智能算法求解优化问题，那约束条件如何编写代码？
首先要明确选择的哪一类算法来求解？如果选择常规算法的话，就先进行数学公式推导，或者进行模型转换，最终目的是将模型转化为使用常规数值分析算法可求解的状态。数学公式推导的方法需要有较好的数学功底，模型转化方向需要对实际问题有着深刻的理解。
如果选择像GA、PSO或者强化学习这种启发式算法（也就是通常所谓的智能算法）的话，最简单的方法是采用边界条件松弛的思路，具体就是先只考虑其中几个优化目标和约束条件，不考虑剩余的优化目标和约束条件，在求解出的可行解里，将满足剩余优化目标和约束条件的解挑选出来。
但这两种方法中间没有明确的界限，模型转化方法也往往伴使用边界条件松弛的思路，即先考虑最重要的优化目标和约束条件，将模型转化为可用算法求解的状态，这在数学建模上也称作分层优化方法。
在本质上，算法只是数学模型的求解器。所谓的启发式算法往往针对数据规模较大的问题较为适用，并且启发式算法的核心程序是固定的，只要根据数学模型设计出相应的数据结构直接放入算法中即可求解，启发式算法的优势在于“利用30%的时间求解出能够达到逼近理论最优解70%的结果”，缺点在于算法求解的上限有限，即使数据结构设计的很好，能达到最优解90%的结果就很不错了。如果能采用数值分析算法进行求解，在公式推导或模型转化较为良好情况下，可以取得接近最优解90%以上的结果。
页:
[1]