<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Patrick Chiu on Medium]]></title>
        <description><![CDATA[Stories by Patrick Chiu on Medium]]></description>
        <link>https://medium.com/@patrickchiu_14099?source=rss-50dc7a20c8a6------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*QttpbFHe8QxQXatH.</url>
            <title>Stories by Patrick Chiu on Medium</title>
            <link>https://medium.com/@patrickchiu_14099?source=rss-50dc7a20c8a6------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 02:39:47 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@patrickchiu_14099/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[人生勝利組一定要懂的「運籌學」，杜拉克不輕易透露的超強技巧他是怎麼做到的？]]></title>
            <link>https://medium.com/@patrickchiu_14099/%E4%BA%BA%E7%94%9F%E5%8B%9D%E5%88%A9%E7%B5%84%E4%B8%80%E5%AE%9A%E8%A6%81%E6%87%82%E7%9A%84-%E9%81%8B%E7%B1%8C%E5%AD%B8-%E6%9D%9C%E6%8B%89%E5%85%8B%E4%B8%8D%E8%BC%95%E6%98%93%E9%80%8F%E9%9C%B2%E7%9A%84%E8%B6%85%E5%BC%B7%E6%8A%80%E5%B7%A7%E4%BB%96%E6%98%AF%E6%80%8E%E9%BA%BC%E5%81%9A%E5%88%B0%E7%9A%84-4505923b0092?source=rss-50dc7a20c8a6------2</link>
            <guid isPermaLink="false">https://medium.com/p/4505923b0092</guid>
            <category><![CDATA[linear-programming]]></category>
            <category><![CDATA[線性規劃]]></category>
            <category><![CDATA[運籌學]]></category>
            <category><![CDATA[作業研究]]></category>
            <dc:creator><![CDATA[Patrick Chiu]]></dc:creator>
            <pubDate>Sun, 02 Dec 2018 07:30:01 GMT</pubDate>
            <atom:updated>2018-12-02T10:57:38.352Z</atom:updated>
            <content:encoded><![CDATA[<p>這一篇是講管理學上很重要的科目「運籌學」</p><p>.</p><p>.</p><p>使用內容農場標題法，導流量還是蠻有用的。</p><h3>源起(從自駕車至運籌學)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/358/1*GPKCWs1jjZlltiXKw2MIDg.png" /></figure><p>學習自駕車<a href="https://meetpatrickchiu.wordpress.com/2018/08/11/mpc-control/">MPC</a>時，目標在於如何找出數百萬條模擬的軌跡中，找出最好的運動軌跡，讓車在過度到下一個狀態的時候，可以很平順的開過去。</p><p>碰到一門技術叫線性規劃(Linear Programming)，建立起一個車體運動模型，並設計成本函數(cost function)與限制條件(Constraint)，在限制條件下找出成本最小的路徑，那個就是最優軌跡，就讓自駕車去執行。</p><p>我忽然腦洞大開，原來數學可以這樣玩呀，我只要建的出模型，電腦就能跑出最佳解。那這樣的技術，在商業領域上是否能用呢？花了幾天時間到處找資料，發現1947年的時候，已經是一個很熱門的研究領域「運籌學」</p><h3>運籌學是什麼？</h3><p>運籌學是一門優化的科學，是英美兩國在二戰期間為了有效配置資源而進行研究的科學。(在台灣叫「作業研究」，名字有點矮化，看起來像是操作層面的學科知識，在中國叫「運籌學」，我是覺得這個名字比較酷)</p><blockquote>運籌學應用領域，包括：</blockquote><blockquote>路徑優化問題、倉儲、運輸等物流；</blockquote><blockquote>製造業的生產流程優化</blockquote><blockquote>電力網的佈局以及分配</blockquote><blockquote>能源領域中的問題，如何鋪設輸油管道成本最小</blockquote><blockquote>火車、課程、飛機時刻表排程調度問題</blockquote><blockquote>經濟金融領域，像是資產配置、風險控制應用</blockquote><blockquote>其它如統計、生物、博弈論、人工智慧等等</blockquote><p>所以最終你想要得到的答案是有含「最」這個字，像最小成本、最大營收這類的問題，都是運籌學可以處理的範籌</p><h3><strong>運籌學怎麼解決問題？