世界足球经理2000
这几天实在无聊,正版的diablo2是别指望玩上了,打穿了d版的diablo2就没有什么游戏可以解闷儿了!翻来翻去从一堆光盘中又挑出了世界足球经理2000,哎!只好用它打发时间了.以前玩这款游戏时是照着别人的攻略来玩的,除了S/L大法管用外,每场比赛还是提心吊胆的,这次总算是玩出了点门道儿,可算是别人的攻略补遗吧!
这里就来个借花献佛吧!
用人篇-不管你用的是甲级球队还是乙级球队(除丙和丁)队中总有几个可以挑大梁的球员,科隆的克拉赫特,法兰克夫的辛诺夫和杨晨(推荐:>),比赛前查看球员的资料重点看上场球员的士气,让士气特别高的球员上场,后卫看中铲断,中场看中传球,前锋看中射门,但不要忽略了速度,控球,和头球的数值.尤其是速度它可以帮你多来几次下底传中!如果你要从意甲开始的话尤文图斯绝对是你的劲
敌(或许你根本称不上是它的对手),尤其是有齐达内这个游戏中的最佳射手.可两三年以后呢?尤文图斯已经成了昨日黄花(菜)!队中缺乏新鲜的血液年龄在28岁以上的球员的状态下滑的非常快,可怜的齐达内已经快成老马特乌斯了!所以球队中一定要有年轻的球员来打天下,如何得到能力强的年轻球员呢?
转会篇-看看游戏里的资料也满全的了,而我的目光更注意那些实力强的年轻球员.而他们又不愿意加入到我的帐下,可惜我这个教练的名声只有70,只能用$炸弹了但别忘了设成统一货币,阿森纳是不会同意你用里拉把亨利拉走的!牛X的年轻球员在哪?以下以游戏初期为准:
$6000000-$7000000 法兰克夫队前锋辛诺夫国际米兰队前锋帕尔洛
西汉姆联队中场乔.科尔纽卡斯尔队中场代尔
博卡青年队中场里克尔梅
其实还有许多能力出色的年轻球员但所在俱乐部9.9成是不愿出售的!
以下是不久后即将挂牌出售的球员,一定要盯住呀!
前锋莫里恩特斯($5000000) 前锋巴卡约科($4000000)
前锋罗纳尔迪尼奥($6000000) 后卫佛伦赫斯特($4000000)
门将印地维里($2000000)
以上的球员在我执教的罗马队中一年功夫状态值上了天顶,每个队员都在85以上,拿里克尔梅
来说,花了$7000000买来的,现在身价$60000000,状态值95!可也卖不出去,哎!
意甲的诸强却最多只肯花个2,3千万来买球员的!除了抄球员的身价赚转会费外,常盯住博斯曼球员的名单,也会使你荷包变得鼓鼓!一不留神曼联的科尔也会在上面呢!如果需要博斯曼的球员只是为了赚钱的话,不妨在与该球员谈判的时候看一下他要的工资$6000以上的球员状态值大约在75
左右,挂牌的话可赚$4000000左右.而遇到有的球员竟要价$80000,签吧!这可是金矿!虽然需付给他工资,但要是把他挂牌卖的话也值个$20000000吧,这么多的0呀!不发等什么?有了好的球员,但球队还是打不赢比赛也是白搭!
球队篇-游戏开始时每个队都有默认的阵型,但经过实践来看4-3-3的阵型最保险,胜多负少,如哪
个教练想创出一套自己的打法如4-1-2-1-2是自讨苦吃,因为每个新阵型需要球员去适应,一适应比赛八成就要输,这时你这个教练的顶头上司就会出来警告你即使下场比赛你赢了,你的饭碗也会砸了!关于球队战术的设定还是坚持中长传和攻守平衡的原则.对每个球员的训练也不同,基本上在练习攻防的同时也要照顾一下速度!好在每个球员也很敬业,那就少休息一下好了!
特色篇-在这个游戏中处处充满悬念,完全不象在攻略中那位人兄所说的那样,至少我玩的5次就都挺悬的!(呵呵)赛季就要结束AC米兰垫底,可怜的舍普琴科只好去争乙级的射手了!想买里瓦尔多确怎么找不到巴塞罗纳在哪?最后在西乙(绕嘴!)里才找到!同样是悬念,阿森纳竟掉到了英格兰的乙级去踢球,太悬了!而实力强劲的尤文图斯在齐达内都35岁的时候恐怕离降级也不远了!至于有的朋友认为游戏中的比赛动画有的只是摆设,我告诉你是你错了!在动画中每个射门的镜头都是可以入
球的,这要看传球队员的传球速度和线路,还有就是射门队员的个人能力了!至于在观看比赛中有时会出现没见哪方有射门比分就改变了,这恐怕也是一个特色吧!再有就是不太合理的地方是将对方进攻球员铲到是要吃黄牌的,如果把他铲伤裁判却视而不见!有时守门员吃了红牌却还在场上也令人感到奇怪!
