运筹学（专业核心）
学分：3.5
课程简介
本门课是为数学学院开设的应用数学方向专业选修课，也是大数据学院的专业核心课。与自动化、金融的运筹学不同，数院运筹学侧重点在最优化算法，作业与考试以证明题为主。课程分为比较明显的两部分, 期中前(Lecture01 - Lecture08)主要学习线性规划, 从问题的定义, 求解算法(单纯形法, 对偶理论), 到一些基本的应用(运输问题, 最大流最小割)。 期中后主要学习优化相关的内容(Lecture09 - Lecture 20), 即用各种不同的算法(比如adam之类的)来优化一个目标函数。
考核方式
课程分数的构成包括4个方面: 课堂测试(5%的不定期的小测, 会固定在一周的某一天, 以及5%期中考试), 作业(20%), 实验(20%), 期末考试(50%)。 其中课堂测试的部分可以选择放弃, 转而把这部分分数放到期末。
值得一提的是， 实验是在期末之后几天统一提交， 所以你可能会在所有考试结束后看到一群神秘的DDL战士。
往年经验
老师会提供非常丰富的学习资料, 包括上课的PPT, 录像, 以及额外的课程讲义。
客观的说, 这门课程难度对于数理基础薄弱的同学来说非常大. 但是有了AI的帮助, 很多同学都可以在作业和小测中做到非常好. (陈老师甚至怀疑大家要到了小测的往年题, 因为做的太好了, 实际上不少同学都是双设备AI开测, 什么年代了还在用传统方法)
陈老师本身是数院做优化方向的老师, 授课水平毋庸置疑, 同时在香港等地拥有丰富的connection, 如果对这个方向感兴趣的同学不要错过机会. 但是优化方向对于数理基础的要求比较高, 因此对于部分数据科学的同学来说可能有点难以理解. 以及切入的角度相对来说更加偏数学, 对于ai/cs的同学来说关注点存在一定差异.
比如老师会花不少时间聚焦Dijkstra算法, 动态规划之类的内容, 但是这些在数据结构/算法基础中已经涉及过很多次; 再比如优化部分缺少对矩阵求导相关的介绍(感觉科大似乎所有的课都默认同学们已经掌握了这点, 但是没有课系统讲过)
从考试的角度来看, 课内作业可以适当放弃理解, 考试的难度一般低于作业, 也不会涉及到复杂的证明; 老师上课会划考点和提供参考习题, 善用ai, 可以让它举一反三, 基于例题和ai进行学习.
与后续课程的联系
在很多应用场景下运筹学和机器学习，图论算法是要相互结合的，同时很多机器学习方法是以运筹学为基础的，比如最著名的传统分类算法支持向量机算法，就是一个求解最优超平面的问题，涉及到拉格朗日乘子法，KKT对偶理论，SMO算法，这些都是运筹优化相关内容。
运筹学和机器学习最常见的组合场景如滴滴派单算法，一般是先用机器学习的方法动态预测某时某地的客户和司机，然后运用运筹学算法给出一个最优解或次优解。运筹优化的应用场景，涉及网络优化，交通物流，生产调度，电力行业等。比如说在车辆规划路径中，在较短时间内，给出一个最优路线，同时在求解优化模型的算法，大致可以分为两大类，启发式算法和精确解算法。启发式算法又分两类，一类以邻域搜索为中心，比如模拟退火，禁忌搜索等算法，另一类是群智能算法，比如遗传算法，蚁群算法，可以避免贪心算法陷入局部最优解，并且在很快的时间内给出一个较优解，工业界经常使用；另一种是精确解算法，通常用于求解混合整数规划模型，主要运用在学术界，主要的算法包括动态规划，分支定界，割平面，如果遇到约束条件，需要结合拉格朗日乘数法来达到满足约束的条件。——摘自知乎 作者：程志刚
目录
最后更新于