中国学科发展战略·数学优化

数学优化是数学的一个重要学科方向，是应用数学的重要组成部 分,是数学在其他领域应用的重要工具，也是当前机器学习、人工智能 的基础之一.数学优化是一门研究有关优化问题的数学理论和方法的 学科.优化问题，就是在众多可能中寻找最优解的问题.在数学上，优 化问题通常建模成在一定条件下寻求满足某种最优性质的解.著名数 学家欧拉曾说过，“宇宙间万物无不遵循某种最大或最小准则”.优化 理论与方法在科学和技术的各个领域以及国防、经济、金融、工程、管 理等许多重要实际部门都有直接的应用.例如，在自然科学研究中，地 学中的反演问题、生命科学中的蛋白质结构问题、计算化学中的原子 结构问题等都可以建模成为优化问题.又如，在金融经济领域,期权定 价、投资组合、风险估计等都可归结为优化问题.

现代数学优化诞生于20世纪上半叶第二次世界大战期间，研究 主要集中在线性规划.到20世纪末，数学优化的研究主要集中在线性 规划、非线性规划的理论与算法上，不少研究成果产生了非常重要的 影响.进入21世纪，数学优化发展势头迅猛，涌现出许多新的方法和 技术，一些早期技术在新问题上获得了广泛的应用.在学科发展上，数 学优化从线性规划、非线性规划的兴起逐步发展到多个分支方向.近 年来，受应用的驱动，数学优化的新热点和新方向不断涌现.

经国家自然科学基金委员会-中国科学院学科发展战略研究工作 联合领导小组批准，2017年1月设立了 “数学优化学科战略发展研 究”项目.本项目旨在通过深入调研，系统分析目前数学优化的主要 分支、核心前沿、当前进展及发展方向，包括当前热门研究课题、主要 的思想、方法与技巧、主要的难题，以及近年来的主要成果与活跃的 前沿人物；提出对学科发展态势的观点与看法；提炼出本学科的基本 思想、核心方法与关键技巧;根据我国学科发展和国家重大需求，提炼 与该学科密切相关的重要问题，建议、组织攻关和研发队伍，解决重大 理论或实际问题；为我国优化学科发展提出整体建议；推动我国在数 学优化的学科建设和人才培养;为提高我国数学优化的研究水平和促 进该学科在其他领域的应用做出贡献.

本项目共召开四次研讨会,2017年5月9日，项目启动仪式暨第 一次研讨会在湖南第一师范学院召开；2017年10月6日，第二次研 讨会在中国科学院大学召开;2018年4月14日，第三次研讨会在长 江大学召开；2018年10月12日，第四次研讨会在重庆融汇丽笙酒店 召开.来自美国宾州州立大学、北京大学、清华大学、浙江大学、南京 大学、北京航空航天大学、北京交通大学、北京邮电大学、北京工业 大学、上海交通大学、上海大学、上海财经大学、上海理工大学、南开 大学、天津大学、大连理工大学、重庆师范大学、河北工业大学、河 南师范大学、湖南第一师范学院、香港中文大学、香港中文大学（深 圳）、香港理工大学、中国科学院大学、中国科学院数学与系统科学研 究院、中国科学院地质与地球物理研究所等单位的近百名数学优化专 家和学者参加了项目研究，就项目规划、咨询开展、报告章节设计、章 节写作分工等方面进行了深入的研讨.

“数学优化学科战略发展研究”项目于2018年年底顺利结题.项 目组根据结题报告整理成书，四十余名专家学者参加撰写.他们是：袁 亚湘（第1章），白延琴（第2章），范金燕、戴或虹、刘新为（第3章）, 夏勇（第4章），陈旭瑾、徐大川、张国川（第5章），申培萍、吴至友、 邢文训（第6章），张在坤（第7章），张立卫（第8章），黄正海、林贵 华、修乃华（第9章），何斯迈、江波（第10章），杨新民、赵克全（第 11章），夏勇、周安娃（第12章）,杨庆之、黄正海（第13章），丁超、文 再文、潘少华（第14章），文再文、刘歆（第15章），陈加伟、林贵华、 张进（第16章），张立卫（第17章），戴或虹（第18章），韩德仁、杨俊 锋（第19章），刘歆（第20章），郭田德、文再文、马士谦、田英杰、韩 丛英、牛凌峰（第21章），许志强（第22章），王彦飞（第23章），童小 娇、韩冬（第24章），刘亚锋、孙聪（第25章），高建军、陆品燕、江 波（第26章）.本书的每一章都由作者本人先征求相关领域海外同行 专家的意见，再由项目组统一组织专家审稿，每一章平均邀请一名海 外学者与一名国内学者担任审稿专家，以高度严谨的态度确保本书的 学术水准.