虽然这款游戏还不能让你真正感受到做一个足球经理的滋味,但它不失为一个打发时间的好
东东,要打一场比赛恐怕需要7,8分钟的时间吧!加上联赛要有34轮:>希望爱好这款游戏的朋友可以与我交流,让我见识一下你的超级球队!gocool@https://www.doczj.com/doc/d917581793.html,
附本人执教意大利罗马队阵容(4-3-3):
主力球员-门将:印地维里后卫:佛伦赫斯特,伍德盖特,萨莫尔,阿亚拉中卫:托马西, 里克尔梅,乔.科尔前锋:莫里恩特斯,艾尔博,罗纳尔迪尼奥
替补球员-门将:杜涅里后卫:卡福,汤普森,坎德拉中卫:卡奈尔,达卡沃特,维隆前锋:德尔维齐奥,西蒙尼.英萨吉,恩依纳亚
以上球员状态值均85以上,虽不是最强阵容但每次比赛时总是士气高涨!连续三年执教的罗马队已有$80000000的资本!
1蜂胶黄酮类化合物提取工艺参数优化 简介：蜂胶中富含的黄酮类化合物等有效成份在超临界流体CO2中的溶解度极低，因此在超临界流体CO2萃取蜂胶黄酮类化合物的工艺实验研究中，加入少量的乙醇溶剂作为夹带剂，达到了大大增大蜂胶黄酮类化合物的溶解度的目的。本文将利用响应面分析方法，用多项式函数来近似解析描述多因子试验中因素与试验结果的关系，研究因子与响应值之间、因子与因子之间的相互关系，从而达到工艺参数优化的目的。 优化目标：黄酮类化合物萃取得率（%） 优化变量：萃取压力（MPa），乙醇浓度（%），固液比 优化结果：原文献最佳优化工艺参数：萃取压力：25MPa，乙醇浓度95%，固液比：6:1 参考文献：游海,陈芩,高荫榆,陈才水. 蜂胶黄酮类化合物提取工艺参数优化[J]. 食品科学,2002,08:172-174. 表1 RSA试验的设计和结果 试验号萃取压力乙醇浓度固液比黄酮得率 (MPa) （%）（%） 1 -1 -1 0 2.213 2 -1 0 -1 5.247 3 -1 0 1 5.125 4 -1 -1 0 9.763 5 0 -1 -1 4.346 6 0 -1 1 4.786 7 0 1 -1 11.017 8 0 1 1 13.339 9 1 -1 0 6.759 10 1 0 -1 5.496 11 1 0 1 8.125 12 1 1 0 14.733 13 0 0 0 10.393 14 0 0 0 10.192 15 0 0 0 10.427
2 超声波法提取板栗壳多糖的工艺条件优化 简介：板栗俗称栗子，有“干果之王”的美称。栗壳为板栗的外果皮，药性甘、涩、平，具有降逆、止血的 功效，主治反胃、鼻衄、便血等本文以板栗壳为原料，利用超声波辅助提取板栗壳中多糖物质，采用中心实验设计优化板栗壳多糖超声辅助提取工艺参数，为后续实验和实际生产提供参考。 优化目标：板栗壳多糖得率（%） 优化变量：超声波功率（kw），料液比，超声波处理时间（min） 优化结果：经试验优化确定提取板栗壳多糖的最佳工艺条件为超声波功率为165W、料液比为1∶62、超声波处理时间为27min，在该条件下，超声波提取板栗壳多糖的效率最高，得率为11.48%。 参考文献：刘齐,杜萍,王飞生,李鸿飞,杨芳. 超声波法提取板栗壳多糖的工艺条件优化[J]. 食品工业科技,2014,03:221-224+229. 表1 响应面分析因素与水平 水平 因素 A超声波功率B作用时间C料液比（w）（min） -1.68 108 17 1:36 -1 125 20 1:50 0 150 25 1:70 1 175 30 1:90 1.68 192 33 1:104 表2 响应面分析方案与实验结果 实验号 A B C 得率（%） 1 -1 -1 -1 8.58 2 1 -1 -1 8.76 3 -1 1 -1 8.85 4 1 1 -1 8.39 5 -1 -1 1 7.96 6 1 -1 1 7.56 7 -1 1 1 6.67 8 1 1 1 8.35 9 -1.68 0 0 8.97 10 1.68 0 0 9.81 11 0 -1.68 0 7.91 12 0 1.68 0 9.36 13 0 0 -1.68 8.12 14 0 0 1.68 8.14 15 0 0 0 11.79
