问题标签 [minimization]

此问题是 ACM ICPC 坎普尔地区淘汰赛中提出的问题的子问题：

(Pa, Pb)给定由 2D 点和(Pc, Pd)分别界定的 2 条线段，找到最小化函数的p和q（在范围 内）[0,1]

（实际上，Px 和 Py 是线段上的点，函数编码从 Pa 到 Pd 的成本，通过成本为 k 倍欧几里得距离的连接链路）

关于这个函数的一些观察：

1. 平行线段总是会导致p和中的至少一个为q0 或 1
2. 相交的线段总是会导致p和q定位线段的交点（可以应用三角不等式来证明这一点）

问题：在线条倾斜并可能分开的一般情况下，我们如何最小化此功能？

让

我想使用mathematica 为x>=0&&y>=0&&z>=0&&x+y+z==1 获得f 的最小值。

PS：我确实知道如何通过数学方法获得最小值：

PS2：我预计下面的代码会起作用，但它没有。

实际上，正如西蒙指出的那样，它有效......运行时间比我预期的要长，我在 Mahtematica 向我展示结果之前关闭了它。

我想用VTK在Java中找到一种具有一些约束的路径最小化算法。作为输入，我将为多边形提供一个恒定的区域、多边形的质心和成本图像。作为输出，我想要一个构成二维路径的点列表，该路径是成本图像上满足特定区域和质心两个约束的最小路径长度。有谁知道用Java和VTK做到这一点的方法？我正在考虑构建 vtkDijkstraImageGeodesicPath，但我什至不确定从哪里开始。老实说，我在这个领域的数学很生疏。

谢谢

所以我对 GSL 中的多维最小化程序有疑问（我尝试使用的是gsl_multimin_fdfminimizer_vector_bfgs2，但其他程序产生了同样的问题）。我已经定义了我的目标函数及其梯度，我可以开始迭代，但算法始终保持在同一点。

现在，我认为我的函数或梯度在某处会出现数学错误。但是，对于一组特定的数据，我知道最佳值，并且插入这些值会产生一个处处为 0 的梯度。

如果我以最优值开始迭代，算法会正确停止并报告成功，但如果我只对起始向量进行最低限度的干扰，则迭代将永远运行并且永远不会找到最优值。

我还在 R 中重新实现了函数和梯度。我检查了 C 版本和 R 版本是否为相同的输入产生相同的输出，它们确实如此。使用 R 中的 BFGS 算法，只需几次迭代即可找到最优值。

我用初始化算法

迭代看起来像这样：

我可以调整的唯一参数是初始步长和gsl_multimin_fdfminimizer_set (gsl_multimin_fdfminimizer * s, gsl_multimin_function_fdf * fdf, const gsl_vector * x, double step_size, double tol). 在那里尝试不同的值会产生很小的影响（有时算法会移动一点），但我找不到任何实际使算法移动的值。

感谢您的任何建议！

Android 应用程序的 ProGuard 配置中的一个常见模式是保留自定义View类，因为它们可能仅从布局 XML 而非应用程序代码中引用。

因此，在创建项目时，ADT 将这些规则添加到项目的 proguard.cfg 中：

我想这里的想法是说，每当一个类定义了一个可以被布局充气器调用的构造函数时，然后保留它。但是，根据 ProGuard 文档，keepclasseswithmembernames限定符是 and 的简写keepclasseswithmembers，allowshrinking如果我理解正确，这意味着：允许删除这些类，但如果保留它们，请不要混淆其成员名称（可能不会破坏之间的绑定） XML 属性名称和类设置器）。

但这是否意味着在收缩阶段（allowshrinking = true）仍将删除这些类，除非它们在代码中直接引用？事实上，这就是我们在应用程序中使用的自定义小部件所发生的情况，我可以通过将规则设置为 just 来解决问题，keepclasseswithmembers因为这将完全保留匹配的类（值得注意的是，这是官方ProGuard Android例子也是如此）。

我是误读了 ProGuard 文档还是 ADT 项目向导中的错误？

我有两个列表，A 和 B。A 最多有 1000 个元素，B 最多有 100 个元素。我想将 B 的每个元素与 A 的一个元素相匹配，以使对的绝对差之和最小化。

即我要选|B| 与 A 不同的索引，并将它们分配给 B 的索引，以使以下总和最小化： sum(abs(A[j] - B[i]) for i in |B|, j = index_mapping(i))

我的第一种方法是：

1. 对于 B 的每个元素，计算 |B| A的最接近的元素。
2. 以贪婪的方式选择对（即最小错误优先）

玩一些简单的例子，很明显我的方法不是最好的。它应该可以很好地满足我的目的，但我想知道是否有人可以提出更好的方法？

我正在尝试使用最陡峭的方法来最小化离散函数。这应该相当简单，但是我在搜索“爬升”出任何局部最小值时遇到了麻烦。这是我在 Mathematica 中的代码，但它的语法很容易理解。

为什么这会爬山？我很困惑，因为我什至测试新值是否小于旧值。当它通过时，我不会通过它！想法？

为了便于阅读，js 和 css 文件可能会很大。是否有某种 gem 可以在生产模式下运行时最小化所有 css 和 js 以减少最终用户的加载时间？

我知道在整数编程中进行最小化是一个非常复杂的问题。但是是什么让这个问题如此困难？

如果我要（尝试）编写一个算法来解决它，我需要考虑什么？我只熟悉解决它的分支定界技术，我想知道在尝试以编程方式应用这种技术时会遇到什么样的障碍。

我有幻灯片，比较了 2 个版本的本地搜索算法：贪婪和最陡。

贪心：生成解x； 以随机顺序 重复 { 对于N( x ) 中的每个 y { if f( y ) > f( x ) then x = y ; } } 直到没有找到更好的解决方案

最陡：生成解x； 重复 {在 N( x )中找到最佳解y； 如果f( y ) > f( x )那么x = y ; } 直到没有找到更好的解决方案

但是我在互联网上到处都读到贪婪的方法会寻找最好的（不是第一个更好的）解决方案。那么区别是什么呢？并且：哪个版本是真的？