</strong></h3><blockquote>你是一家營建公司，有35頓的廢土要一次處理掉，請卡車公司來幫忙。</blockquote><blockquote>卡車公司，有小卡車一次可以載3頓，目前只有8台，每台出車費用600元</blockquote><blockquote>有大卡車一次可以載6頓，目前只有5台，每台出車費用900元</blockquote><blockquote>很不幸的，卡車公司只有11個駕駛可以幫忙開車</blockquote><blockquote>你要借幾台大卡車與小卡車，處理你的廢土成本為最便宜？</blockquote><h3>建立模型</h3><p>依照上述問題建立數學模型「決策變數」，「目標式」與「限制式」的線性規劃方程式</p><p><strong>決策變數</strong></p><blockquote>我們需要</blockquote><blockquote><strong>X</strong>台的小卡車，</blockquote><blockquote><strong>Y</strong>台的大卡車</blockquote><p><strong>Subject to(限制式)</strong></p><blockquote><strong>0 ≤ X ≤ 8 </strong>(你可以租0至8台的小卡車)</blockquote><blockquote><strong>0 ≤ Y≤ 5</strong>(你可以租0至5台的大卡車)</blockquote><blockquote><strong>3X + 6Y ≥ 35</strong> (小卡車每車可以載3頓，大卡車每車6頓，租X台小卡、Y台大卡，要能處理大於35頓的廢土)</blockquote><blockquote><strong>X + Y ≤ 11</strong> (只有最多不超過11個駕駛可以開這些卡車)</blockquote><p><strong>目標式(求最小)</strong></p><blockquote><strong>f(X,Y) = 600X + 900Y</strong> (小卡車每台600元，大卡車每台900元)</blockquote><h3>解方程式</h3><p>有了上述的目標式與限制式，當然就要找出X, Y為多少時，<strong>f(X,Y)</strong>為最小</p><p>解出「線性規劃」最佳解的方式，像是圖解法(Graphical)、單純形法(Simplex Method)</p><p>圖解法，如下，你可以把題目中四個限制式劃出來，所圍成的區域就「可行解區域」，最佳解，會出現在端點區域(如下圖的黃色區域四個端點)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/980/1*qnjjCla8_M6wgzRXCKRiEg.png" /></figure><p>再將4個點套在「目標式」<strong>f(X,Y) = 600X + 900Y，你可以看到，租5/3(1.66)台小卡車，與5台大卡車，只要5500元，為最佳解</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/622/1*XABZUPccIiBxpfgKKQG7hQ.png" /></figure><p>等等，卡車能租1.66台的嗎？好像不行，所以你要再找出最接近的整數，所以2是可以考慮的，重點是要確定這個解是否有在「可行解區」，最後看如上圖(2,5)這個解是在「可行解區」內，所以確定(2,5)是最優的解，叫車成本為5700元。</p><p>我們不小心，就走進到「整數線性規劃」(Integer Linear Programming)的概念，就是你設定的決策變數(如上題的X,Y)，求解時必需為整數。因為現實生活中，很多東西是不能細分的，像是生產汽車時的引擎、輪胎個數，都是整數。</p><p>事實上還有其它形式，像是「混合整數線性規劃」(Mixed Integer Linear Programming)，裏面的決策變數，有些實數、有些是整數</p><p>而一般的線性規劃(Linear Programming)，求解的決策變數，可以是任意實數(當然也包含整數解)。</p><p>線性規劃(LP)、整數線性規劃(ILP)、混合整數線性規劃(MILP)，有時很難找到最佳解，尤其是在「決策變數」「限制式」很多的時候，像是決策變數超過三維的時候，我們連圖都劃不出來，很難用圖解法。</p><p>這時候你可以用單純形法(Simplex Method)，想知道更多可以上交大王晉元老師的線上課程(列在最底下的學習資源)</p><h3>Solver軟體</h3><p>還好市面上有很多Solver可以幫我們解題，我們只要把限制式列出來給它就可以了</p><blockquote>商用IBM <strong>clpex</strong>,沒試過，不過我想一定是最好的，有大量的科研博士在研發，這個本來就是很吃腦力，博士多一定有很大的幫助</blockquote><blockquote><strong>GLPK</strong>：GNU出的，可以解大規模的LP, MILP</blockquote><blockquote>其它的像是<strong>lpsolve</strong>,<strong>yalmip</strong></blockquote><p>我試用以上這些後，最後比較常使用Matlab+<strong>yalmip</strong>來做solver，好處是他的表示法很直觀。