五种最优化方法 1.最优化方法概述 1.1最优化问题的分类 1）无约束和有约束条件； 2）确定性和随机性最优问题（变量是否确定）； 3）线性优化与非线性优化（目标函数和约束条件是否线性）； 4）静态规划和动态规划（解是否随时间变化）。 1.2最优化问题的一般形式（有约束条件）： 式中f（X）称为目标函数（或求它的极小，或求它的极大），si（X）称为不等式约束，hj（X）称为等式约束。化过程就是优选X，使目标函数达到最优值。 2.牛顿法 2.1简介 1）解决的是无约束非线性规划问题； 2）是求解函数极值的一种方法； 3）是一种函数逼近法。 2.2原理和步骤
3.最速下降法（梯度法） 3.1最速下降法简介 1）解决的是无约束非线性规划问题； 2）是求解函数极值的一种方法； 3）沿函数在该点处目标函数下降最快的方向作为搜索方向； 3.2最速下降法算法原理和步骤
4.模式搜索法（步长加速法） 4.1简介 1）解决的是无约束非线性规划问题； 2）不需要求目标函数的导数，所以在解决不可导的函数或者求导异常麻烦的函数的优化问题时非常有效。 3）模式搜索法每一次迭代都是交替进行轴向移动和模式移动。轴向移动的目的是探测有利的下降方向，而模式移动的目的则是沿着有利方向加速移动。 4.2模式搜索法步骤
5.评价函数法 5.1简介 评价函数法是求解多目标优化问题中的一种主要方法。在许多实际问题中，衡量一个方案的好坏标准往往不止一个，多目标最优化的数学描述如下：min (f_1(x),f_2(x),...,f_k(x)) s.t. g(x)<=0 传统的多目标优化方法本质是将多目标优化中的各分目标函数，经处理或数学变换，转变成一个单目标函数，然后采用单目标优化技术求解。常用的方法有“线性加权和法”、“极大极小法”、“理想点法”。选取其中一种线性加权求合法介绍。 5.2线性加权求合法 6.遗传算法 智能优化方法是通过计算机学习和存贮大量的输入-输出模式映射关系，进
短篇摘译 多发性硬化与视神经脊髓炎7T 磁共振中相位变化比较 NMOSD 与MS 有时临床表型出现重叠。作者将已经诊断为NMOSD 的10例患者及10例复发-缓解型MS 患者进行7T 磁共振T2W 及磁敏感加权成像对比研究。9例NMOSD 患者血清AQP-4 IgG 阳性。脑部病灶及其周围相位变化分为4类：1.病变中心顺磁性相位改变，表现成结节样。2.病变边缘顺磁性改变，表现成环样。3.病灶内没有任何相位改变。4.病灶内相位改变不满足以上标准。后者称为“病灶非特异性相位改变”。作者频繁观察到MS 患者病灶有顺磁性环样（232个病灶中75个，32%）或结节样（232个病灶中32个，14%）相位变化，但这些变化极少出现在NMOSD 患者病灶中（环样相位变化病灶为112个病灶仅有2个，2%，p ﹤0.001；结节样相位变化的病灶112个病灶中也仅有2个，2%，p ﹤0.001）。环样或结节样顺磁性MRI 相位变化病灶是MS 病灶特点，很少见于NMOSD 。另外，T2W 常见MS 病灶内中心内静脉（232个病灶中可见于193个，83%），NMOSD 病灶中少见（112个病灶仅见28个，25%，p ﹤0.001）。 A,B,D 为复发-缓解型多发性硬化，C 为NMOSD A .病变中心顺磁性相位变化，表现结节样。 B .病灶边缘顺磁性相位变化，表现为环状。C.病变内相位没有任何变化。D . MS 病灶似乎显示出小的T2低信号环，对应相位改变不确定，病灶病变内相位变化不能满足上述分类标准。因此分类为第四种。另外，注意到在MS 病灶中心存在中央静脉（A,B,D ），在视神经脊髓炎病灶中没有这样的血管 Neurol Neuroimmunol Neuroinflamm 2016;3:e259；doi: 10.1212/NXI.0000000000000259 译者：桑川 No. .003