在项目执行过程中，中国科学院学部工作局的彭晴晴同志和科学 出版社牛玲编辑给予了有益指导与大力支持.在此，对参与本项目咨 询、调研、撰写报告、评审、提出意见和建议的所有人员表示最衷心 的感谢！

书中观点、内容难免有偏颇和挂一漏万之处，敬请读者理解和 包涵.

袁亚湘

2019年10月

[1]Dantzig G B. Programming in a linear structure. Report of the September Meeting in Madison, 1949, 17: 73-74.

[2]Dantzig G B,章祥赧杜链.回顾线性规划的起源,运筹学杂志，1984, (1): 71-78.

[3]Bazaraa M S, Sherali H D, Shetty C M. Nonlinear Programming: Theroy and Algorithms. New York: John Wiley & Sons, 2004.

[4]Luenberger D G, Ye Y. Linear and Nonlinear Programming. Berlin: Springer, 2015.

[5]Khachiyan L G. A new polynomial algorithm in linear programming. Soviet Mathematics Doklady, 1979, 20: 191-194.

[6]Karmarkar N K. A new polynomial-time algorithm for linear programming. Combinatorica, 1984, 4: 373-395.

[7]Klee V, Minty G J. Inequalities. New York: Academic Press, 1972: 159-175.

[8]Nesterov Y, Nemirovski A. Interior Point Polynomial Methods in Convex Programming: Theroy and Algorithms. Philadelphia: SIAM Publications, 1993.

[9]Bai Y Q. Kernal Function-based Interior-point Algorithm for Conic Optimization. Beijing: Science Press, 2010.

[10]袁亚湘.非线性规划——现状与进展.运筹学杂志，1989, 8(1): 12-22.

[11]Arjovsky M, Chintala S. Wasserstein generative adversarial networks. Pro- cedinges of the 34th International Conference on Machine Learning, 2017.

[12]Cuturi M. Sinkhorn distances: Lightspeed computation of optimal transport. Advances in Neural Information Processing Systems, 2013, 26: 2292- 2300.

[13]Villani C. Optimal Transport: Old and New. Berlin: Springer Science & Business Media, 2008.

[14]Dvurechensky P, Gasnikov A, Kroshnin A. Computational optimal transport: Complexity by accelerated gradient descent is better than by Sinkhorn^ algorithm. Proceedings of the 35th International Conference on Machine Learning (ICML), 2018, 80: 1367.

[15]Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks. Science, 2006, 313: 504-507.

[16]Nemirovski A. Advances in convex optimization: Conic programming. Marta Sanz Sole, 2006, 1: 413-444.

[17]Boyd S, Vandenberghe L. Convex Optimization. Cambridge: Cambridge University Press, 2004.

[18]Alizadeh F, Goldfarb D. Second-order cone programming. Mathematical Programming, 2003, 95: 3-51.

[19]Anjos M F, Lasserre J B. Handbook on Semidefinite, Conic and Polynomial Optimization. Berlin: Springer-Verlag, 2012.

[20]Ben-Tai A, Nemirovski A. Lectures on Modern Convex Optimization. Philadelphia: SIAM Publications, 2001.

[21]Yang L Q, Sun D F, Toh K C. SDPNAL+： A majorized semismooth Newton-CG augmented Lagrangian method for semidefinite programming with nonnegative constraints. Mathematical Programming Computation, 2015, 7: 331-366.

[22]Li Y, Wen Z, Yang C. A Semi-Smooth Newton Method for Solving Semidefinite Programs in Electronic Structure Calculations. Beijing: Peking University, 2017.

[23]Bomze I, Diir M, Teo C P. Copositive optimization. Mathematical Optimization Society Newsletter, Optima, 2012, 89: 2-8.

[24]方述诚，邢文训,线性锥优化.北京：科学出版社，2013.

[25]张立卫.锥约束优化：最优性理论与增广Lagrange方法.北京：科学出版社, 2010.

[26]Zhao X Y, Sun D F, Toh K C. A Newton-CG augmented Lagrangian method for semidefinite programming. SIAM Journal on Optimization, 2010, 20: 1737-1765.

[27]Yann L C, Bengio Y S, Hinton G. Deep learning. Nature, 2015, 521: 436-444.

[28]Peiia J, Vera J C, Zuluaga L F. Completely positive reformulations for polynomial optimization. Mathematical Programming, 2015, 151: 405-431.