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*j7k54AweiDoFSfGijBfEwg.png" /></figure><h3>最重要的是什麼？</h3><p>運籌學針對一個問題，建立出數學模型，最後由電腦去做求解。所以如何定義問題的決策變數，與建立模型為最重要。</p><p>所以當然是要找出大量「題目」與「數學模型」對映，增加建模技巧的經驗值</p><h3>數學建模比賽</h3><p>從建模比賽中就可以看到大量的模型了</p><p>首先，</p><p>大學生數學建模競賽</p><blockquote><strong>美國大學生數學建模競賽</strong>（MCM/ICM），包括「<strong>數學建模」競賽</strong>和「<strong>交叉學科建模競賽」</strong></blockquote><blockquote>團隊有96個小時的時間來研究並以研究論文的形式提交他們的解決方案。在此期間，他們可以查閱任何可用的參考文獻，但不得與團隊外的任何人討論他們的問題</blockquote><blockquote><strong>例年題目：</strong></blockquote><blockquote><strong>評估一個大的小行星撞擊</strong><a href="https://zh.wikipedia.org/wiki/%E5%8D%97%E6%9E%81%E6%B4%B2"><strong>南極洲</strong></a><strong>對全球的影響（1999 A）</strong></blockquote><blockquote><strong>開發一種效率更高的方法，讓乘客登上大型商用飛機（2007 B）</strong></blockquote><p>針對中學生的比賽</p><blockquote><strong>國際數學建模挑戰賽(IMMC)</strong></blockquote><blockquote>例題：<strong>電動汽車充電站資源配置(2018 A)(</strong><a href="http://istem.info/ueditor/php/upload/file/20180406/1523004811384310.pdf">http://istem.info/ueditor/php/upload/file/20180406/1523004811384310.pdf</a>)</blockquote><blockquote>IMMC會給你大量的背景資訊，像是四種等級充電站的建置成本，充電站的充電模式，一天可服務的車輛，各個候選地址的GPS座標，</blockquote><blockquote>你要解決的問題</blockquote><blockquote>選址：建立一個同時考慮充電站初始 建設成本和用戶充電成本最小化的多等級充電站選址模型，並確定出充電站選址的位置、每個充電站的建設等級及各個需求點車輛選擇充電站的分布情況</blockquote><blockquote>分時價格最低：請建立模型，通過調節分時充電價格，以實現充電站購買一般工業用電的成本最低。</blockquote><blockquote>對策建議：充電樁/站建設滯後已經成為制約新能源汽車發展的主要因素。根據你 所了解的相關情況，分析充電樁/站大規模應用所面臨的問題並提出相應對策（諸如 技術、商業或公共政策等方面）。</blockquote><p>IMMC對中學生的題目，提供資訊多，問題明確，主要是優化的問題。所以答案比較明確，但題目的等級，應該一般專業經理人或是新創公司常在解決的問題</p><p>MGM/ICM對大學生的題目是比較開放式。所以回答比較像是一個論文，你要找出需要被解決的問題、解決的方式與建立模型。所以每一隊伍就算選到一樣的題目，解決的方式可能不一樣，當然建立的數學模型也不一樣。</p><h3><strong>後記：</strong></h3><p>以前總是覺得需要是某一類的博士專家，才能建立模型，後來發現人人都能建立模型，原來以前國、高中教的聯立方程式是真的有用的。大家只是拼命的在學解題的技巧，而忽然這些數學工具的應用情境。</p><p>以下這張圖提到我們在大學以前學了很多的數學工具，最後發現出社會工作只需要「加減乘除」，看起來好笑，但也是事實。工作多年回去念碩士，又在上自駕車課程，慢慢的把這些數學工作補回來。</p><p>如果你的工作只要用到加減乘除，你是幸福的；但一個國家所有的人都只會加減乘除，那未來肯定是悲哀的</p><p>尤其是未來AI的世界，大量的數學、演算法的應用，數學是支撐起AI的支點。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VEz68FOeyolcQ9iZqmutqg.jpeg" /></figure><h3>在能力圈內行動，在舒適圈外學習</h3><blockquote>個別的知識並不是一個孤島，彼此是相通的，跨領域學習與應用尤其重要。</blockquote><blockquote>很多企業管理僵化，經營陷入泥沼，用舊思維挑戰新時代</blockquote><blockquote>舊方法只會得到舊結果，唯有與時俱進，不斷學習，才能找到出路</blockquote><h3>其它學習資源</h3><p>交大作業研究線上課程，王晉元老師：<a href="http://ocw.nctu.edu.tw/course_detail.php?bgid=3&amp;gid=0&amp;nid=48">http://ocw.nctu.edu.tw/course_detail.php?bgid=3&amp;gid=0&amp;nid=48</a></p><p>想瞭解自駕車線性規劃的應用：<a href="https://meetpatrickchiu.wordpress.com/2018/08/11/mpc-control/">https://meetpatrickchiu.wordpress.com/2018/08/11/mpc-control/</a></p><p>租借大小卡車最佳化圖解法：<a