该算法是由哈佛大学的研究人员开发的，目的是通过减少现有算法的迭代次数来快速解决优化问题。更令人惊讶的是，哈佛大学的高级研究员Yaron Singer指出，这种方法并不以牺牲为代价。降低了更终结果的准确性。

优化问题是在可能的解中选择更优解，如从A点到B点的更快路径的映射，许多专门为解决优化问题而设计的算法自上世纪70年代首次提出以来一直没有得到改进。

现有的优化算法通常是一个逐步执行的过程，迭代次数与分析的数据量成正比。例如，电影推荐算法将发现每个与用户喜欢的电影相似的电影。

然而，现有的优化算法具有收益递减的特点：随着该算法的实现，每一步产生的相对收益越来越小，这就意味着寻找更优解的计算成本非常昂贵。它涉及到海量数据的优化。

在实验中，Singer和同事Eric Balkanski发现他们的算法分析6000名用户的4000部电影的100万次评论数据集，得到类似于当前算法的推荐，但是速度快了20倍。

此外，在分析纽约市出租车公司和Limousine委员会的200万出租车数据集时，新算法不仅可以覆盖大多数潜在用户，而且在选择出租车更佳位置时比现有算法快6倍。

现有的优化算法大都采用单向迭代的方法进行求解，这种新的算法是在多个方向并行实现的，基于这种方法，该算法摒弃不满意的优化方向，选择更有价值的直接优化方向。这是一种适应算法数据变化的方法，有助于解决收益递减问题。

这种策略可以发挥作用，得益于算法目标的两个不同方面。研究人员称之为曲率（曲率）和齐性（齐性）。

对于电影推荐问题，高曲率的目标与用户看到的电影非常相似，例如，如果您喜欢Die Hard，那么该算法推荐的电影可能包含电影的续集。其中，出租车可以在30秒内响应客户。曲率越平滑，算法就越有效——例如，当出租车的响应时间是5分钟而不是30秒时。

类似地，对于电影推荐，有许多电影可以采用高同质目标假设进行推荐，例如，你喜欢《死硬》，算法推荐高同质电影，如具有相同类型动作片的《致命武器》。ems，具有高同质性的目标假设是基于位置的客户分布相对平衡，同质性越高，算法效率越高。

这种新方法还可以用于解决其他问题，例如识别新药、从在线健康社区发现药物相互作用、以及开发用于医学成像的传感器阵列。

Singer说，我们确实拥有指数级更快的计算运行时间，这为医疗保健、计算生物学、机器学习和数据挖掘开辟了新的机会，这些领域过去过于昂贵，无法考虑太多的因素。

Balkanski和Singer正在探索他们的策略适用于哪些优化策略。他们还计划编写代码给GPU，以便将它们的结果应用到更多的领域。Singer表明，一般来说，这些算法非常简单，并且可以通过几行代码来实现。

巴尔干斯基和辛格于6月28日在洛杉矶举行的国际计算机协会（ACM）计算机理论研讨会（STOC）和7月12日在斯德哥尔摩举行的国际机器学习会议（ICML）上介绍了他们的发现。

http://Simult.IEEE.OrgTalk 计算/软件/新的优化算法指数速度计算