求解大规模数学优化问题

规划也称为优化

四要素：数据、变量、目标、约束

将一个简单的数学规划问题项gpt进行提问，GPT给了一个近似解，但不是确切的解。

大模型的训练本身就是一个优化问题。

大模型是如何训练的？大模型训练通常使用Adam优化器。Adam优化器在大模型训练中占据了主导地位，因为它能够有效地处理大规模数据集和复杂的模型结构，同时减少梯度消失或梯度爆炸的问题

国家电网用的是国外的求解器

华为原来用的IBM求解器，用于排产，但是2019年起，不让用了，所以找到了杉树科技去做求解器

上述中为国内外的优化算法求解器，国内的第一家为COPT

上述的1：指的是问题平均求解的时间为1秒

考虑如何将优化和GPU相结合，优化一般需要高性能和高准确性

上述为欧洲的物流问题，在不同时间解的时间

半定规划，量子计算、物理计算上很有用

肝移植配对用的是线性规划

智能计算与大模型求解：理论与实践

上述为CPU与GPU的区别

CPU：中央处理单元，设计用于处理各种类型的计算任务，包括复杂的逻辑和算术运算。通常用于执行程序的流程控制和数据处理，CPU通常包含少量的核心（通常4-32个），每个核心能够处理复杂的任务和多任务操作。

GPU：图形处理单元，最初设计用于处理图像和视觉渲染任务，但随着技术的发展，GPU也被广泛用于并行计算任务，特别是在深度学习和大规模数据处理领域。GPU包含成千上万个小核心，这些核心专门用于并行处理大量相对简单的计算任务。这种设计是的GPU在处理大规模big你小姑娘任务时比CPU更高效。

CUDSS：库函数，实现矩阵分解，但是性能不是很好，性能不稳定，分解的结果很随机，无法实现多卡并联

GPU无法实现矩阵求逆

CPU——CPU+GPU混合架构

CPU与GPU共享一个显存（在研究中）

都是在英伟达芯片上实现的

最大的问题，CUDA生态，库函数件

80%的是整数规划

现在，用GPT4或者4o去做，稍微麻烦的问题，还是无法解

ORLM：可以私有化部署，任何基座，可以用LLM，可以用合成数据，让大模型建模，COPT求解

比GPT4有明显优势