href="https://www.youtube.com/watch?v=U9mmxzf93Yo">https://www.youtube.com/watch?v=U9mmxzf93Yo</a></p><p>運籌學的數學：我以上只有提到線性規劃，事實上還包含很多，像是圖論、排隊理論、組合最優化、動態規化等：<a href="https://zh.wikipedia.org/wiki/%E9%81%8B%E7%B1%8C%E5%AD%B8">https://zh.wikipedia.org/wiki/%E9%81%8B%E7%B1%8C%E5%AD%B8</a></p><p>美國大學生數學建模競賽：<a href="https://en.wikipedia.org/wiki/Mathematical_Contest_in_Modeling">https://en.wikipedia.org/wiki/Mathematical_Contest_in_Modeling</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4505923b0092" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Behavior Planner]]></title>
            <link>https://medium.com/@patrickchiu_14099/behavior-planner-ddcbe0e2d419?source=rss-50dc7a20c8a6------2</link>
            <guid isPermaLink="false">https://medium.com/p/ddcbe0e2d419</guid>
            <category><![CDATA[udacity]]></category>
            <category><![CDATA[self-driving-car-engineer]]></category>
            <dc:creator><![CDATA[Patrick Chiu]]></dc:creator>
            <pubDate>Sun, 16 Sep 2018 10:35:30 GMT</pubDate>
            <atom:updated>2018-09-29T17:00:44.885Z</atom:updated>
            <content:encoded><![CDATA[<p>之前的課程上了大量基礎的演算法，整個課程上完，應該會學到二、三十主主要演算法，加上延伸應用，應該會有上百種。隨便拿一種出來用，都可以做一項產品了，像是Sensor Fusion中的Kalman Filter，可以拿來做愛國者飛彈預警追蹤系統</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7REfhxkrNMQgYuExb7B3Xw.jpeg" /></figure><p>最近Udacity的討論系統改版，用起來很痛苦，問題丟在上面，沒有Mentor來回答。先前是一對一的Mentor，現在改成一個群組，會有兩、三個Mentor同時在線上，然後大家把問題丟在那個群組上，Mentor責任分工不明，有看到Mentor上線，但沒Mentor回答問題，整個就是三個和尚沒水喝的概念</p><p>在台灣研發自駕車的人數，真的不多，更不要說會有台灣的討論群，這是不敢想像的，蠻多問題只能請益Mentor。</p><p>很多人問我要怎麼學這種前沿技術，我說你要想一下，因為在台灣要在三、五年後才會有大量的工作機會。</p><p>很多傳產老師傅都說他做到做不動了，這個生意就會收起來了，因為年輕人不想學，也不想讓他們那麼辛苦</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*6pCDRuWtRI0aAtuh4YAHtQ.jpeg" /></figure><p>在台灣，走太前面，或是走太後面，都不會是一門好生意(傳統產業與前沿科技都很容易收起來)。</p><p>不過現在台灣不投資創新研發與理解新產業可能性，也不是一兩天的事，一旦時間一到，只能買買solution，賺代工管理財。</p><p>最近「自駕車演講」邀約很多，可以看到大家開始重視一些前沿產業。我並沒有很期待電子業能有多大的改變，畢竟改變是困難的，而最大的問題都在心態，所以我都是以做功德的心情在演講，跟大家互動倒是蠻開心的。</p><p>回歸這一次的主題Behavior Control，就是自駕車的行為控制，從User發出命令，叫我們自駕車從A點開到B點，我們要知道自己所在的位置，並且要能夠預測所有路上的車子與行人，並找出找出一條優化路徑，去執行它</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6TTZyehCysFNlR12zdCyNA.png" /><figcaption>Architecture</figcaption></figure><p>這部份我們要設計出自駕車狀態機，找出所有可能的最小狀態來做設計該狀態機。從每一個狀態可能轉態出的其它狀態，我們都要針對那個狀態來找出可能的駕駛路徑(Trajectory)，例如：我們在三線道上的中線，我們要超越那台車，你可以靠左超，也可以靠右超車，都可以算出可能的路徑，並計算其cost, 從中找出cost最小的那條路徑，即是我們自駕車要去的方向</p><p>以下是我程式的pseudo code.