优化目标是什么意思（优化目标是什么意思呀）

大家好！今天让创意岭的小编来大家介绍下关于优化目标是什么意思的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008

本文目录:

• 1、什么叫整体优化

• 2、目标是什么？

• 3、优化设计是指什么？

• 4、多目标优化在推荐中的应用

一、什么叫整体优化

"整体优化"

英文对照

global

optimization;

"整体优化"

在学术文献中的解释

1、二是注意整体优化与

局部

优化相结合,整体优化是指

人才培养

计划的优化,包括处理好各

部分

的比例关系、衔接关系,做到学时分配、课程组合、教学环节的衔接、知识、能力和素质的协调培养都有根有据

2、整体优化是指最大限度覆盖所有部门和个人.最大限度覆盖所有管理

要素

.整体规划,整体设计.对管理要素及其

结构

进行优化,使系统功能得到放大和发挥

3、所谓整体优化是指一个管理者在实施管理措施时要以系统的

总体

目标为目标.而按照系统观点整体不等于各部分的简单相加整体有可能大于各个部分之和也有可能小于各个部分之和

4、“整体优化”是指不论哪一种环境都要在育人的内容、方法、途径几

方面

不断完善、不断更新追求育人的最佳

效应

.优化校园环境首先是优化

软环境

5、所谓整体优化,是指在明确整体目标的

前提

下,协调组成整体的各部分之间的关系,使之得到最优化的合理组合.其中地矿部专项拨款300万元,学院调整预算向评价倾斜100万元

6、整体优化是指整个

教学过程

所在系统的优化.局部优化是指在这个

教学系统

中各个要素的优化.整体优化是一个综合的、整体的观点.局部优化是一个部分概念.局部优化是整体优化的前提和

基础

整体优化是局部优化的目的和结果

7、继续教育既是对

教育素质

结构的整体优化,也是本质优化,整体优化是指

全方位

、多

层面

,本质优化是提升个人学历文凭,具备教师资格认证条件

8、整体优化是指组队时应首先考虑如何提高队伍的整体战斗力.实际上老子根本不承认有什么绝对的弱者、强者.一切都是相对的“反者道之动”一切都依某种条件而转移

9、（2）整体优化技术所谓整体优化是指地下、地上相结合的

油藏工程

、

采油工程

、地面工程总体

方案

优化地面工程各系统总体方案优化

二、目标是什么？

目标：指的是射击、攻击或寻求的对象，也指想要达到的境地或标准。

【引证解释】

1、射击、攻击或寻求的对象。柳青《铜墙铁壁》第一章：“人一乱跑开就坏了，正好成了扫射的目标。”

2、想要达到的境界或目的。毛泽东《关于中华人民共和国宪法草案》：“我们的总目标，是为建设一个伟大的社会主义国家而奋斗。”

扩展资料

目标的作用

1、目标产生积极的心态

目标是努力的依据，也是鞭策。目标给人一个看得见的彼岸。随着实现这些目标，就会有成就感，心态就会向着更积极主动的方向转变。

2、目标使人看清使命，产生动力

有了目标，心中便有一幅清晰的图画，就会集中精力和资源于所选定的方向和目标上，因而也就更加热心于所选目标。

3、目标使人感觉到生存的意义和价值

如果你心中有了理想，你就会感到生存的重要意义，如果这个理想（人生目标）又是由一个个目标组成的，那么，就会觉得为目标付出努力是有价值的。

参考资料来源：百度百科-目标

三、优化设计是指什么？

优化设计（Optimal Design）是近年来发展起来的一门新学科，是最优化技术和计算机计算技术在设计领域应用的结果。优化设计为工程设计提供了一种重要的科学设计方法，使得在解决复杂设计问题时，能从众多的设计方案中寻到尽可能完善的或最适宜的设计方案。在设计过程中，常常需要根据产品设计的要求，合理确定各种参数，例如，重量、成本、性能、承载能力等，以达到最佳的设计目标。这就是说，一项工程设计总是要求在一定的技术和物质条件下，取得一个技术经济指标为最佳的设计方案。优化设计就是在这样一种思想的指导下产生和发展起来的。

目前优化设计方法在结构设计、化工系统设计、电气传动设计、制造工艺设计等各专业中都有广泛的应用。实践证明，在工程设计中采用优化设计方法，不仅可以减轻机械设备重量，降低材料消耗与制造成本，而且可以提高产品的质量与工作性能。因此，优化设计已成成为现代机械设计理论和方法中的一个重要领域，并且越来越受到从事机械设计的科学工作者和工程技术人员的重视。

