คำถามติดแท็ก big-picture

นอกเหนือจากภาคการศึกษา 'พลัง' ของฉันคืออะไร ฉันจะทำอะไรได้นอกจากสอนและตีพิมพ์ผลงาน? ฉันจะใช้พลังของฉันได้ที่ไหน เพื่อเหตุผลของการโต้แย้ง: โปรดสมมติว่าฉันมีปริญญาเอกในอัลกอริทึม / TCS และได้เรียนรู้มากมายของ 'สิ่ง' และทำขึ้นมาด้วยขอบเขตที่ก้าวหน้าในอัลกอริทึมที่มีอยู่ ฯลฯ และฉันยังมีฐานที่แข็งแกร่งในการวิเคราะห์อัลกอริทึม อัลกอริทึมการประมาณ / การสุ่มการโปรแกรมเชิงคณิตศาสตร์ ฯลฯ เหตุผลเบื้องหลังคำถาม: อยากรู้เกี่ยวกับทางเลือกด้านอาชีพที่ไม่ใช่เชิงวิชาการสำหรับผู้คนในพื้นที่นี้และอาจกระตุ้นนักเรียนบางคนว่าเป็น "ไม่ใช่ทฤษฎี" และมีการใช้ที่เป็นไปได้ในโลกภายนอกในสาระสำคัญ PS: โปรดไม่ได้คำตอบที่ระบุมีจำนวนมากที่จะเรียนรู้และคุณอาจต้องการที่จะลอง XXX ฉันอยากรู้อยากเห็นจากมุมมองการพัฒนาอาชีพ / อาชีพ การวิจัยการดำเนินงาน (OR) น่าจะเป็น IMO ที่เหมาะสมเท่านั้น ตัวเลือกอื่น ๆ ที่มีอยู่?

13 soft-question  big-picture  career 

ให้เป็นฟังก์ชันบูลีนที่มีความไวความไวบล็อกและ(ฉ)fffs(f)s(f)s(f)bs(f)bs(f)bs(f) ความไวบล็อกรัฐไวคาดคะเนการคาดเดาว่ามีดังกล่าวว่าคc>0c>0c>0∀f, bs(f)≤s(f)c∀f, bs(f)≤s(f)c\forall f,\mbox{ }bs(f)\leq s(f)^c อะไรคือนัยยะของความจริงและความเท็จของการคาดคะเนนี้? กรุณาอ้างอิงการอ้างอิงเช่นกัน

12 cc.complexity-theory  big-picture  boolean-functions  survey 

Arora และ Barak แสดงให้เห็นว่าสามารถแสดงเป็นB P ⋅ N Pเช่นชุดของภาษาที่มีการลดการสุ่มลงเป็น 3SAT M Aเป็นลักษณะทั่วไปแบบสุ่มโดยธรรมชาติของN Pซึ่งคุณสามารถแทนที่ตัวตรวจสอบที่กำหนดขึ้นได้ด้วยการสุ่มAMAM\mathsf{AM}BP⋅NPBP⋅NP\mathsf{BP}\cdot \mathsf{NP}MAMA\mathsf{MA}NPNP\mathsf{NP} มีความรู้สึกอย่างใดอย่างหนึ่งซึ่งพอดีที่สุดใน "P คือ BPP ตาม NP คืออะไร" ความสัมพันธ์?

12 cc.complexity-theory  big-picture 

มีแนวคิดการแข่งขันหลายอย่างของ "กราฟเบาบาง" ตัวอย่างเช่นกราฟที่ฝังพื้นผิวนั้นอาจถูกพิจารณาว่าเป็นเบาบาง หรือกราฟที่มีความหนาแน่นของขอบล้อมรอบ หรือกราฟที่มีเส้นรอบวงสูง กราฟที่มีการขยายขนาดใหญ่ กราฟที่มีความ จำกัด treewidth (แม้จะอยู่ในฟิลด์ย่อยของกราฟแบบสุ่มมันก็มีความกำกวมเล็กน้อยในสิ่งที่อาจเรียกได้ว่ากระจัดกระจาย) และอื่น ๆ ความคิดของ "กราฟเบาบาง" มีผลกระทบมากที่สุดในการออกแบบอัลกอริธึมกราฟที่มีประสิทธิภาพและทำไม? ในทำนองเดียวกันความคิดของ "กราฟหนาแน่น" ... คืออะไร? (หมายเหตุ: Karpinski ทำงานได้อย่างยอดเยี่ยมเกี่ยวกับผลการประมาณค่าสำหรับกราฟมาตรฐานที่หนาแน่น) ฉันเพิ่งเห็นคำปราศรัยของ J. Nesetril ในรายการของเขา (ร่วมกับ P. Ossona de Mendez) เพื่อจับภาพมาตรการกระจัดกระจายในกราฟภายในกรอบ (asymptotic) แบบครบวงจร คำถามของฉัน - ใช่อาจเป็นอัตนัยและฉันคาดหวังว่าค่ายที่แตกต่างกัน - ได้รับแรงบันดาลใจจากความปรารถนาที่จะได้รับมุมมองที่หลากหลายในการใช้ sparsity ในอัลกอริทึม (และเสียบช่องว่างใด ๆ

