAAI Press, Melbourne, Australia. 2017.[3]He H, Daume III H, Eisner J M. Learning to search in branch and bound algorithms[C]//Advances in neural information processing systems. 2014: 3293-3301.[4]Comments on: On learning and branching: a survey[5]Lodi A, Zarpellon G. On learning and branching: a survey[J]. TOP, 2017: 1-30.[6]Dai H, Khalil E B, Zhang Y, et al. Learning Combinatorial Optimization Algorithms over Graphs[J]. arXiv preprint arXiv:1704.01665, 2017.
本站涵盖的内容、图片、视频等数据系网络收集,部分未能与原作者取得联系。若涉及版权问题,请联系我们删除!联系邮箱:ynstorm@foxmail.com 谢谢支持!
1. processlasso,有哪些逆天又高效良心的办公应用软件推荐?
Clover:免费的文件夹切换软件,瞬间让办公效率飞起来。
每次写文件都需要在各个硬盘、文件夹中切换,像浏览器一样丝滑。
---小张,我听说好用的软件都很贵,你这应该花了不少钱吧!---不贵啊,免费的。一分钱也没花。
---免费?有这么好的事情。
---真的,你看看这是下载官网,写着免费。
---哇塞,真的太棒了。我也赶紧下载一个试试,对了怎么下载啊?
---简单,你搜索Clover就行了。
---好的,我赶紧去下载了。
这个免费的超级软件,你竟然不知道,惊不惊喜意不意外。
---小张,除了这个还有什么软件可以实现文件夹切换吗?
---有啊,你看看这个很酷炫的。
---这是软件的全部界面,功能多到难以置信。
---赶紧记一下,这个软件叫什么名字?
---记住了,实现文件夹切换的软件主要有两款Clover和XYplorer,其中前者免费后者付费。普通办公用Clover就完全足够了。
---小张,我最近要做ppt,你有没有好的模板网站推荐一下?
---嗨,王姐。你咋不早说啊,我最近刚刚入手了一个超级好的模板网站。
---入手?要给钱吧。花钱买我可不愿意,你赶紧分享一个免费的给我。
---王姐。你别着急,这个网站保你满意。
---我可没钱买模板,上次一个模板花了我10块钱。心塞啊!
---不会吧,一个模板10块钱,我这终生会员才30多块钱。
---便宜没好货,我试过啦,很多便宜的都是坑。
---这个真不是,王姐。我给你看看效果吧!
---你别说,还真不错。
---不止如此,这里分类齐全,物美价廉啊。
---小张,这上面还有word模板啊?
---对啊,你看这里有各种合同模板,拿来就能用。可方便了,偷偷告诉你我都用了好多次了。
---小张,怪不得你不加班,原来有货啊。
---嘿嘿,关键30多块任意下载,终生免费,一般人我不告诉她!!!
---赶紧告诉姐地址。
---姐,你搜索“办公资源网”。记住了“办公资源网”。
---好的,你先忙,我赶紧去试试。
这么好的网站,居然没人知道,真是可惜。要是他们知道我还有更好的,不知道会有什么反应?
说到职场人,下面这个图,我能笑个不停。
这不正是每一个职场办公人士的真实写照吗?
---小张,你帮帮姐,这快要下班了,老板让我编制一个文件目录。
---李姐,有什么问题吗?
---有啊,这3000多个文件怎么编啊,孩子要放学了没人接啊。
---不就3000个文件嘛,简单。10分钟搞定。
---10分钟?你开什么国际玩笑。
---真的,我发你一个软件,很快就搞定。
---首先,添加文件;然后,导出文件清单列表就行了。根本不用10分钟,其实5分钟就够了。
---不对,是1分钟吧!你太谦虚了。
---这软件挺有意思,是专门导出文件的吗?
---当然不是啦!这是文件管理软件。清华大学选择的文件管理软件?
---清华大学的选择?
---是的,你看这张图。
---它能干什么?
---看看介绍吧。
---这个软件挺贵吧!
---网络有河蟹版的你可以下载,当然正版也不贵。
---叫什么名字,我赶紧去试试。
---关键词:taglyst。
---小张,办公软件你用的什么啊?怎么不像office啊。
---都什么年代了,你还用office。国家都快不用office考试了。
---用wps吗?
---两种选择,wps和永中office你自己试试吧!不过我推荐WPS。
---有什么不同呢?
