1樓：公孫金童
我持懷疑態度。
機器學習包括深度學習本質上來說還是通過訓練集進行擬合和分類的工具，運籌學裡的組合優化問題很多都是NP-hard，根據算例大小的不同，種類不同，問題評價函式不同，很難通過有限的訓練集來找到整個問題的「規律」。
將來更好的發展可能還需要相關理論上的突破。
2樓：Planet-H12
未來的趨勢或許是
運籌學+隨機分析+機器學習+行業
這樣乙個萬金油模型吧
運籌學與機器的深度學習我覺得沒啥矛盾
乙個是理論支撐乙個是應用方法吧
3樓：
深度學習裡用了很多優化演算法，這點沒錯。
但是優化演算法的門檻其實很低，簡單學習就能掌握。
優化裡真正門檻高的是優化理論。不過真正的深度學習裡的優化問題，都不是現有的優化理論能夠解釋證明的。
所以很遺憾地說，優化的確為深度學習提供了很多任務具。但真正解決深度學習裡的優化問題還是要靠深度學習圈裡懂真優化的人。
4樓：zf Li
個人認為深度學習能夠從求解和擴大學科外延兩個方面影響運籌學。
求解來說主要指求解速度和解的質量。對於複雜的動態優化問題，很難獲得解析解，只能依靠數值演算法獲得數值解。雖然現有演算法對於不太複雜的問題能夠較快獲得質量較好的解，但如何更快的獲得更複雜問題質量更好的解將會始終是運籌學領域乙個重要的問題。
其次就是擴大學科外延。對於複雜的現實，現階段運籌學能解決的問題還是屈指可數的。運籌學能解決問題的極限就可以認為是目前運籌學的邊界。
深度學習可能給予學者或者從業者更多啟發，讓他們獲得解決現在運籌學解決不了的問題的思路，從而拓展這個學科的外延。
以上為本人的一點拙見
5樓：吖呀吖吖
很多重要事件決策的做出不是簡單的概率判斷~~運籌學是涉及哲學、心理學等多學科的~這些未來可能會有真正意義上的人工智慧可以挑戰運籌學~但現在的初級的以計算和概率判斷為基礎的所謂人工智慧是不可能挑戰夾雜社會工程學的社會科學~~~
6樓：anglum
深度學習會挑戰運籌學的。運籌學在眾多領域都有很明確的方法和模型，問題在於引數和約束很難像神經網路那樣用資料集不斷演化。運籌學工具一般邊界都比較清晰，用有效的演算法可以達到優化目標。
學習運籌學給你帶來了什麼？
姚瑤 Yao 抽象的數學模型很難給予具體生活問題的指導。簡單的生活問題，即使沒有學過運籌學，也可以在生活經驗中總結出不錯的策略。但是還是會著迷於運籌模型帶來的一般性啟示。 帶著面具de貓 第一，學習運籌學從零到60，讓我覺得自己還沒老，竟然在這個年齡還敢考博士，考乙個自己沒有學過的學科，我挺佩服我自...
運籌學有哪些經典教材？
很久沒看這些書的資訊了。以前知道Stephen Boyd和Shreve，以及Marc Yor的書國內各大平台都有影印版，十分便宜。Intro to Linear Optimization,說起來有些不厚道，我是在清華圖書館借的然後影印的。如果想讀的話，不妨查查自家的圖書館，沒準能借到。至於DP的書，...
數學專業的運籌學難不難？
任濤 運籌學大多數內容不太難，尤其是涉及到演算法的內容，比較容易上手。總的來說，大體上有三個方向，連續優化 組合優化 隨機優化。每個方向都有一些比較難的內容，open的問題也還是有很多，尤其組合優化領域，到處都是NP問題。課程學習方面，稍微難一些的課程有凸分析 如果泛函分析或者實分析這類學的挺好就應...