引言：
1．在数据挖掘后再优化
一个城市有N（已知）个镇，任意两个镇的距离dist(i,j)都已知，现需分配K个邮递员在K个镇上：每个镇由离它最近的邮递员负责送信，这样分配这K个邮递员使得每个镇到所管辖邮递员的那个镇的距离之和最小！
起初想用一般的方法建模求解实现，但“每个镇由离它最近的邮递员负责送信”处理起来比较困难，如果N比较大计算复杂度高。
现在有个想法就是像聚类那样，先把N个镇用聚类的方法分成K个类（可以基于距离分类），然后再在每个类上选出邮递员所在镇。这样计算复杂程度大大降低，接近最优解.....
难点：如何分类
总之，把聚类与优化联系起来。
可行应用方向：物流中心选址等
2．对优化过程中的数据进行数据挖掘。
随着优化问题的日益复杂，规模越来越大，经典的算法已难以解决。学者们引入了遗传算法，基于网格算法，随机模拟等，近代算法，这类的算法特点就是数据量大，在这样就可以引入数据挖掘的思想对这些数据进行处理，从这些数据中寻找反映了原问题的关联关系。
基于网格算法为例：
1. 对问题可行域S基于网格计算目标函数在网格点的函数值。
2. 基于各点的函数值，对网格点进行聚类（可分K类），类（i）中点的函数值小于类（i+1）中点的函数值。
一般的搜索方法，都是基于一个初始点，一个可行方向。在经典的优化算法中，可行方向是由目标函数的导数确定（这种方法不能有较的解决全局最优问题）。可根据聚类的思想定义新的可行方向:
a. 如果类（i）是近似球型的，可定义d=类（i+1）的几何中心点 —类（i）的几何中心点。
b. 如果类（i）是近似带型的，可定义d=类（i）指向类（i+1）的垂直方向。
其他：如果某类是环形的可推出环内有局部最优点。
3．延导出的方向进一步搜索，可得到更好的近似全局最优解。
主要可得到一种新的方法定义搜索方向。
难点不少, 有兴趣的朋友可以一起讨论 aris_zzy@126.com