---最大的不同就是不用来回切换。
仅仅是在文档之间切换,就能耗费大量的精力和时间。WPS真的解决了办公人士最大的痛点之一。
---小张,学不会EXCEL表格的公式和函数,学也没学会,有没有什么好办法?
---有啊,给你看看这个。
比如说条件求和,根本不用记忆公式。点几个鼠标就行了。
比如说一些财务操作,一键直达。根本不用什么公式、函数。
简单来说,只要认识字,就能完成复杂的表格操作。
---小张,你都哪里学的这些啊!你原来不是什么都不会吗?突然这么厉害了。
---姐。我最近关注了一个头条号,叫“拉轰读书”,里面有好多优质软件和网站。
---是吗?都有些什么呢。
---你比如说吧!别人都是推荐一两个模板网站,拉轰读书里面一个顶100个。
---你吹牛。
---真的,你看看这个网站,真的PPT模板什么都有。
---你再看这个网站,视频、音频、文本、小说,什么都有,关键还很优质。不用自己去找。
---真的挺全的。网址叫什么?
---小森林导航。姐,你真的要关注拉轰读书,这些都是小儿科,开胃菜。
---你是说他还有更好的?
---当然。你比如说你孩子说实话,成绩你很担心吧!!我家孩子最近用了他推荐的软件,记忆效率那是快速提高啊,成绩好多了。
---不会吧!你说得像玩似的,怎么可能这么简单。
---姐,孩子记不住你知道是为什么吗?
---还不是记得不牢固呗。
---姐,你听说过“艾宾浩斯遗忘曲线”吧!这复习得按照规律来。
---知道啊,这个大家都知道吧,可是知道了也没有什么用。
---那不一定哦。给你举个例子,我家孩子学了“将进酒”,我就给他设置了复习曲线日程,到了时间提醒他就行了。
---这个软件根据学习日期,自动生成了复习日程。
---接下来就简单了,提醒他该复习了。或者和他一起背诵一遍。这样的复习,想忘记都难。
---你别说,真的挺好用。
---这软件叫什么名字?
---记住了“时光序”。
我仿佛看到了清华大学的录取通知书。
---小张,文档批量处理有没有好办法?
---姐,你看看这个行不行。
---小张,自动文档排版有没有办法?
---姐,你看这个行不行。
---小张,PDF转换软件有吗?
---小张,PDF被加密了,能破解吗?
---小张,截图软件有没有比Snipaste更好的?
---小张,文档比较有没有好办法?
。。。。。。
---有有有,你们去看“拉轰读书”,里面什么都有。
---小张,谢谢你。
---小张,有没有什么暗号?
---有,评论区回复:我是小张推荐来的。
---会有什么好处吗?
---没有,我可以肯定地告诉你,什么都没有。
2. lasso怎么提高fps?
Process Lasso 是一个用于优化CPU性能和提高FPS的工具。以下是一些使用 Process Lasso 提高FPS的方法:1. 检查系统负载:使用 Process Lasso 的实时系统负载图表功能来检查系统当前的负载情况。如果负载较高,可能会导致FPS下降。确保您的系统在运行游戏时没有过度的后台进程或其他应用程序。2. 设置游戏进程优先级:在 Process Lasso 中,您可以将游戏进程的优先级设置为高。这将确保游戏进程在其他低优先级进程之前获得更多的CPU资源,从而提高FPS。3. 禁用后台进程:使用 Process Lasso 的禁用进程功能来禁用不需要的后台进程。这样可以减少CPU的消耗,为游戏进程提供更多的资源。4. 调整实时优先级:在 Process Lasso 中,您可以将游戏进程的实时优先级提高。与前两点相似,这将确保游戏进程在其他低优先级进程之前获得更多的CPU资源,从而提高FPS。5. 禁用超线程:如果您的CPU支持超线程技术,并且您遇到FPS下降的问题,则可以尝试禁用超线程功能。对于某些游戏和应用程序来说,禁用超线程可能会提高性能和FPS。请注意,优化FPS的方法因系统和游戏而异。以上方法提供了使用 Process Lasso 的一般指导,您可以根据您的具体情况进行调整和优化。
3. 有木有哪位仁兄知道怎么关闭爱奇艺自动更新?