12 ds.algorithms  graph-theory  graph-algorithms  big-picture 

สมมติว่าเราค้นพบอารยธรรมของมนุษย์ต่างดาวที่สามารถส่งและรับข้อความโดยใช้ช่องทางการสื่อสารแบบดิจิตอลระหว่างดวงดาว (สมมติว่าใช้คลื่นวิทยุมอดูเลต, เลเซอร์พัลส์, ตำแหน่งดาวอีกครั้งในวงโคจรต่าง ๆ , คุณมีอะไร) สมมติว่าเราตัดสินใจติดต่อกับพวกมันแล้ว เมื่อเราเริ่มต้นการโต้ตอบเราจะทำอย่างไรเกี่ยวกับการสร้างโปรโตคอลการสื่อสารและภาษา วิธีการใดที่เราจะใช้เพื่อยอมรับคำศัพท์พื้นฐานและวิธีการแสดงความคิดเห็นเชิงตรรกะ มันเป็น Ad-hoc หรือมีวิธีการเพิ่มประสิทธิภาพของกระบวนการในการสร้างภาษาทั่วไปตามการดัดแปลงเชิงสัญลักษณ์ เราต้องการเห็นด้วยกับภาษาได้อย่างรวดเร็วและลดทรัพยากรที่จำเป็นในการเข้ารหัสและส่งข้อความ (เนื่องจากค่อนข้างช้าในการส่ง) ถัดไปการแลกเปลี่ยน: เมื่อเรามีภาษาที่ใช้ร่วมกันแล้วเราจะแน่ใจได้อย่างไรว่าทั้งสองฝ่ายต่างตอบแทนกันในความลับทางการค้า นั่นคือเราไม่ต้องการที่จะอยู่ในสถานการณ์ที่เราแจกเทคโนโลยีที่มีค่าโดยไม่ได้รับอะไรตอบแทน ทั้งสองฝ่ายสามารถพิสูจน์ได้หรือไม่ว่าพวกเขามีเทคโนโลยีบางอย่าง? มีวิธีส่งผลลัพธ์ทีละน้อยทีละน้อยเพื่อให้แต่ละด้านสามารถเพิ่มความมั่นใจในคุณค่าของข้อความได้หรือไม่?

12 big-picture  communication-complexity 

รับเช่นนั้นสัมประสิทธิ์ของp , qถูกล้อมรอบด้วยB , p ≡ qถือ ?หน้า( x1, … , xn) , q( x1, … , xn) ∈ Z [ x1, … , xn]p(x1,…,xn),q(x1,…,xn)∈Z[x1,…,xn]p(x_1,\dots,x_n),q(x_1,\dots,x_n)\in \Bbb Z[x_1,\dots,x_n]p , qp,qp,qBBBหน้า≡ qp≡qp\equiv q บทสรุป Schwartz-Zippel ใช้ที่นี่เนื่องจากมันมีไว้สำหรับฟิลด์ทั่วไปและและมีอัลกอริทึมแบบสุ่มที่มีประสิทธิภาพสำหรับปัญหานี้Z⊂QZ⊂Q\Bbb Z\subset\Bbb Q เราคาดหวังว่าปัญหานี้จะมีการสุ่มตัวอย่างที่มีประสิทธิภาพ จะเกิดอะไรขึ้นถ้าปัญหานี้ไม่มีประสิทธิภาพในการแยกส่วนที่มีประสิทธิภาพ