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bfRUBxDZNU_EWemMiTMcNw.png" /><figcaption>Pseudo code 說明</figcaption></figure><h3>Cost Function的設計</h3><p>設計Cost Function(CF)應該是最難的部份</p><blockquote>Side Effect:因為你有可能在原本的CF參數都調好的情況下，又加入新的CF，會產生新的問題，只有不斷的測試原本的舊case，才知道你的改變有沒有產生side effect</blockquote><h3>平衡所有CF的交互影響</h3><blockquote>每個考慮的屬性都可以拿來設計成CF, 如下：Feasibility(可能性), Safety(安全性), Legality(合法性), Comfort(安全性), Efficiency(效率性)</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1015/1*H9Q_BEpioRYKBCyu3jx0nA.png" /></figure><p>再從位置、速度與加速度，去考慮每個屬性類別中，應該要怎麼設計該處罰的function，愈不想要他做的，就罰愈多，如下是在速度上CF設計，高於或是低於交通號誌限速，都會是成本比較高</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/939/1*WbNjmKKxsCTx20viyr9Hbg.png" /></figure><h3>權重</h3><blockquote>每個CF屬性都可以設定不同的權種，達到你想要的目的與效果，例如你想要飆車，Efficiency可以最高，其它屬性權種較低</blockquote><p>以下是實作的出來ASCII版本，自駕車是畫面上「三顆星星」，要從右邊(內線)超到左邊(外線)來，在要300公尺內完全，每一個線道速度不太一樣，內線道快，外線道慢，所以你發現他會從內線開一陣子，再切到外面速度比較慢的線道，在33個Step完成。</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FOerwuGfxDa0%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DOerwuGfxDa0&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FOerwuGfxDa0%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/7eab8fa2f250e460c3080704ddf1bdc1/href">https://medium.com/media/7eab8fa2f250e460c3080704ddf1bdc1/href</a></iframe><p>source code :(<a href="https://github.com/HereIsPatrick/Term3_4_22_Behavior_Planner">https://github.com/HereIsPatrick/Term3_4_22_Behavior_Planner</a>)</p><p>最終也做出該Project(Path Finding)</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FS2LPEOzLEGc%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DS2LPEOzLEGc&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FS2LPEOzLEGc%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/cfee72ae6399cedfc24d230c87569ffc/href">https://medium.com/media/cfee72ae6399cedfc24d230c87569ffc/href</a></iframe><p>如果你喜歡我的發文，記得多給我幾個掌聲鼓勵</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ddcbe0e2d419" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Hello World!]]></title>
            <link>https://medium.com/@patrickchiu_14099/hello-world-ca679a21a3fb?source=rss-50dc7a20c8a6------2</link>
            <guid isPermaLink="false">https://medium.com/p/ca679a21a3fb</guid>
            <dc:creator><![CDATA[Patrick Chiu]]></dc:creator>
            <pubDate>Fri, 11 May 2018 15:00:09 GMT</pubDate>
            <atom:updated>2018-05-11T15:03:17.306Z</atom:updated>
            <content:encoded><![CDATA[<p>聽說很潮的網誌.</p><blockquote>用我的方舟反應爐來啟動這個序章！</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0V_xbeC9_s1rftCsNcVJqA.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ca679a21a3fb" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>