PC端:1,流氓进程。
开机启动项里面会有个 爱奇艺视频服务(辅助) 的进程,结束进程后打开爱奇艺客户端再完全退出同样会出现这个进程,然而并不知道这个进程有什么用,对视频的播放并没有任何影响。
但是部分时候对电脑内存磁盘读写cpu会有极高的占用率(有时候玩游戏的时候卡了一下我就知道又是这个进程在作祟了)。
解决办法,process lasso拉黑(永久有效),或者手动打开文件目录删除了(自动更新以后又会出来)
2,自动更新。
对的,这个是最恶心的,不管你怎么设置,如何禁用更新程序,总是弄不掉这个自动更新,而且这些更新一般都会是一些很没有必要的更新。
一般半个月-一个月,你打开爱奇艺客户端的时候,就会跳出一个窗口,然后就在你眼前自动更新了,不会征求你的同意,甚至连升级包都在你不知情的前提下早就偷偷下载好了,而且采用的居然还是卸载升级的方式,虽然这在某些方面的确可以解决第三方修改客户端,不过对于我们正常用户来说,每次更新就意味着要重新设置一遍(开机自启,固定任务栏等等),而且有时候需要用的时候还不得不等他“更新”完,因为除了结束进程外无法终止。
解决办法,暂无3,界面太过臃肿,设置太过单一。爱奇艺客户端再经历一次又一次更新后集成了太多的无用功能,而且无法独立出来,设置中也无法取消这些功能,常见的有vip会员的视频推荐,视频播放过程中视频左下角的广告,泡泡功能等等,不能站在大部分用户的角度思考,只会一味地扩张,只会适得其反。
解决办法,暂无手机端1,和PC端类似,更新永远是个问题,每过一个月左右,打开软件,首页总会弹出一个窗口,提示你更新(他的更新安装包其实早就在你不知情的情况下下载好了),而且如果你选择不更新,那么你每次打开程序就都会提醒一次(没有该版本不再提醒的选择?)。
甚至连更新了什么都不知道,捆绑式更新。
解决办法,暂无2,广告。
对的,即使你成为了“尊贵的爱奇艺会员”,爱奇艺依然会人性化的在界面首页多出一个15秒的广告(这个可以手动关闭),以及充斥在任何角落无法关闭的游戏广告,爱奇艺旗下软件广告,视频播放界面的书籍手办广告,等等。
解决办法,play版首页无广告。
3,界面太过臃肿,设置太过单一。和PC端一样。
我已经懒得再吐槽了。
答主也曾多次向爱奇艺官方反馈过,但是一直都没有得到过答复,一个老用户的心已经凉透了,很后悔之前活动买的3年会员。
无可奈何,爱奇艺已经不是以前那个爱奇艺了。
这是在某安上面看到的,这只是其中一部分,旗下还有奇秀,商城等等,用心扩张赚钱,用脚做视频app,说不定再过两年,爱奇艺杀毒,爱聊,爱奇艺支付都有了。
成为继腾讯之后的“大企业”(手动滑稽)。惹不起,我先溜了。(#告辞)
4. 玩吃鸡全选最低帧率低的原因?
当前的电脑配置,玩吃鸡游戏最低帧率是完全可以的; 还是与电脑的网络占用、进程优化、硬盘的4K对齐有关; Advanced SystemCare可以优化系统、优化网络,并带有游戏模式; AS SSD Benchmark可以为你的固态硬盘做4K对齐; Process Lasso可以在游戏中,自动平衡后台进程; 此外,游戏中直播、下载、其他设备占用网络、蹭网等问题,都可能导致FPS过低问题; 建议逐个排查。