11 big-picture  derandomization  conditional-results 

นี่คือคำถามที่ตามมาของฉัน: ความซับซ้อนของเวลาที่กำหนดขึ้นซึ่งเป็นที่รู้จักกันดีที่สุดคือขอบเขตล่างสำหรับปัญหาธรรมชาติใน NP ฉันพบว่ามันทำให้สับสนซึ่งเราไม่สามารถพิสูจน์เวลาที่กำหนดได้สองด้านสำหรับปัญหา NP ที่น่าสนใจที่ผู้คนสนใจและพยายามออกแบบอัลกอริทึมที่ดีกว่า สมมติฐานการคาดเดาเวลาเอ็กซ์โพเนนเชียลของเราระบุว่า SAT ไม่สามารถแก้ไขได้ในเวลาที่กำหนดแบบเอ็กซ์โปแนนเชียล แต่เราไม่สามารถพิสูจน์ SAT ได้ (หรือปัญหา NP อื่น ๆ ที่น่าสนใจ) ต้องใช้เวลากำลังสอง! ฉันรู้ว่าน่าสนใจค่อนข้างเป็นส่วนตัวและคลุมเครือ ฉันไม่มีคำจำกัดความ แต่ให้ฉันพยายามอธิบายสิ่งที่ฉันคิดว่าเป็นปัญหาที่น่าสนใจ: ฉันกำลังพูดถึงปัญหาที่มากกว่าสองสามคนพบว่าน่าสนใจ ฉันไม่ได้พูดถึงปัญหาบางอย่างที่ถูกออกแบบมาเพื่อตอบคำถามทางทฤษฎี หากผู้คนไม่พยายามค้นหาอัลกอริธึมที่เร็วกว่าสำหรับปัญหาแสดงว่าปัญหาไม่น่าสนใจ หากคุณต้องการตัวอย่างที่เป็นรูปธรรมของปัญหาที่น่าสนใจให้พิจารณาปัญหาในกระดาษ 1972 ของ Karp หรือใน Garey และ Johnson 1979 (ส่วนใหญ่) มีคำอธิบายใด ๆ หรือไม่ว่าทำไมเราถึงไม่สามารถพิสูจน์เวลาที่กำหนดค่ากำลังสองที่ลดลงสำหรับปัญหา NP ที่น่าสนใจใด ๆ

11 cc.complexity-theory  lower-bounds  big-picture  barriers 

มีการศึกษาใด ๆ เพื่อพิจารณาว่าสติปัญญาของมนุษย์สามารถเอาชนะอัลกอริทึมได้ดีกว่าหรือไม่ (เช่นทดสอบว่าทฤษฎีบท No Free Lunch นำไปใช้กับสติปัญญาของมนุษย์) หรือไม่? มีใครบ้างที่พัฒนาวิธีการทางเทคนิคเพื่อใช้ประโยชน์จากคุณสมบัติพิเศษอื่น ๆ ของสติปัญญาของมนุษย์?

11 ds.algorithms  big-picture  ai.artificial-intel 

เมื่อฉันนึกถึงซอฟต์แวร์ที่ไม่ปลอดภัยฉันคิดว่ามัน "มีประโยชน์มาก" และผู้โจมตีสามารถใช้งานในทางที่ผิดได้ ดังนั้นในแง่การรักษาความปลอดภัยซอฟต์แวร์คือกระบวนการทำให้ซอฟต์แวร์มีประโยชน์น้อยลง ในวิทยาการคอมพิวเตอร์เชิงทฤษฎีคุณไม่ได้ทำงานกับโลกแห่งความจริง มีข้อกังวลเรื่องความปลอดภัยเมื่อทำงานกับทฤษฎีที่บริสุทธิ์หรือไม่ หรืออีกด้านหนึ่งของเหรียญศาสตร์คอมพิวเตอร์ทางทฤษฎีมีผลกระทบต่อโลกแห่งความจริงของผู้ที่ถูกแฮ็กหรือไม่? ถ้าเป็นเช่นนั้นหัวข้อความปลอดภัยใดบ้างที่ถูกพิจารณาในเชิงทฤษฎี?