最优化教学理论的代表──巴班斯基 一、简介 巴班斯基（1927—1987），是苏联当代很有影响的教育家、教学论专家。巴班斯基毕生致力于教育科学研究。20世纪60年代初至80年代中，他以罗斯托夫地区的普通学校为基地，潜心进行教学、教育过程最优化理论的研究，形成了具有丰富内容和积极现实意义的、颇有新意的完整的教学理论，在苏联和世界各国引起了强烈反响。他一生发表的著作约有三百多部（篇），代表作是《教学过程最优化──一般教学论方面》《教学、教育过程最优化──方法论基础》以及他主编的《教育学》以上著作都有中译本，由人民教育出版社出版。，等等。巴班斯基去世后，苏联教育科学院编纂出版了《巴班斯基教育文选》，以纪念这位为教育理论作出杰出贡献的教育家。 二、教学过程最优化理论 （一）教学过程最优化理论产生的时代背景 巴班斯基的教学过程最优化理论的产生，与苏联教育改革中产生的问题直接有关。第一，这一理论的提出，是要克服教学理论研究和教学实践中存在的片面性。随着20世纪60年代中期开始的教育改革的深化，教育理论家们对一些基本的教学论问题看法不一，互相排斥，方法论上形而上学和绝对化盛行。以赞科夫为代表的各种教学实验取得很大成就，但由于大部分研究者只从某一方面研究教学现象，导致了片面性，只能使一部分学生获得较好发展，而且忽略了德育和劳动教育问题。第二，提出这一理论是为了解决学生负担过重问题。1964年教改的重点是实现教学内容的现代化，过分强调“高难度”和“高速度”原则，使社会对学校的要求与师生实现这些要求的实际可能之间存在差距，学生的学习负担很重。第三，最优化理论是巴班斯基对罗斯托夫地区教育经验的总结。60~70年代，罗斯托夫地区的教师创造了在普通学校中大面积消灭留级现象、预防学生成绩不良的成功经验。巴班斯基运用现代科学的系统论思想，对这一经验进行了综合研究，提出了教学过程最优化的理论原理。他又会同有关部门对自己的理论进行了四年实验研究，使这一理论更成熟、更完整、更科学。 （二）教学过程最优化的一般概念
weili@https://www.doczj.com/doc/d917581793.html,
主要内容 ?组合最优化问题概论 ?现代最优化计算方法 –禁忌搜索（tabu search） –模拟退火（simulated annealing） –遗传算法（genetic algorithms） –人工神经网络（neural networks） –拉格朗日松弛算法（Lagrange slack arithmetic）
?组合最优化（combinatorial optimization ） –是通过对数学方法的研究去寻找离散事件的最优编排、分组、次序或筛选等 –组合最优化问题的数学模型 其中，f(x)为目标函数，g(x)为约束函数，x 为决策变量，D 表示有限个点组成的集合 D x 0 g(x) .t .s ) x (f min ∈≥
?组合最优化（combinatorial optimization ） –一个组合最优化问题可用三参数（D,F,f ）表示，其中D 表示决策变量的定义域，F 表示可行解区域F 中的任何一个元素称为该问题的可行解，f 表示目标函数。满足的可行解称为该问题的最优解 –组合最优化的特点是：可行解集合为有限点集 –有可行解一定有最优解 }0)x (g ,D x |x {F ≥∈=}F x |x)(f {min )x (f *∈=*x
?组合最优化问题 例1.（最优投资问题）设一个人的财富为b ，现有n 只价格为、预期收益分别为的股票，如何选择投资策略使得该人投资收益最大？解：用数学模型表示为： )n ,2,1i (a i L =)n ,2,1i (c i L =(3) n ,2,1i },1,0{ x (2) ,b x a .t .s (1) x c max i n 1 i i i n 1 i i i L =∈≤∑∑==
精心整理 五种最优化方法 1.最优化方法概述 1.1最优化问题的分类 1）无约束和有约束条件； 2）确定性和随机性最优问题（变量是否确定）； 3 4 1.2 2. 2.1 1 2 3 2.2 3. 3.1 1 2 3 3.2 4.模式搜索法(步长加速法) 4.1简介 1）解决的是无约束非线性规划问题； 2）不需要求目标函数的导数，所以在解决不可导的函数或者求导异常麻烦的函数的优化问题时非常有效。 3）模式搜索法每一次迭代都是交替进行轴向移动和模式移动。轴向移动的目的是探测有利的下降