5. Windows电脑上有哪些值得推荐的软件?
1.酷炫资源管理器XYplorer
使用xyplorer,最大的优势在于界面酷炫+高速切换文件夹,对复制、粘贴、移动更加高效。
支持对不同的文件设置颜色:
对文件设置标签后,可快速通过标签分类查找:
对于标签管理的重度用户,请看下一款超级标签化文件管理:
2.清华大学选择的标签资源管理神器:Taglyst让标签可视化,给同一个文件添加N个标签:
支持自动化分析,可视化:
将标签运用到炉火纯青:
清华大学、上海交通大学、中国科学院物理研究所、伦敦大学、蔚来汽车、中国商飞的选择:
隐藏功能:一键导出N个文件的excel表(支持不同文件格式混合导出)
1446个混合文件夹导出文件清单列表测试:
20秒钟出结果,包含完整标题、类型、标签、备注(10个小时工作量,一键直达),这就是超级软件的威力。
3.其他资源管理软件:qttabbar、clover、qdir、total commander、one commander等比如酷炫的onecommander:
轻松实现文件夹浏览器化的clover+qttabbar
内嵌本地资源管理器,让文件管理更高效(适合不愿意用独立软件的朋友)
无需双击打开,鼠标移动到即可实时预览下级文件内容:
如果需要快速复制粘贴或移动文件(如资源整理),可使用qdir:
4个窗口同时操作,整理资料好用:
4.搜索神器:everything/File locator/Text seeK总有人说,用everything就完全足够。我只能说你的资源太少了,而且场景不多。真正的高手一定是配合everything和file locater。
everything擅长搜索文件名,但对文件本身内容搜索会非常慢,而且效果不佳。而这需要flie locator的配合,或者text seek、bbdocc等。
everything介绍:
filelocator pro:
text seek:
everything的问题是高级查询很慢、结果不全、预览效果差:
结论:
1.一般情况用everything足够,养成良好的文件命名习惯
2.高级搜索用filelocator pro 或 text seek。
5.职场办公神器:相信我,你已知的所有办公软件都是一般的水平,不信你看。1.一键海量范文搜索:公文高手word/wps插件
2.真正的一键自动排版:公文高手word/wps插件
3.真正的范文搜索独立软件:公文高手独立版
4.素材超级分类,公文写作的顶级帮手:公文写作神器
极致分类素材
精细化写作搭配:
覆盖所有场景:
5.公文格式设置助手:公文高手插件/小恐龙办公助手
一键设置标题、多级标题、正文格式、组件、页码
精准设置版面、字数、行数
6.excel类:方方格子、惠办公Excel版、excel工具箱、easy shu
方方格子:
easy shu:
excel必备工具箱:
轻松实现exel标签化:
excel易用宝:
知识管理软件:essentialpim pro+roam edit+百度云盘+曲奇云盘+阿里云盘+语雀等举例:
截屏录屏:专业截图王>sinpaste>Faststone capture专业截图王:贴图、箭头、标注、文本、款选、编号、编辑、分享、颜色、白板
其他:
图片文字识别+pdf转换:迅捷pdf+迅捷ocr..........
语音转文字、视频、音频管理、图片编辑、搜索下载、模板下载、网站导航、数据恢复等,请看下面思维导图。
拉轰出品思维导图(持续更新,建议关注后在微头条获取最新版)
6. lasso怎么用?
Process Lasso是一种用于数据压缩和降维的算法,它可以帮助我们发现数据中的潜在结构并将其进行压缩,从而减少数据的维度。
下面是使用Process Lasso的一般步骤:
1. 准备数据集:首先需要准备好需要进行处理的数据集,确保数据集是完整的,并且没有缺失值或异常值。
2. 安装Process Lasso:Process Lasso是一种商业软件,需要购买许可证才能使用。如果您想使用Process Lasso,您需要先在官方网站上购买许可证。
3. 安装Process Lasso库:安装完Process Lasso后,需要将相应的库文件导入到您的项目中。这些库文件包括libplslasr、libplsloc和libplsod等。
4. 加载数据:使用Python的pandas库或其他支持的数据加载工具加载数据集。
5. 运行过程Lasso:使用Process Lasso的API来运行过程Lasso模型。这个过程通常涉及到选择一些参数,例如正则化参数、迭代次数等等。
6. 结果评估:最后需要对处理后的数据进行评估,以确定是否达到了预期的效果。可以使用各种指标来评估结果,例如R方值、均方误差等等。
需要注意的是,由于Process Lasso是一种比较复杂的算法,因此在使用过程中可能会遇到一些困难和挑战。如果您不熟悉Process Lasso的使用,建议您先阅读相关的文献或参加培训课程。
7. 深度学习如何影响运筹学?
