雷锋网按： 昨天，雷锋网（公众号：雷锋网）报道了钛媒体和杉数科技主办的 2017 AI 大师论坛，其中，杉数科技首席科学顾问叶荫宇出席了活动并发表了学术演讲。作为在运筹学领域的顶尖学者，叶荫宇以《优化算法的思想及应用》为题，主要在运筹学应用的物流

　　雷锋网按：昨天，雷锋网（公众号：雷锋网）报道了钛媒体和杉数科技主办的 2017 AI 大师论坛，其中，杉数科技首席科学顾问叶荫宇出席了活动并发表了学术演讲。作为在运筹学领域的顶尖学者，叶荫宇以《优化算法的思想及应用》为题，主要在运筹学应用的物流选址及路径优化、库存管理、投资组合优化三个方面详细阐述了他的看法。

　　从古至今，“优化”一直是生产生活中重要的部分。而运筹学作为优化算法的重要根基，在第二次世界大战期间首先在英美两国发展起来，学者把运筹学描述为就组织系统进行各种经营所作出决策的科学手段。二战结束后，人们将运筹学应用到了企业和政府之中，为经济发展加速，运筹学广泛的引用在生产、服务、金融行业之中。在大数据时代，运筹学进一步蓬勃发展，而如何将大数据转化为最优决策成为了运筹学重点课题。

　　叶荫宇简介：叶荫宇是斯坦福大学李国鼎工程讲座教授（K. T. Li Chair Professor），也是优化领域基石算法之一――内点算法的奠基人之一。因贡献突出，他曾获得美国运筹与管理学会冯・诺依曼理论奖，也是迄今为止唯一获得此奖的华人学者。在业界，叶荫宇担任了优化软件公司 MOSEK科技顾问委员会主席、杉数科技的首席科学顾问。

　　以下为叶荫宇演讲内容，雷锋网进行了不改变原意的编辑 ：

　　1982 年刚到美国读书的时候 AI 非常热，但那时候年轻人不知道我差点就去搞 AI 了。那时候要搞所谓的专家系统 AI 空间，学的语言是学 Lisp，没有很多的数据，人家有些就总结不出来，AI 就慢慢的冷下去了。我比较喜欢数学，就从事了运筹学。

　　什么是运筹学？它是一种研究优化的学问，就是怎么能够在实际生活中，把事情做到极值，不仅仅是找一个可行的方案，而是一定要找到最优的方案。

　　Nothing at all takes place in the Universe in which some rule of maxiMUm or minimum does not aPPear. 这是大数学家欧拉的话。这种理论也是基于自然形成，也是所谓的一个平衡，也是能量函数，到了极值。

　　说到运筹学，数学怎么能接地气，怎么落到实地，怎么真正对人们生活产生一些影响？数学家们就开始寻求这样的方案。在二次大战的时候，如何研究盟军配置，还包括一些博弈问题，以前看过一个电影叫《A Beautiful Mind》，研究这个东西研究到博弈空间。

　　标志性的结果就是 1947 年 GEorge Dantzig 提出线性优化，为优化中最经典的算法， 这就是里程碑的意义。之后到经济发展中，运筹学得到很快的发展，特别是计算机的高速发展。以前是结构问题，可能是要 1 小时，现在可能不到 1 秒就可以解出来，所以这个硬件的控制，也有算法的提高。

　　运筹学比 AI 要老，但是 AI 和机器学习又提供了一种机会，很多顶层的东西都是要靠优化，不管是学习还是刚才讲到的要用决策问题。

　　整个来说，所谓优化在满足我们时有很多要决策的，而且也都是需要比较量化的。满足一定的约束条件下，使某一个函数最大，这就是优化问题，怎么把一个问题变成这个东西，就需要建模。所以我们一般是从建模到求解，然后再到决策，然后我们就需要一套算法来求解。

　　在这个里面，把实际问题变成数学问题，再变成优化问题，然后来求解。什么叫大数据，有很多不同的这个解释，数据大到一定程度以后，就可以量化了。量化以后，我们可以用数学的方程、公式来描述它，然后来决策，变成一个量化的决策问题。

　　1982 年我去美国中间经历了 AI，当时是最红，现在又红起来。但是有些点我觉得没变的，优化好像始终是不动点一样，不管是你在各行各业都需要它，因为在这点上也可以说起来像统计、数学还是一些机理。

　　这里面有很多算法的问题，学习有很多深度学习、MDP、机器学习等等。

　　我个人怎么理解 AI？特别是大数据时代的商务决策，各自所采取的作用，我们要用到很多计算机、信息学，包括机器学习、数据搜集，然后我们要通过很多机器学习做一些规律性分析，然后建模做出决策。

　　从中医的角度来说，有点像拉脉一样，拉了脉以后老中医有一个决策，中医来说就是开处方药。而在这个过程中如何判断准确，开什么处方，有些东西要用三钱，有些东西要四钱，但是有些中医搞的不好就是比较模糊，“当归少许”这个就不清楚。

　　所以这里面是需要有一些量化、需求管理和规律性分析。我觉得机器学习确实做的好，但怎么决策里面都有一些很传统的优化模型和运筹学模型。

　　我给大家举几个简单的例子，为什么有些决策模型并不需要深刻的理解就可以得出来？

　　一、物流选址及路径优化

　　比如说这个选址问题，寻求一个区域内最优的仓库选择，成本最少。我要建一二三四五(行情002195,诊股)个库建在什么地方，那么这里面就要权衡很多，一次建设费多少，建设费之后我服务区域有多大，区域大了以后人家从很远的地方跑过来运输成本就高了，那么你可以写成一个像这样的数学规划方法。

　　那么这样的问题怎么选才好，以前的算法，我就把它写成一个整数规划。现在不行，好像有些算法，像几个月都算不出解来。现在很多东西，要随时的，有些东西看成是网络，就要把这个点放在上面，进行随时的调配、重新选址。这个时候我的算法就非常快，然后就会有很多近似算法，这里面我们也做过一些工作，就是比较确定性的这个问题，这里面的算法，选址的问题。

　　那么有一个问题就稍微更复杂一点，不是选址，那么选一个仓库提供一个区域服务，但是这个是叫 HUB 的选址，有些不是从仓库发到某一个顾客上，某一个是要经过中转站，再到顾客。

　　比如说航班的调运问题，那么这个中转站怎么选才好，有一部分有问题，这里面就会有一些选择。通常我们把选址的问题，叫作战略性的决策，一旦选了以后几年都不会变。决策又分为战略决策、战术决策、operation 决策，而这里面是 operation 决策。

　　我现在要送货，送到这么多的点上，如何都送出去然后回到出发的地点使整个距离最小，这是旅行商问题，这也是很经典、很确定性的。

　　在整个地方因为又叫车辆调度问题，当然实际问题比这更复杂，一辆车不能跑，可能几千上万辆车谁跑哪些地点、哪些区域、又怎么选址，这里面就非常非常复杂了，而且需要取货，同时送货，你取货的话必须要保证在某一个时间点上，或者时间窗口。这个就是运筹学比较擅长的问题，要非常实时的做这些问题。

　　这是一个简单的解决方案，分而治之，我现在有 5 辆车要服务这个区域，首先就建立一个服务区的概念，怎么把这个大的区域分成 50 分，每一个区域选择一个分点，这个我们叫区域选择，非常的大。

　　选了以后，我知道我在分这个区域的时候，每个区域的这个工作量都是什么，尽量的均匀的，要不然我一个区域很大，跑两天跑不完，一个区域半天就跑完了。