方向，而模式移动的目的则是沿着有利方向加速移动。 4.2模式搜索法步骤 5.评价函数法 5.1简介 评价函数法是求解多目标优化问题中的一种主要方法。在许多实际问题中，衡量一个方案的好坏标准往往不止一个，多目标最优化的数学描述如下： min(f_1(x),f_2(x),...,f_k(x)) s.t.g(x)<=0 传统的多目标优化方法本质是将多目标优化中的各分目标函数，经处理或数学变换，转变成一个单目标函数，然后采用单目标优化技术求解。常用的方法有“线性加权和法”、“极大极小法”、“理想点法”。选取其中一种线性加权求合法介绍。 5.2线性加权求合法 6.遗传算法 智能优化方法是通过计算机学习和存贮大量的输入-输出模式映射关系，进而达到优化的一种方法，主要有人工神经网络法，遗传算法和模拟退火法等。 6.1遗传算法基本概念 1.个体与种群 个体就是模拟生物个体而对问题中的对象（一般就是问题的解）的一种称呼。 种群就是模拟生物种群而由若干个体组成的群体,它一般是整个搜索空间的一个很小的子集。 2.适应度与适应度函数 适应度就是借鉴生物个体对环境的适应程度,而对问题中的个体对象所设计的表征其优劣的一种测度。 适应度函数就是问题中的全体个体与其适应度之间的一个对应关系。该函数就是遗传算法中指导搜索的评价函数。 6.2遗传算法基本流程 遗传算法的中心思想就是对一定数量个体组成的生物种群进行选择、交叉、变异等遗传操作,最终求得最优解或近似最优解。 遗传算法步骤 步1在搜索空间U上定义一个适应度函数f(x)，给定种群规模N，交叉率Pc和变异率Pm，代数T；
àSéú7l???????ˉ|7“í ü y} 1.?k 4ù?: ?ú?í|?í?uμ‘? t?4a?: B b}oμ
五种最优化方法 1. 最优化方法概述 1.1最优化问题的分类 1）无约束和有约束条件； 2）确定性和随机性最优问题（变量是否确定）； 3）线性优化与非线性优化（目标函数和约束条件是否线性）； 4）静态规划和动态规划（解是否随时间变化）。 1.2最优化问题的一般形式（有约束条件）： 式中f(X)称为目标函数(或求它的极小，或求它的极大)，si(X)称为不等式约束，hj(X)称为等式约束。化过程就是优选X，使目标函数达到最优值。 2.牛顿法 2.1简介 1）解决的是无约束非线性规划问题； 2）是求解函数极值的一种方法； 3）是一种函数逼近法。 2.2 原理和步骤
3. 最速下降法（梯度法） 3.1最速下降法简介 1）解决的是无约束非线性规划问题； 2）是求解函数极值的一种方法； 3）沿函数在该点处目标函数下降最快的方向作为搜索方向； 3.2 最速下降法算法原理和步骤
4. 模式搜索法(步长加速法) 4.1 简介 1）解决的是无约束非线性规划问题； 2）不需要求目标函数的导数，所以在解决不可导的函数或者求导异常麻烦的函数的优化问题时非常有效。 3）模式搜索法每一次迭代都是交替进行轴向移动和模式移动。轴向移动的目的是探测有利的下降方向，而模式移动的目的则是沿着有利方向加速移动。 4.2模式搜索法步骤
5.评价函数法 5.1 简介 评价函数法是求解多目标优化问题中的一种主要方法。在许多实际问题中，衡量一个方案的好坏标准往往不止一个，多目标最优化的数学描述如下：min (f_1(x),f_2(x),...,f_k(x)) s.t. g(x)<=0 传统的多目标优化方法本质是将多目标优化中的各分目标函数，经处理或数学变换，转变成一个单目标函数，然后采用单目标优化技术求解。常用的方法有
《最优化理论与方法》讲义 (上) 第一章绪论 1.1 学科简介 最优化这一数学分支，为这些问题的解决提供了理论基础和求解方法。最优化就是在一切可能的方案中选择一个最好的方案以达到最优目标的学科。 1.1.1 优化的含义 优化是从处理各种事物的一切可能的方案中，寻求最优的方案。 （1）来源：优化一语来自英文Optimization，其本意是寻优的过程； （2）优化过程：是寻找约束空间下给定函数取极大值（以max 表示)或极小(以min表示)的过程。 1.2 发展概况 第一阶段—人类智能优化 第二阶段—数学规划方法优化 第三阶段—工程优化 第四阶段—现代优化方法 1.3研究意义 研究意义：最优化在本质上是一门交叉学科，它对许多学科产生了重大影响，并已成为不同领域中很多工作都不可或缺的工具。 应用范围：信息工程及设计、经济规划、生产管理、交通运输、