作者简介: @郝井华:清华大学运筹学博士,现任美团配送算法架构师,美团点评研究员。@成丰:北京大学智能科学系 硕士 中国国际金融贸易创新发展战略合作研究中心 · 特聘研究员。胖骁: @胖骁 。 @刘嘉耿 :UCLA数学系毕业生。责任编辑: @文雨之 :东北大学系统工程博士生, @爱牛氓的帆爷 :东北大学系统工程硕士生 。本篇文章是由以上四位作者在知乎上的优秀回答,通过两位责任编辑整理修改而成。同时两位审稿专家也提出了修改建议,并且扩展和补充了一部分内容。敬请关注和扩散本公众号及同名专栏,会邀请全球知名学者陆续发布运筹学、人工智能中优化理论等相关干货、知乎Live及行业动态:
前言
最近看到一篇回答,YouTube 已将视频推荐全面改用深度学习实现。但传统上,推荐系统落在运筹学的范畴,可以归结为一个矩阵补全(matrix completion)问题,用半正定规划(SDP)里的方法,如非负矩阵分解(NMF)解决,而 YouTube 的结果显示深度学习的预测准确率比传统方法好很多、快很多。
其他运筹学的问题(如广告搜索、路径规划、定价估值、仓储物流)、形式(如 LP、CP、SDP、MIP)、和方法(如内点法、割平面法)也会遇到这样来自深度学习的挑战吗?如果会的话,将如何影响?学界和业界有哪些已有的讨论和成果?
文中提及回答:王科:YouTube 的视频推荐算法是怎样的?
:http://t.cn/RQR9nhK
这个问题比较前沿一些,原来看起来相关性不那么强的技术领域,机器学习 VS 运筹学,因为深度学习的发展和突破,变得联系越来越紧密了。
1. 运筹学简介
狭义的运筹学,往往特指采用LP/MILP/MIP/QP/NP 等数学模型建模、采用精确算法/启发式算法在线求解并得到满意方案以及进行相关理论分析的一类技术。所以,运筹学最早是作为应用数学的一个分支,服务于人们解决各行各业优化问题的一类基本数学工具而存在的。
OR/optimization两个学科近年的复兴无疑需要归功于机器学习。2005年以来,Lasso等方法的提出正好契合了贝叶斯学习的精神;2010年,Boyd 在故纸堆中重新找出分布式ADMM用来求解带约束机器学习问题(矩阵分解等等),成为了传统机器学习的标准范式(objective+regularization);2014年以来,深度学习的兴起则直接带火了一片一阶随机算法:ADAM/RMSprop 等。例如,SVM 的训练过程,本质上是求解一个 SQP问题;训练神经网络的梯度下降算法,是在使得训练误差极小化意义下的一个局部优化算法。由此可以看出,绝大部分机器学习模型的训练过程,都是首先将其建模为一个运筹学问题,然后采用相应算法来求解的。从这个角度看,机器学习(包括深度学习),是运筹学的一个应用领域。
在使用运筹学来解决各行各业形形色色问题的过程中,研究者在理论和应用层面发展出了许多类型的优化算法,也解决了不少实际问题。各类运筹学的期刊、会议有很多,每年至少有几千篇论文、专利发表出来。然而,除了几十年前已经发展比较成熟的几类经典算法(凸规划算法、动态规划、若干图算法、信任域算法、元启发式算法等)之外, @郝井华 认为,在基础算法层面,并无太大的突破。人们对具有非线性、NP-Hard特点的大规模优化问题,仍然缺少好用的处理工具和通用求解算法,往往需要研究者结合领域知识,采用模型简化和变换、分而治之等办法来近似求解。然而随着人们对深度学习研究的逐步深入,运筹学问题的求解初步的涌现出了新的思路。本文将简单的介绍运筹学和深度学习的相互影响,以及近些年涌现出的一些比较有意思的研究成果。
2. 深度学习对运筹学的影响
深度学习的出现,为运筹学领域处理上述复杂优化问题提供了一个非常有效的技术途径。在深度学习和运筹学结合之前,在运筹学的学术研究圈里,已经出现了不少『运筹学+机器学习』的案例。例如,在工业产品设计领域常使用响应曲面法(RSM)、插值法来根据有限的实验数据点来建立模型并求解;进化算法大类中,EDA(Estimation of Distribution Algorithm)算法通过一些机器学习模型来学习编码和目标函数之间的近似关系来提升迭代效率,等等。感兴趣的同学可以 Google 一下这个领域的论文。
EDA之类的分布概率估计算法,思想非常好,但是后续并没有取得很大的成功,原因在于,复杂非线性优化问题的解空间往往非常『崎岖』,Landscape 非常复杂,通过一些常规的线性模型、核模型、神经网络等,很难对其解空间进行高精度的逼近。所以相应的优化算法,会有一些改进,但是很难有质的突破。
3. 深度学习与运筹学的对比
首先,与传统运筹学关注的问题相比,一个典型的深度学习问题参数量(待求解的变量个数M)一般很大(例如,用于视觉识别的Alexnet参数量大约在100M这个量级),而凸优化算法一般能够高效解决的变量个数一般在1k-100k这个量级。因为很多算法一旦涉及到求Hessian/Jacobian矩阵就会涉及到存储和计算效率问题了,这正是很多传统算法的瓶颈之处,而这也是新世纪以来一阶算法重新兴起的一个背景。正是由于这样的原因,LBFGS一度作为标准的优化算法在现代机器学习界应用较少:每步迭代需要一个O(M^2)变量的更新的代价太大了!
