A Brief Survey of Modern Optimization for Statisticians

Modern computational statistics is turning more and more to high‐dimensional optimization to handle the deluge of big data. Once a model is formulated, its parameters can be estimated by optimization. Because model parsimony is important, models routinely include non‐differentiable penalty terms such as the lasso. This sober reality complicates minimization and maximization. Our broad survey stresses a few important principles in algorithm design. Rather than view these principles in isolation, it is more productive to mix and match them. A few well‐chosen examples illustrate this point. Algorithm derivation is also emphasized, and theory is downplayed, particularly the abstractions of the convex calculus. Thus, our survey should be useful and accessible to a broad audience.     

Numerical Maximisation of Likelihood: A Neglected Alternative to EM?

There is by now a long tradition of using the EM algorithm to find maximum‐likelihood estimates (MLEs) when the data are incomplete in any of a wide range of ways, even when the observed‐data likelihood can easily be evaluated and numerical maximisation of that likelihood is available as a conceptually simple route to the MLEs. It is rare in the literature to see numerical maximisation employed if EM is possible. But with excellent general‐purpose numerical optimisers now available free, there is no longer any reason, as a matter of course, to avoid direct numerical maximisation of likelihood. In this tutorial, I present seven examples of models in which numerical maximisation of likelihood appears to have some advantages over the use of EM as a route to MLEs. The mathematical and coding effort is minimal, as there is no need to derive and code the E and M steps, only a likelihood evaluator. In all the examples, the unconstrained optimiser nlm available in R is used, and transformations are used to impose constraints on parameters. I suggest therefore that the following question be asked of proposed new applications of EM: Can the MLEs be found more simply and directly by using a general‐purpose numerical optimiser?     

B2C电子商务中带退货的多配送站点车辆路径优化问题研究

研究了一个带退货的多配送站点车辆路径优化问题,建立了求解该问题的0-1整数规划模型,以实现各个配送站点在给他们客户配送货物的同时,沿途取回这些客户的退货,以节约运输成本的目的。设计了一种新的解的表示方法和邻域变换,以此为基础构造出直接求解多配送站点车辆路径优化问题的禁忌搜索算法,在该禁忌搜索算法中首先通过一个启发式算法求得了0-1整数规划模型的一个较好的初始可行解,从而提高了禁忌搜索算法的收敛速度及性能,最后通过例子对禁忌搜索算法及其性能进行了说明。     

中铁快运北京分公司配送网络优化研究

随着社会经济的发展,货物运输呈现几大趋势,其中包括货物运输的物流化。而物流作业(装卸搬运、储存、运输、包装、流通、加工、信息处理等)的很大部分都是在物流节点上完成的,所以,配送中心的选址是否合理直接影响配送中心各项经济活动的成本,同时也关系到企业的长久发展。针对中铁快运公司的具体实例,提出可行的网络优化设计方案,为中铁快运的决策提供支持。     

考虑地产价格的多目标物流配送中心选址模型与求解

首先对传统的配送中心选址模型进行改进,引入地产价格因素,以建设投资成本与货物运输费用最小为目标,建立多目标选址模型。其次,利用理想点的适应度计算方法将多目标问题转化为单目标问题进行遗传算法的求解。最后,以某企业在城市的物流配送中心选址为例,对模型进行应用,算例结果验证了模型的实用性与有效性。     

基于K-means算法的企业服务创新方向选择研究

企业在进行服务创新过程中,首先需要考虑到企业发展战略与其自身优势能力的匹配性,结合这两点来确定服务创新的发展方向。本文研究了企业基于自身已有的优势能力,运用K-means算法建立了企业服务创新战略方向选择模型,识别并确定了企业服务创新战略方向,由此得出企业进行服务创新时的最佳服务定位策略。     

物流实时配送系统优化模型的构建与求解分析研究

为了解决物流实时配送系统过程的具体实施问题,以满足人们不断增长的物流需求,本文主要研究物流实时配送系统问题中,最优的配送中心个数,配送中心的选址,配送运输车辆行程路线安排,探讨寻求解决问题的有效方法,从而构建适当的运筹学数学模型,并对模型的求解进行深入透彻的分析研究,以实现整个集成物流系统的最小成本,从而实现最优化目标。为物流配送企业解决此类问题提供了思路和方法,并在部分企业进行了实证运用。     

一种分层A~*路径搜索算法及性能

基于层次道路网提出了一种分层A*路径搜索算法,其特点是在同一层路网中采用A*算法,而在层次切换时采用一种启发式定向搜索入口节点的方法。既顾及了道路等级性和朝着目标行进等驾驶员的心理因素,又可以获得比传统算法更快的求解速度。实验表明,该算法是可行的、高效的。     

基于遗传算法的油料装备维修保障资源调度研究

通过对战时油料装备维修保障资源的调度分析,利用遗传算法建立了数学模型并进行了实例仿真,在资源调度效益最佳的基础上得出了相应的维修资源调度方案。     

基于数据挖掘的证券公司客户价值分析系统设计与实现

本文根据证券企业目前的管理水平只限于办公自动化管理的阶段,没有更深层次的挖掘计算机技术给企业发展带来的价值,而证券企业的竞争环境对企业的客户关系管理提出了更高层次的要求的现实需要,对企业客户进行细分,并对其过程进行深入的分析和研究,结合客户细分理论和客户价值理论,构建了证券业客户价值分类模型,采用数据挖掘的方法和贝叶斯算法对分析系统进行实现。通过本文的研究,力图对证券企业客户按照价值理论进行分类,从而为精准营销提供借鉴意义和参考价值。