11 cr.crypto-security  big-picture 

ในความซับซ้อนของการสื่อสารการคาดคะเนอันดับบันทึกระบุว่า c c ( M) = ( บันทึกR k ( M) )O ( 1 )คค(M)=(เข้าสู่ระบบ⁡Rk(M))O(1)cc(M) = (\log rk(M))^{O(1)} โดยที่คือความซับซ้อนของการสื่อสารของM ( x , y )และr k ( M )คืออันดับของM (เป็นเมทริกซ์) เหนือ realsc c ( M)คค(M)cc(M)M( x , y)M(x,Y)M(x,y)R k ( M)Rk(M)rk(M)MMM อย่างไรก็ตามเมื่อคุณใช้วิธีการจัดลำดับเพื่อลดขอบเขตคุณสามารถใช้r kบนฟิลด์ใดก็ได้ที่สะดวก ทำไมการคาดคะเนบันทึกอันดับจึง จำกัด ที่ rk มากกว่า reals? การคาดเดาได้รับการแก้ไขสำหรับr kเหนือฟิลด์ที่มีลักษณะไม่เป็นศูนย์หรือไม่? …

10 cc.complexity-theory  big-picture  linear-algebra  open-problem  communication-complexity 

เพื่อตอบ "ปัญหาที่สามารถแก้ไขได้ด้วยการคำนวณ" เราได้พัฒนาทฤษฎีการคำนวณ สำหรับปัญหาที่คำนวณได้มีทฤษฎีที่จะตอบคำถามที่ว่า "เป็นโปรแกรมที่ฉันได้ง่ายที่สุด" หรือไม่? ฉันไม่คิดว่าความซับซ้อนในการคำนวณตอบคำถาม ฉันคิดว่ามันจะพิจารณาระยะเวลาที่เราต้องการ (แม้ว่าวัดเป็นนามธรรม) ฉันไม่แน่ใจว่าทฤษฎีข้อมูลอัลกอริทึมตอบคำถามหรือไม่ ดูเหมือนว่าทฤษฏีพูดถึงเรื่องขนาดซึ่งการเทียบขนาดเล็กและเรียบง่ายที่สุดนั้นไม่ชัดเจนสำหรับฉัน (อย่างน้อยพวกเขาก็รู้สึกแตกต่างจากฉัน) ฉันคิดว่าอย่างน้อยทฤษฎีควรนิยามความสัมพันธ์ "ง่าย" หรือ "ง่ายกว่า" ตอนนี้ฉันเชื่อแล้วว่าฉันควรจะดู Kolmogorov Complexity อย่างไรก็ตามฉันต้องการอธิบายสิ่งที่อยู่ในใจของฉันเมื่อฉันถามคำถาม เมื่อฉันปรับปรุงโปรแกรมฉันพยายามลดการเชื่อมต่อที่ไม่จำเป็นระหว่างส่วนต่าง ๆ ของโปรแกรม (อาจแบ่งส่วนใหม่เพื่อให้มีการเชื่อมต่อน้อยลงหรืออ่อนแอลง) เนื่องจากการเชื่อมต่อลดลงโปรแกรมจึงรู้สึกว่า "เรียบง่าย" ดังนั้นการเลือกคำว่า "เรียบง่าย" เมื่อฉันใช้คำถาม มีโอกาสมากที่ขนาดของโปรแกรมจะลดลง แต่นั่นเป็นผลข้างเคียงที่ดีไม่ใช่เป้าหมายหลัก เห็นได้ชัดว่ากระบวนการปรับปรุงไม่สามารถดำเนินต่อไปได้ตลอดไป มีประเด็นที่ฉันควรหยุด ถ้าเพียงแค่พิจารณา "โครงสร้าง" (ขออภัยสำหรับแนวคิดที่ไม่ได้กำหนดไว้อื่น) หรือ "ความสัมพันธ์" ฉันสามารถโน้มน้าวตัวเองได้ว่าไม่มีอะไรที่จะทำได้อีกต่อไป? ที่นี่มีคำอธิบายที่ดีกว่าของความคิดความซับซ้อนของฉัน Olaf Sporns (2007) Complexity . Scholarpedia , 2 (10): 1623

10 big-picture  kolmogorov-complexity 

โดยสรุปแล้วทฤษฎีลำดับชั้นของเวลาบอกว่าเครื่องทัวริงสามารถแก้ปัญหาได้มากขึ้นหากมีเวลาในการคำนวณมากขึ้น ในรายละเอียดสำหรับฟังก์ชั่น deterministic TM และฟังก์ชันที่สร้างขึ้นได้ตามเวลาฉ, gf,gf,gกับฉ( n ) บันทึกฉ( n ) = o ( g( n ) )f(n)log⁡f(n)=o(g(n))f(n) \log f(n) = o(g(n))มันคือ D TผมME( ฉ( n ) ) ⊊ D TผมME( กรัม( n ) )DTIME(f(n))⊊DTIME(g(n)) DTIME(f(n)) \subsetneq DTIME(g(n)) และสำหรับ nondeterministic TM และ ฟังก์ชันที่สร้างเวลาได้ฉ, gf,gf,gพร้อมฉ( n + 1 ) = o …