其次,机器学习以及深度学习所伴随的数据集规模(N)一般也很大,例如标准视觉toy数据集ImageNet是120万*4096,而google,Amazon,阿里巴巴等大厂的的规模则是PB级别的,这甚至已经达到传统油田,大气,金融等问题的存储规模了。数据集大小方面带来的问题也是不可忽视的,一系列的随机算法(SGD-based method)、分布式算法被提出来应对这些问题。
从计算难度的角度而言,油田、大气、金融等问题的计算一般都有很好的formulation,问题求解虽然不见得性质很好(例如解Levy Process因为跳的存在,也涉及到很多0-范数的问题,本质上还是NP-hard的),但是起码能够有一些理论的保证。而深度学习由于问题极其扭曲(深),非线性程度很高,所以求解过程收敛速度和收敛性并没有任何的保证。当然最近也有一些在比较强的假设下,浅层的神经网络到达saddle point或者local minima的一些证明,但是计算上的问题还是一个根本的困难问题。
然而,在给定大量高质量数据的前提下,深度网络和深度学习算法展现出了相比较传统机器学习模型精准得多的逼近能力,能够提供高精度的逼近效果。从本质上说,这一点就是深度学习带给运筹学的最大影响。在合适的应用场景下,通过深度网络离线学习得到高质量的逼近模型,并把它和符合问题特点的优化算法相结合,将会带来意想不到的应用效果。我相信未来几年内,这方面的论文会涌现出一大批。
从应用层面来说,机器学习在‘预测’上比传统运筹和统计模型表现好是必然的,原因是传统模型基于简单的假设,因为复杂的假设可能无法快速的解出最优解。更多的参数意味着这更好的拟合程度,虽然有过拟合的风险,但机器学习模型可以通过模型增加正则化,Bagging, Boosting等一些列方式防止过拟合,从而达到很好的预测效果。当然了,预测好并不是一个模型的全部,相对于传统的统计模型所缺少的是可解释性和insight。
4. 深度学习的发展
举个例子,博弈问题如围棋,就是一个典型的复杂优化问题。而AlphaGo 成功的本质原因,是通过深度网络离线学习得到了对于状态和落子点价值的较为准确的评估,然后在线地和搜索算法(蒙特卡洛树搜索算法)相结合,取得了突破性的效果。
最近,机器学习界也在反思,Neural Network+BP=AI这么一个打法究竟是否成立。Hinton直接就跳出来说:“BP在深度学习中不是必要的”,并且提出了一个叫Capsule的东西给大家思考。包括我们也知道有很多non-gradient的方法(粒子群蚁群优化等,一度被小圈子玩坏的领域,但是在新时代有无重新兴起的可能?而OR也确实能够给机器学习界带来很大的帮助:例如,以SMO求解SVM等对偶方法现在已经是标准思路。
5. 机器学习和整数规划结合的一些成果
整数规划作为运筹学理论体系中很重要的一部分,对解决实际工业需求中的问题提供了强有力的建模方式,但机器学习模型可以通过模型增加正则化,Bagging, Boosting等一些列方式防止过拟合,从而达到很好的预测效果。
Branch-and-Bound(B&B)和 Cutting Plane方法是求解整数规划精确解的两种常用的方法。一直以来,这两种方法对机器学习理论的发展和应用都起到非常重要的作用。例如,B&B可以用在MAP 估计、场景理解、和dependency parsing中。机器学习的发展同样对整数规划理论具有很强的推动作用,尤其在整数模型求解过程中所涉及到的决策部分,机器学习模型将越来越发挥重要的作用。
例如,在使用算法或者商用求解器求整数模型的精确解时,通常会涉及到以下三种决策:
-Cutting Plane: 会有很多有效的割平面,但如何只选择其中一部分加入求解过程中。
-Node Selection:如何在现有产生的Node中选择一个,进行下一步的松弛。
-Branching:在每个Node中,选择哪个变量进行Branch.