机械优化设计是使某项机械设计在规定的各种设计限制条件下，优选设计参数，使某项或几项设计指标获得最优值。工程设计上的“最优值”（Optimum）或“最佳值”是指在满足多种设计目标和约束条件下所获得的最令人满意、最适宜的值。它反映了人们的意图和目的，这不同于表示事物本身规律的极值——最大值和最小值，但是在很多情况下，也可以用最大值或最小值来代表最优值。最优值的概念是相对的，随着科学技术的发展及设计条件的变动，最优化的标准也将发生变化。也就是说，优化设计反映了人们对客观世界认识的深化，它要求人们根据事物的客观规律，在一定的物质基础和技术条件之下，充分发挥人的主观能动性，得出最优的设计方案。

最优化技术，是优化设计全过程中各种方法技术的总称。它主要包含两部分内容：优化设计问题的建模技术和优化设计问题的求解技术。如何将一个实际的设计问题抽象成一个优化设计问题，并建立起符合实际设计要求的优化设计数学模型，这是建模技术要解决的问题。建立实际问题的优化数学模型，不仅需要熟悉掌握优化设计方法的基本理论；设计问题抽象和数学模型处理的基本技能；更重要的是要具有该设计领域的丰富设计经验。此外，在进行优化设计求解过程中，要不断地分析实际问题，以及数学模型之间存在的差距，不断地修正优化设计数学模型，只有这样，才能建立起正确的数学模型，求解得到的最优解才具有实际意义。

优化设计的基本思想是搜索、迭代和逼近。首先确定设计变量和目标函数构造优化模型，从某一点x出发，根据目标函数和约束函数在该点的某些信息，确定本次迭代计算的一个方向和适当的步长，去寻找新的迭代点x′，然后用x′代替x，x′点的目标函数值应比原x点的目标函数值小一些。这样一步步的重复迭代，逐步改进目标函数值，直到最终逼近极值点。这样一个逐步寻优的过程，即寻找极小点（无约束或约束极小点）的过程比喻为向“山”的顶峰攀登的过程，始终保持向“高”的方向前进，直至达到“山顶”。当然，“山顶”可以理解为目标函数的极大值，也可以理解为极小值，前者称为上升算法，后者称为下降算法。这两种算法都有一个共同的特点，就是每前进一步都应该使目标函数值有所改善，同时还要为下一步移动的方向提供有用的信息，如图4-22所示。

图4-22　优化设计

四、多目标优化在推荐中的应用

多目标排序通常是指有两个或两个以上的目标函数，寻求一种排序使得所有的目标函数都达到最优或满意。

在推荐系统中，大多产品都是基于隐式反馈进行推荐，导致评估用户满意度的时候有不同的偏差：

1）不同目标表达不同的满意程度：在电商应用中，购买行为表达的满意度高于点击、浏览；

2）单个目标衡量不全面：在信息流应用中，仅以点击率为目标，可能会存在标题党；在招聘应用中，仅以投递转化率为目标，可能存在招聘方不活跃或者对候选者不满意度下降。

3）用户表达满意的方式不同：在电商应用中，用户喜欢商品的表达可能会以收藏或者加购的形式，取决于用户偏好；在招聘应用中，招聘方对候选者的满意方式可能以在线沟通、电话沟通、直接面试邀请等形式，取决于招聘方偏好。

推荐系统中有多个业务指标，可以通过一些手段使得多个业务的综合目标收益最大化。比如说，电商场景，希望能够在优化GMV的基础上提高点击率，提高用户粘性；信息流场景，希望提高用户点击率的基础上提高用户关注、点赞、评论等行为，提高留存；招聘场景，希望提高求职者投递转化率的基础上提高招聘方的体验满意度，从而使得双方的满足度均提高。因此推荐系统做到后期，往往会向多目标方向演化，承担起更多的业务目标。

多目标排序问题的解决方案：多模型分数融合、通过样本权重进行多目标优化、排序学习（Learning To Rank，LTR）、多任务学习（Multi-Task Learning，MTL）。

1.多模型分数融合

多模型融合的方式也是比较经典传统的做法，每个目标训练一个模型，每个模型算出一个分数，然后根据自身业务的特点，通过某种方式将这些分数综合起来，计算出一个总的分数再进行排序，综合分数的计算通常会根据不同目标的重要性设定相应的参数来调节。