10 cc.complexity-theory  lower-bounds  big-picture  time-complexity  time-hierarchy 

ในคำถามก่อนหน้านี้เกี่ยวกับลำดับชั้นของเวลาฉันได้เรียนรู้ว่าความเท่าเทียมกันระหว่างสองคลาสสามารถแพร่กระจายไปยังคลาสที่ซับซ้อนมากขึ้นและอสมการสามารถแพร่กระจายไปยังคลาสที่ซับซ้อนน้อยลงโดยมีอาร์กิวเมนต์ที่ใช้การแพ็ดดิง ดังนั้นคำถามอยู่ในใจ เหตุใดเราจึงศึกษาคำถามเกี่ยวกับการคำนวณประเภทต่าง ๆ (หรือทรัพยากร) ในชั้นเรียนที่เล็กที่สุด (ปิด) ที่เป็นไปได้? นักวิจัยส่วนใหญ่เชื่อว่าNP ความแตกต่างของคลาสนี้จะไม่อยู่ระหว่างคลาสที่ใช้ทรัพยากรชนิดเดียวกัน ดังนั้นหนึ่งอาจคิดว่าความไม่เท่าเทียมนี้เป็นกฎสากล: Nondeterminism เป็นทรัพยากรที่มีประสิทธิภาพมากขึ้น ดังนั้นแม้ว่าจะมีความไม่เท่าเทียมกัน แต่ก็สามารถแพร่กระจายขึ้นไปโดยใช้ประโยชน์จากลักษณะที่แตกต่างกันของทรัพยากรทั้งสองดังนั้นหนึ่งอาจคาดหวังว่าเช่นกัน หากหนึ่งในการพิสูจน์แล้วว่านี้มีความสัมพันธ์หรือความไม่เท่าเทียมกันที่คล้ายกันอื่น ๆ ก็จะแปลNPE X P ≠ N E X P P ≠ N PP≠ NPP≠NPP \neq NPEXP≠ NEXPEXP≠NEXPEXP \neq NEXPP≠ NPP≠NPP \neq NP ข้อโต้แย้งของฉันอาจชัดเจนในแง่ของฟิสิกส์ นิวตันจะมีช่วงเวลาที่ยากลำบากในการทำความเข้าใจกับแรงโน้มถ่วงสากลโดยการตรวจสอบหิน (แอปเปิ้ล?) แทนที่จะเป็นวัตถุท้องฟ้า วัตถุขนาดใหญ่มีรายละเอียดมากขึ้นในการศึกษาทำให้มีรูปแบบพฤติกรรมที่แม่นยำยิ่งขึ้นและอนุญาตให้ละเว้นปรากฏการณ์ขนาดเล็กที่อาจไม่เกี่ยวข้อง แน่นอนว่ามีความเสี่ยงที่วัตถุขนาดใหญ่จะมีพฤติกรรมที่แตกต่างกันในกรณีของเราว่าอำนาจพิเศษของการไม่กำหนดระดับจะไม่เพียงพอในชั้นเรียนขนาดใหญ่ จะเกิดอะไรขึ้นถ้าได้รับการพิสูจน์แล้ว? เราควรเริ่มทำงานกับในวันถัดไปหรือไม่E X P ≠ N …

