Every classical optimization algori

Every classical optimization algorithm is designed to solve a specific type of problem. For example, the geometric programming method (Reklaitis et al., 1983) is designed to solve only AAA objective function and constraints. Geometric programming is efficient in solving such problems but cannot be applied easily to solve other types of functions. The conjugate direction or conjugate gradient methods have convergence proofs for solving quadratic objective functions having one optimal solution, but they axe not expected to work well in problems having multiple optimal solutions. The Frank-Wolfe’s successive linear programming method (Reklaitis et al., 1983) works efficiently on linear function and constraints, but for solving nonlinear problems its performance largely depends on the chosen initial conditions. Thus, one algorithm may be best suited for one problem and may not even be applicable to a different problem. This requires users to know a number of optimization algorithms in order to solve different optimization problems.

Kết quả (Việt) 1:

Mỗi thuật toán tối ưu hóa cổ điển được thiết kế để giải quyết một loại hình cụ thể của vấn đề. Ví dụ, các phương pháp hình học lập trình (Reklaitis và ctv., 1983) được thiết kế để giải quyết chỉ hàm mục tiêu AAA và hạn chế. Hình học lập trình là hiệu quả trong việc giải quyết vấn đề như vậy nhưng không thể áp dụng một cách dễ dàng để giải quyết các loại chức năng. Liên hợp hướng hoặc liên hợp các phương pháp gradient đã hội tụ bằng chứng để giải quyết bậc hai chức năng mục tiêu có một giải pháp tối ưu, nhưng họ rìu không mong đợi để làm việc tốt trong vấn đề có nhiều giải pháp tối ưu. Phương pháp điện kế tiếp lập trình của Frank-Wolfe tuyến tính (Reklaitis và ctv., 1983) hoạt động hiệu quả trên tuyến tính chức năng và hạn chế, nhưng để giải quyết vấn đề phi tuyến hiệu quả của nó chủ yếu phụ thuộc vào các điều kiện ban đầu được lựa chọn. Vì vậy, một thuật toán có thể được thích hợp nhất cho một vấn đề và có thể không thậm chí có thể áp dụng cho một vấn đề khác nhau. Điều này đòi hỏi người dùng phải biết một số thuật toán tối ưu hóa để giải quyết vấn đề tối ưu hóa khác nhau.

Kết quả (Việt) 2:

Mỗi thuật toán tối ưu cổ điển được thiết kế để giải quyết một loại hình cụ thể của vấn đề. Ví dụ, phương pháp lập trình hình học (Reklaitis et al., 1983) được thiết kế để giải quyết chỉ AAA hàm mục tiêu và các ràng buộc. Lập trình hình học là hiệu quả trong việc giải quyết vấn đề như vậy, nhưng không thể được áp dụng một cách dễ dàng để giải quyết các loại khác của các chức năng. Các phương pháp hướng liên hợp hoặc liên hợp Gradient có giấy tờ chứng minh hội tụ để giải quyết các chức năng tiêu bậc hai có một giải pháp tối ưu, nhưng họ AX không dự kiến ​​sẽ hoạt động tốt trong các vấn đề có nhiều giải pháp tối ưu. Tiếp phương pháp lập trình tuyến tính Frank-Wolfe (Reklaitis et al., 1983) hoạt động hiệu quả trên các hàm tuyến tính và khó khăn, nhưng đối với việc giải quyết các vấn đề phi tuyến hiệu quả của nó phụ thuộc nhiều vào điều kiện ban đầu được lựa chọn. Vì vậy, một trong những thuật toán có thể được thích hợp nhất cho một vấn đề và thậm chí có thể không áp dụng đối với một vấn đề khác nhau. Điều này đòi hỏi người sử dụng phải biết một số thuật toán tối ưu để giải quyết vấn đề tối ưu hóa khác nhau.