最常见的是weighted sum融合多个目标，给不同的目标分配不同的权重。当然，融合的函数可以有很多，比如连乘或者指数相关的函数，可以根据自己面临的场景不断去探索。

1.1 规则公式法

以电商推荐系统为例，假定有五个预估目标，分别是点击率 CTR、购买转化率 CVR、收藏率 collect，加购率 cart、停留时长 stay，这五个目标分别对应五个模型，排序阶段的作用就是利用模型根据各自目标来给候选 Item 计算一个预估值（分数），排序阶段结束每个 Item 都会有五个不同的目标预估分数，如何用这些分数进行融合，是交给下一个流程--重排序模块来处理的。

分数融合的一种思路是利用一个带参数公式来实现，如下：

有了公式，那么超参数（α，β，a，b，c 等）如果进行学习获取？目前工业界就是人工调参，通过线上AB实验不断调整参数，一个很繁琐的工作。

1.2 线性回归法

如果经验公式，我们很容易想到的一种思路是类似于集成学习中一种多模型融合方法 Stacking，即将多个目标模型预估出的结果作为输入，然后用一个简单的线性回归进行线性加权融合，学习到各个目标的权重，这样我们就可以预估综合分数了。但是我们却忽略了一个重要的问题，该如何设置样本的 Label 呢？事实上，并没有一个真实的综合分数可供我们去训练学习，因此，这种办法很难真正去实现。而在工业界，更多的做法是人工调试，但如此又会带来很多问题，比如模型灵活度不够。

2.样本权重（sample weight）

如果主目标是点击率，分享功能是我们希望提高的功能。那么点击和分享都是正样本（分享是点击行为的延续），分享的样本可以设置更高的样本权重。模型训练在计算梯度更新参数时，对于sample weight大的样本，如果预测错误就会带来更大的损失，梯度要乘以权重。通过这种方法能够在优化点击率的基础上，优化分享率。实际AB测试会发现，这样的方法，目标点击率会受到一定的损失换取目标分享率的增长。通过线上AB测试和sample weight调整的联动，可以保证在可接受的A目标损失下，优化目标B，实现初级的多目标优化。

优点:模型简单，仅在训练时通过梯度上乘sample weight实现对某些目标的boost或者decay带有sample weight的模型和线上的base模型完全相同，不需要架构的额外支持。

缺点：本质上没有对多目标的建模，而是将不同的目标折算成同一个目标。折算的程度需要多次AB测试才能确定。

3. 排序学习（Learning To Rank，LTR）

多模型融合中我们通过模型计算预估值或者是综合打分，其根本目的是为了给推荐物品排序，而不是真正的打分。因此我们可以使用排序学习方法来解决多目标问题。再由于是多个目标，可以排除pointwise方案，可以考虑pairwise和listwise方案。具体，模型可以考虑 BPR 或者 LambdaMART 等算法。

相比多模型融合中 Label 标注，排序学习模型的的 Label 标注相对更容易一点，因为只关心相对关系，而不需要真实的打分数据。一种常见的标注方法是对多目标产生的物品构建 Pair，比如用户对物品 i产生的购买，对物品j产生了点击，假定我们觉得购买的目标比点击的目标更重要，就可以让i>uj，其他目标以此类推。有了顺序对后，我们便可以训练排序学习模型，这样一个模型便可以融合多个目标，而不用训练多个模型。

4. 多任务学习（Multi-Task Learning，MTL）

4.1 概念

多任务学习是基于共享表示，把多个相关的任务放在一起学习的一种机器学习方法。多任务学习涉及多个相关的任务同时并行学习，梯度同时反向传播，利用包含在相关任务训练信号中的特定领域的信息来改进泛化能力。

一般来说，优化多个损失函数就等同于进行多任务学习。 即使只优化一个损失函数，也有可能借助辅助任务来改善原任务模型。

多任务学习的前提条件：多个任务之间必须具有相关性以及拥有可以共享的底层表示。

在多任务学习的定义中，共享表示是一个非常重要的限定，个人认为共享表示对于最终任务的学习有两类作用：

促进作用——通过浅层的共享表示互相分享、互相补充学习到的领域相关信息，从而互相促进学习，提升对信息的穿透和获取能力；

约束作用——在多个任务同时进行反向传播时，共享表示则会兼顾到多个任务的反馈，由于不同的任务具有不同的噪声模式，所以同时学习多个任务的模型就会通过平均噪声模式从而学习到更一般的表征，这个有点像正则化的意思，因此相对于单任务，过拟合风险会降低，泛化能力增强。