国防工业以及科学研究等诸多领域。 总之，它是一门应用性相当广泛的学科，讨论决策的问题具有最佳选择之特性。它寻找最佳的计算方法，研究这些计算方法的理论性质及其实际计算表现。 1.4 示例 例1 资源分配问题 某工厂生产A 和B 两种产品，A 产品单位价格为A P 万元，B 产品单位价格为B P 万元。每生产一个单位A 产品需消耗煤C a 吨，电E a 度，人工L a 个人日；每生产一个单位B 产品需消耗煤C b 吨，电E b 度，人工L b 个人日。现有可利用生产资源煤C 吨，电E 度，劳动力L 个人日，欲找出其最优分配方案，使产值最大。分析：(1)产值的表达式；(2)优化变量确定：A 产品A x ，B 产品B x ；(3)优化约束条件： ①生产资源煤约束； ②生产资源电约束； ③生产资源劳动力约束。 例2 指派问题 设有四项任务1B 、2B 、3B 、4B 派四个人1A 、2A 、3A 、4A 去完成。每个人都可以承担四项任务中的任何一项，但所消耗的资金不同。设 i A 完成j B 所需资金为ij c 。如何分配任务，使总支出最少? 分析：设变量?????=任务完成不指派， 任务完成指派j j i ij B A B A x 0,1
稳健性最优化简介 2008-9-28 19:09:34【来源：网络】 稳健性最优化，英文是robust optimization，本质上是一类半无限最优化问题(semi-infinite programming)。只不过它研究的更为具体一些，在方法论上，更加注重于把半无限最优化问题用转化称一个多项式可解的确定性最优化问题或者用一个多项式可解的确定性最优化问题来逼近。 稳健性最优化开始于1998，由EI. Ghaoui,etc和Ben-Tal and Nemirovski等等倡导。目前稳健性最优化问题的研究方法有3种。第一种，也是最先的，由Ghaoui,Febret等等开始使用，来自于robust control的，叫做分式线性型（fractional linear representaion)。他们研究可以表示为fractional linear representation的不确定性（叫做结构不确定性：structual uncertainty)。 在这种假定下，他们研究了robust最小二乘问题以及robust semi-definite programming问题，或者了一些结果。第二种方法是Ben-Tal 和Nemirovski采用的研究非结构不确定性的方法。他们采用semi-definite programming的方法论，研究了robust linear optimization, robust quadradic optimization和robust semi-definite programming,并且证明了一些近似结果。 他们最重要的结果表明：对于如下robust linear optimization min c^Tx s.t. Ax<=b, \forall [A,b]\in U 其中，U是不确定集合。 当U 是椭球，或者多胞形，或者是半正定约束表成的集合，半无限线性规划可以转化乘相应的二次规划，线性规划以及半正定规划。对于robust quadratic optimization来说，结果是近似的。他们证明了著名的approximate S-lemma。这个结果很技术性，也很重要。 第三种方法由Shuzhong Zhang提出。他的方法论基于所谓的D-induced duality理论。这个理论对robust optimization 构造了一个统一框架。 他的方法论首先研究如下问题 集合{ M| B(x,y)= x^TM_iy>=0,\forall x\in K, y\in D^*} 在什么时候多项时可表出。其中K,D是凸闭proper,solid锥。 这个方法论统一了Ben-Tal,Nemirovski,和Ghaoui,Febret等的结果。他们的结果都可以用D-induced duality的语言写出。但是目前还没有其他的结果。我的博士论文就是做这方面的工作--希望能够找到更多的可以多项式表出的cases。或者用多项式可解的问题来近似D-induced duality 问题并且获得好的近似度。 robust optimization 一般来说是NP-hard的。关于这个概念我会在另外一个介绍性文章中说明。关于这个结果的一个例子由Nemirovski给出。这也是robust optimization要发展近似算法的原因。这个领域目前只有5年时间，还有很多工作可以做。 要步入robust optimization 领域，需要掌握interior point method,semi-definite programming