10 cc.complexity-theory  big-picture 

ฉันสนใจในหัวข้อต่าง ๆ เช่น Combinatory Logic, แลมบ์ดาแคลคูลัส, การเขียนโปรแกรมเชิงฟังก์ชั่นอยู่พักหนึ่งและได้ศึกษามาแล้ว อย่างไรก็ตามแตกต่างจาก "ทฤษฎีการคำนวณ" ซึ่งมุ่งมั่นที่จะตอบคำถามของ "การคำนวณ" คือสิ่งที่สามารถ / ไม่สามารถคำนวณได้ด้วยข้อ จำกัด ต่าง ๆ ฉันกำลังดิ้นรนเพื่อหาอนาล็อกสำหรับ "ทฤษฎีการเขียนโปรแกรม" Wikipediaอธิบายว่าเป็น: Programming language theory (PLT) เป็นสาขาหนึ่งของวิทยาการคอมพิวเตอร์ที่เกี่ยวข้องกับการออกแบบการใช้งานการวิเคราะห์การจำแนกลักษณะและการจำแนกประเภทของภาษาโปรแกรมและคุณลักษณะส่วนบุคคล นี่ก็เหมือนกับการพูดว่า "ทุกอย่าง" ซึ่งไม่เจาะจงจริงๆ ความก้าวหน้าทั่วไปของหัวข้อมักเป็นดังนี้: Combinatory Logic> แลมบ์ดาแคลคูลัส> ทฤษฎีมาร์ตินลอฟประเภท> แคลคูลัสแลมบ์ดาที่พิมพ์> (มีบางอย่างเกิดขึ้นที่นี่)> ภาษาโปรแกรมที่พัฒนาขึ้น - ซึ่งมีการเชื่อมต่อน้อยมากกับ CL /λλ\lambda ฉันสามารถดู "คณิตศาสตร์" พื้นฐานที่เกี่ยวข้องกับ CL /λλ\lambdaและบทพิสูจน์ที่น่าสนใจที่ออกมาเป็นผลรวมถึงทฤษฎีบท Church-Rosser และนั่นก็เรียบร้อย อย่างไรก็ตามฉันพยายามดิ้นรนเพื่อทำความเข้าใจกับ "เป้าหมายสุดท้าย" ของกิจการทั้งหมดนี้ใช่ไหม …

10 soft-question  pl.programming-languages  lambda-calculus  big-picture  combinatory-logic 

ฉันเริ่มมีส่วนร่วมกับการเพิ่มประสิทธิภาพทางคณิตศาสตร์เมื่อไม่นานมานี้และฉันก็รักมัน ดูเหมือนว่าปัญหาการปรับให้เหมาะสมจำนวนมากสามารถแสดงและแก้ไขได้อย่างง่ายดายเช่นโปรแกรมเชิงเส้น (เช่นการไหลของเครือข่าย, ขอบ / จุดสุดยอด, พนักงานขายที่เดินทาง ฯลฯ ) ฉันรู้ว่าบางส่วนของพวกเขาเป็น NP-hard แต่ประเด็นที่พวกเขาสามารถ 'ใส่เฟรมเป็นโปรแกรมเชิงเส้น' หากไม่ได้รับการแก้ไขอย่างเหมาะสม ที่ทำให้ฉันคิดว่า: เราได้รับการสอนระบบของสมการเชิงเส้นพีชคณิตเชิงเส้นทั้งหมดตลอดโรงเรียน / วิทยาลัย และการได้เห็นพลังของ LPs สำหรับแสดงอัลกอริธึมต่าง ๆ มันช่างน่าหลงใหล คำถาม: แม้ว่าเราจะมีระบบที่ไม่ใช่เชิงเส้นที่แพร่หลายรอบตัวเราอย่างไร / ทำไมระบบเชิงเส้นจึงมีความสำคัญต่อวิทยาศาสตร์คอมพิวเตอร์ ฉันเข้าใจว่าพวกเขาช่วยลดความเข้าใจและทำให้ง่ายต่อการคำนวณส่วนใหญ่ แต่มันคืออะไร? การประมาณนี้ดีแค่ไหน? เราลดความซับซ้อนลงมากเกินไปและผลลัพธ์ยังคงมีความหมายในทางปฏิบัติหรือไม่? หรือมันเป็นเพียง 'ธรรมชาติ' นั่นคือปัญหาที่น่าสนใจที่สุดคือเส้นตรง? ปลอดภัยหรือไม่ที่ 'พีชคณิตเชิงเส้น / สมการ / การเขียนโปรแกรม' เป็นมุมของหินของ CS? ถ้าไม่เช่นนั้นความขัดแย้งที่ดีจะเป็นอย่างไร บ่อยแค่ไหนที่เราจัดการกับสิ่งที่ไม่ใช่เชิงเส้น (ฉันไม่ได้หมายถึงในทางทฤษฎี แต่ยังมาจากมุมมอง 'การแก้ไข' เช่นเพียงแค่บอกว่ามันไม่ตัดมันควรจะมีการประมาณปัญหาที่ดีและมันจะลงจอด เป็นเชิงเส้น?)

9 optimization  big-picture  linear-programming  linear-equations