因此在深度神经网络中，执行多任务学习有两种最常用的方法：

参数的硬共享机制

共享 Hard 参数是神经网络 MTL 最常用的方法。在实际应用中， 通常通过在所有任务之间共享隐藏层，同时保留几个特定任务的输出层来实现， 如下图所示：

共享 Hard 参数大大降低了过拟合的风险。

参数的软共享机制

共享 Soft 参数，每个任务都有自己的参数和模型。模型参数之间的距离是正则化的，以便鼓励参数相似化，例如使用 L2 距离进行正则化。

多任务学习之所以有效，是因为多任务学习的方式引入了归纳偏置（inductive bias），归纳偏置有两个效果：

1）互相促进，可以把多任务模型之间的关系看作是互相先验知识，也称归纳迁移（inductive transfer），有了对模型的先验假设，可以更好的提升模型的效果；

2）约束作用，借助多任务间的噪声平衡以及表征偏置来实现更好的泛化性能。

4.2 主流多任务学习模型

主流模型有ESMM模型、EMS2模型、MMoE模型等。本文以阿里ESMM模型为例进行介绍。

用户的行为可以抽象为一个序列模式：浏览 -> 点击 -> 购买。

CVR 是指从点击到购买的转化，传统的 CVR 预估会存在两个问题：样本选择偏差和稀疏数据。

样本选择偏差：模型用户点击的样本来训练，但是预测却是用的整个样本空间。

数据稀疏问题：用户点击到购买的样本太少。

ESMM是一个多任务学习模型，它同时学习学习点击率和转化率两个目标，即模型直接预测展现转换（pCTCVR）：单位流量获得成交的概率，把 pCVR 当做一个中间变量，模型结构如下 ：

该网络结构共有三个子任务，分别用于输出 pCTR、pCVR 和 pCTCVR。

对于 pCTR 来说可将有点击行为的曝光事件作为正样本，没有点击行为的曝光事件作为负样本，对于 PCTCVR 来说，将同时有点击行为和购买行为的曝光事件作为正样本，其他作为负样本。上面公式可以转化为

我们可以通过分别估计pCTCVR和pCTR，然后通过两者相除来解决。而pCTCVR和pCTR都可以在全样本空间进行训练和预估。但是这种除法在实际使用中，会引入新的问题。因为在预测阶段pCTR其实是一个很小的值，范围一般在百分之几，预估时会出现pCTCVR>pCTR的情况，导致pCVR预估值大于1。ESMM巧妙的通过将除法改成乘法来解决上面的问题。

它引入了pCTR和pCTCVR两个辅助任务，训练时，loss为两者相加。

在CTR有点击行为的展现事件构成的样本标记为正样本，没有点击行为发生的展现事件标记为负样本；在CTCVR任务中，同时有点击和购买行为的展现事件标记为正样本，否则标记为负样本。

另外两个子网络的 embedding 层是共享的，由于 CTR 任务的训练样本量要远超过 CVR 任务的训练样本量，ESMM 模型中 embedding 层共享的机制能够使得 CVR 子任务也能够从只有展现没有点击的样本中学习，从而能够极缓解训练数据稀疏性问题。

MTL可以使得多个模型特性互相弥补：点击率预估模型善于学习表面特征，其中包括标题党，图片带来的点击诱惑；而转化模型学习更深层的特征，比如体验、服务质量。

4.3构建所有loss的pareto

多任务学习本质上是一个多目标问题，因为不同任务之间可能产生冲突，需要对其进行取舍。

帕累托最优所指的情况要求有多个优化目标，指的是不能在不损失其他目标的情况下优化一个目标。

4.3.1 Multi-Task Learning as Multi-Objective Optimization

定义如下：

优化目标：

5.多目标优化实践

【参考文献】

1. https://arxiv.org/pdf/1810.04650v1.pdf  Multi-Task Learning as Multi-Objective Optimization

2.

以上就是关于优化目标是什么意思相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。

推荐阅读：

win10自带的优化软件在哪里（win10自带的优化软件在哪里打开）

网络优化公司必找云尚网络（云尚互联）

不懂就要问优化设计答案（不懂就要问作业设计及答案）

静态IP（静态ip和动态的区别）

外卖餐盒生产设备（外卖餐盒生产设备价格）