当前的商用求解器比如Cplex, Gurobi 和开源非商用求解器Scip在处理三种决策时,通常使用Heuristic的方法进行处理。例如,在Cut Selection中,一般使用一个多变量打分系统对每个Valid Cut进行打分做出选择,这样的处理方式是非常的主观的。现有求解器在进行Node selection 时, 通常默认使用best-bound 和best-estimate 两种方式,根本没有考虑求解模型的特性。同样的问题存在Branching rule的设计中。
机器学习的发展,为整数规划的算法中涉及到决策的部分提供了一种新的思路。比如可以通过定义合适的reward 和transition function, 可以用Online learning 算法,模拟node selection过程。可以用非监督模型对整数模型进行Danzig-Wolfe 分解。也可以通过学习Surrogate 评价函数,来学习Strong Branching过程,从而减少求解时间。
近些年,越来越多这样的成果涌现出来,但大部分成果还都是在各大计算机顶尖会议上进行发表,其中以佐治亚理工计算机系的Song Le, Bistra Dilkina团队和工业工程系George Nemhauser团队最为突出。在两个人工智能专家和传统优化大师联合指导下,组内的博士生使用最前沿的深度学习在传统整数规划领域做出了突出的成果。也从侧面证明了,运筹学要和人工智能深度的结合,才有可能突破现在理论所遇到的问题。
此外,在很多行业中,受问题规模、复杂度以及响应时间的制约,很多规划问题需要大量应用启发式规则/程序(heuristics)来近似求解。这些启发式规则/程序往往来自对系统长期的观察和思考,其质量可能对系统性能至关重要。运筹学中演化计算领域中有一个“演化规划”分支,试图利用演化计算的方法来探索和生成更优的启发式规则,如genetic programming 等,类似的研究还包括approximatedynamic programming、决策树等。近年,这一领域越来越多的学者开始结合深度学习的方法,尤其是深度增强学习,也取得了一些有趣的进展。
6. 结论
1)运筹学学科的发展,需要在优化算法中越来越多的引入深度网络等机器学习工具,实现离线在线相结合,数据和机理相结合,以取得更好的应用效果,这是运筹学发展的必然趋势。
2)运筹学为机器学习贡献优化理论,同时吸取机器学习的理念来更好的解决传统问题,而深度学习也对现有的运筹学理论进行了新的发展。
3)运筹学和深度学习,并不是对立的两个概念&工具,在很多时候需要结合起来使用。
感谢审稿人杨昌鹏 @Changpeng Yang, 新加坡南洋理工大学/加州大学伯克利分校联合培养博士,现任顺丰科技----航空和物流优化 ,为本文添加了机器学习与整数规划结合的一些成果这一小节的内容以及对整体文章的建议和修改。
感谢审稿人 @王孟昌 阿里巴巴运筹优化算法专家-调度优化,整数规划,为本文添加了机器学习与整数规划结合的一些成果这一小节的内容以及对整篇文章的框架的处理和建议。
参考文献:[1]Khalil E B. Machine Learning for Integer Programming[C]//IJCAI. 2016: 4004-4005.[2]Khalil E B, Dilkina B, Nemhauser G L, et al. Learning to run heuristics in tree search[C]//Proceedings of the international joint conference on artificial intelligence. AAAI Press, Melbourne, Australia. 2017.[3]He H, Daume III H, Eisner J M. Learning to search in branch and bound algorithms[C]//Advances in neural information processing systems. 2014: 3293-3301.[4]Comments on: On learning and branching: a survey[5]Lodi A, Zarpellon G. On learning and branching: a survey[J]. TOP, 2017: 1-30.[6]Dai H, Khalil E B, Zhang Y, et al. Learning Combinatorial Optimization Algorithms over Graphs[J]. arXiv preprint arXiv:1704.01665, 2017.本站涵盖的内容、图片、视频等数据系网络收集,部分未能与原作者取得联系。若涉及版权问题,请联系我们删除!联系邮箱:ynstorm@foxmail.com 谢谢支持!