AI 与工程数学 / 系统课时
识别决策变量与目标函数
识别决策变量与目标函数
把工程需求写成优化模型,第一步不是选算法,而是分清“哪些量可以调整”和“最终希望什么指标变好”。本节用误差最小化示例完成从自然语言需求到决策变量、目标函数和优化方向的转换。
学习目标
- 从业务描述中区分决策变量、已知参数和计算结果
- 判断成本、误差、能耗、收益等指标应最小化还是最大化
- 把自然语言目标写成可以计算和比较的目标函数
先找出真正可以调整的量
决策变量是求解过程中允许算法主动改变的量。判断一个量是不是决策变量,可以问一个直接的问题:为了得到更好的方案,我们能不能主动选择它的值?
例如“调整设备功率,使能耗最低”中,设备功率可以调整,因此是决策变量;电价如果由外部确定,就是已知参数;最终算出的总能耗则是结果,而不是新的决策变量。
同一个业务问题可能有多个决策变量。生产计划中的各产品产量、路线规划中的路径选择、模型训练中的参数,都可以作为优化算法搜索的对象。建模时应先确定这些量,再讨论评价方案好坏的指标。

再确定究竟要优化什么
目标函数把一个候选方案映射成可比较的数值。成本、误差、时间、能耗通常希望越小越好,因此写成最小化问题;利润、吞吐量、收益或准确率通常希望越大越好,因此写成最大化问题。
最大化与最小化在数学上可以相互转换。例如最大化收益 ,等价于最小化 。实际建模时不必刻意统一方向,优先选择最符合业务直觉的表达,后续再根据求解器接口转换。
把需求写成可计算的目标函数
假设某个控制量 只能取 0 到 20 的整数,系统输出近似满足 ,现在希望输出尽可能接近目标值 75。这里真正可以调整的是 ,因此它是决策变量。
可以用平方误差评价一个候选值:
优化任务就是在允许的 中寻找使 最小的值。平方误差始终非负,而且误差越大惩罚越明显,因此非常适合表达“尽可能接近目标值”。
下面直接枚举这个小规模问题,用代码验证模型含义:
def loss(x: int) -> int:
# 目标函数只负责评价候选 x 与目标值 75 的偏差
return (4 * x + 3 - 75) ** 2
candidates = range(0, 21)
best_x = min(candidates, key=loss)
print(f"best_x={best_x}")
print(f"objective={loss(best_x)}")预期输出:
best_x=18
objective=0这里的代码只是用枚举完成求解,但模型本身已经与求解方法分离:决策变量是 ,目标函数是 ,优化方向是最小化。问题规模扩大后,可以替换成梯度法、线性规划求解器或其他数值算法,而不必重新解释业务需求。
检查模型有没有写反
建模后应做一次直觉检查:改变决策变量时,目标函数的变化方向是否符合业务判断。如果一个明显更差的方案反而得到更小的“成本”,通常说明符号、单位或公式关系写错了。
还要避免把最终评价指标误当成可以自由选择的变量。例如误差由 决定,就不能直接宣布“把误差设为 0”;算法只能调整 ,再由目标函数计算对应误差。一个清晰的优化模型,应当能够明确回答三个问题:调什么、怎么算好坏、希望这个数变大还是变小。