สี่เหลี่ยมเส้นตรงน้อยที่สุดสามารถแก้ไขได้โดย
0) การใช้ตัวแก้สมการกำลังสองเชิงเส้นสี่เหลี่ยมจัตุรัสเชิงเส้นคุณภาพสูงตาม SVD หรือ QR ดังที่อธิบายไว้ด้านล่างสำหรับสี่เหลี่ยมจัตุรัสเชิงเส้นที่น้อยที่สุดแบบไม่มีเงื่อนไขหรืออิงตามกำลังสองของการเขียนโปรแกรมแบบ Quadratic หรือ Conic Optimization สำหรับสี่เหลี่ยมจัตุรัส ตัวแก้ปัญหาดังกล่าวบรรจุกระป๋องล่วงหน้าทดสอบอย่างหนักและพร้อมใช้งาน - ใช้งาน
1) SVD ซึ่งเป็นวิธีการที่เชื่อถือได้และแม่นยำที่สุด แต่ยังต้องใช้การคำนวณมากกว่าทางเลือก ใน MATLAB โซลูชัน SVD ของปัญหากำลังสองน้อยที่สุดที่ไม่เป็นเชิงเส้น A * X = b คือ pinv (A) * b ซึ่งมีความแม่นยำและน่าเชื่อถือมาก
2) QR ซึ่งมีความน่าเชื่อถือและแม่นยำเป็นตัวเลข แต่ไม่มากเท่ากับ SVD และเร็วกว่า SVD ใน MATLAB คำตอบ QR ของปัญหากำลังสองน้อยที่สุดแบบเส้นตรงที่ไม่มีเงื่อนไข จำกัด A * X = b คือ A \ b ซึ่งค่อนข้างแม่นยำและเชื่อถือได้ยกเว้นเมื่อ A ไม่มีเงื่อนไขกล่าวคือมีจำนวนเงื่อนไขมาก A \ b เร็วกว่าการคำนวณกว่า pinv (A) * b แต่ไม่น่าเชื่อถือหรือแม่นยำ
3) การสร้างสมการปกติ (TERRIBLE จากความน่าเชื่อถือและมุมมองความแม่นยำเชิงตัวเลขเพราะมันจะทำให้จำนวนเงื่อนไขเป็นสี่เหลี่ยมซึ่งเป็นสิ่งที่เลวมากที่ต้องทำ) และ
3a) การแก้ปัญหาโดย Cholesky Factorization (ไม่ดี)
3b) เมทริกซ์ย้อนกลับอย่างชัดเจน (HORRIBLE)
4) การแก้ปัญหาการเขียนโปรแกรมสมการกำลังสองหรือปัญหาโคนลำดับที่สอง
4a) แก้ปัญหาด้วยซอฟต์แวร์เขียนโปรแกรม Quadratic คุณภาพสูง สิ่งนี้มีความน่าเชื่อถือและแม่นยำตัวเลข แต่ใช้เวลานานกว่า SVD หรือ QR อย่างไรก็ตามมันเป็นเรื่องง่ายที่จะเพิ่มข้อ จำกัด เชิงเส้นหรือทั่วไปหรือโทษเชิงเส้นหรือสมการกำลังสอง (สองบรรทัดฐาน) หรือเงื่อนไขการทำให้เป็นมาตรฐานในฟังก์ชันวัตถุประสงค์และยังคงแก้ปัญหาโดยใช้ซอฟต์แวร์กำลังสองโปรแกรม
4b) แก้ไขเป็นปัญหาโคนลำดับที่สองโดยใช้ซอฟต์แวร์ Conic Optimization ที่มีคุณภาพสูง ข้อสังเกตเหมือนกับซอฟต์แวร์ Quadratic Programming แต่คุณสามารถเพิ่มข้อ จำกัด เชิงเส้นหรือทั่วไปและข้อ จำกัด รูปกรวยอื่น ๆ หรือข้อกำหนดฟังก์ชันวัตถุประสงค์เช่นการลงโทษหรือข้อกำหนดในบรรทัดฐานต่าง ๆ
5) แก้ปัญหาโดยใช้ซอฟต์แวร์เพิ่มประสิทธิภาพแบบไม่เชิงเส้นวัตถุประสงค์ทั่วไปที่มีคุณภาพสูง สิ่งนี้อาจยังใช้งานได้ดี แต่โดยทั่วไปแล้วจะช้ากว่าซอฟต์แวร์ Quadratic Programming หรือ Conic Optimization และอาจไม่น่าเชื่อถือเท่าที่ควร อย่างไรก็ตามอาจเป็นไปได้ที่จะรวมไม่เพียง แต่ข้อ จำกัด เชิงเส้นตรงและข้อ จำกัด เชิงเส้นทั่วไปเท่านั้น นอกจากนี้ยังสามารถนำมาใช้สำหรับสี่เหลี่ยมจัตุรัสไม่น้อยกว่าไม่เชิงเส้นและหากมีการเพิ่มคำไม่เชิงเส้นอื่น ๆ ลงในฟังก์ชันวัตถุประสงค์
6) แก้ปัญหาโดยใช้จุดประสงค์ทั่วไปของอัลกอริธึมการเพิ่มประสิทธิภาพที่ไม่ใช่เชิงเส้น -> อย่าทำเช่นนี้
7) แก้ปัญหาโดยใช้อัลกอริธึมการเพิ่มประสิทธิภาพแบบไม่เชิงเส้นวัตถุประสงค์ที่เป็นไปได้ที่แย่ที่สุดนั่นคือมีการไล่ระดับสี ใช้สิ่งนี้เฉพาะในกรณีที่คุณต้องการเห็นว่าวิธีการแก้ปัญหาที่ไม่ดีและไม่น่าเชื่อถือนั้นเป็นอย่างไรถ้ามีคนบอกให้คุณใช้การไล่ระดับสีแบบลาดชันเพื่อแก้ปัญหากำลังสองน้อยที่สุด
7 i) เรียนรู้เกี่ยวกับการคำนวณทางสถิติจากคนที่รู้เรื่องนี้
7 ii) เรียนรู้การปรับให้เหมาะสมจากคนที่รู้บางสิ่งเกี่ยวกับมัน