[不知是否坐井观天]人类工程技术里，解决最优化问题的方法上限是动态规划，分解事物问题本质的方法上限是傅里叶变换。

[zjsxwc]

刚刚骑车休息无聊时想到，

硕士控制工程的研究理论的本质是基于状态转移方程的动态规划；现在流行人工智能深度学习神经网络里模型训练的反向传播本质上还是动态规划。

所以在几十年前中学生参加 noip 竞赛就掌握了的动态规划，居然是人类工程学里最优化方法的上限，无非是从一个数的优化变成了对多维矩阵的优化，无法是从时域问题分解后变成了傅里叶变换后的频域问题。

不知是否坐井观天，人类工程技术里，解决最优化问题的方法上限只是 70 年前运筹学里的动态规划，分解事物问题本质的方法上限只是几百年前傅里叶变换及其几个变种变换。

[Donaldo]

你说的对错我的知识面无从判断，但“只是”未免有些托大？

[eremit]

科学说白了就是信号处理。

[calmbinweijin]

@Donaldo 不明所以就评论，未免有些托大？

[firear]

过度泛化了
关于动态规划的定位 ：控制工程中的动态规划的确在一些场景下发挥作用，深度学习反向传播也确实是通过梯度下降等优化方法来调整模型参数，但它们从根本上是不同的算法和理论范畴。动态规划属于运筹学和最优化理论，是解决多阶段决策最优化问题的一种方法。而深度学习反向传播则是神经网络训练中基于梯度下降的优化算法，两者虽都有优化的目标，但前者更侧重通过分阶段最优来实现整体最优，后者则是通过误差反向传播来更新权重，优化模型的预测性能。并且，在现代的人工智能和控制工程前沿研究中，会使用更为复杂、专业的优化算法和模型结构，这些已远超出几十年前中学生所学动态规划所能涵盖的范畴。
傅里叶变换的地位 ：傅里叶变换在信号处理等领域具有重要地位，但它的应用边界是有局限性的。工程学中解决问题的本质方法是多种多样、综合应用各类数学工具和物理原理的结果，傅里叶变换只是其中的一种重要变换工具，还有拉普拉斯变换、小波变换等众多其他变换方式，它们各自针对不同的应用场景和问题背景发挥作用。并且，很多工程技术领域的创新发展还包括新材料、新技术、新结构的运用，其问题解决并不仅仅依赖于对事物本质的分解和变换。
因此，该观点存在扩大化、化约主义的倾向，人类工程技术解决问题的方法和认知上限是不断拓展和多元化的，远不止局限于几十年前的动态规划和几百年前的傅里叶变换.

[jaylee4869]

只能说是计算机/通信/机器学习，或者大类 CS/EE 这类学科场景下，我大致理解。另外反驳 2L ，信号处理是科学中的手段/工具，而非本质。

你换一种场景，比如物理中的微观粒子研究，或者是量子应用，这些理论往往超越了对信号处理的界定。

[sunorhc]

动态规划在很多时候根本不是可选项，因为解空间过于巨大，不可能遍历