SAS优化
在云端并行运行强大的优化和网络优化求解程序，即使是最具挑战性的业务问题也可以找到解决方案，包括最优的资源分配、路由和规划。
-
快速解决复杂的优化问题。
相较以往，更快速地找到难题的最佳解决方案。通过利用分配的 SAS Viya 和内存引擎，SAS Optimization 以突破性的速度提供优化建模结果。内存数据持久性可消除在迭代分析期间多次加载数据的需要。
-
帮助制定更好的决策
确定最佳解决方案并将其应用于复杂的实际问题。最先进的数学优化方法与一整套数据准备、探索、分析和报告功能集成在统一环境中。
-
允许用户选择常用编程语言
Python、Java、R 和 Lua 编程人员可利用 SAS 优化中的各种求解程序，而无需学习 SAS 代码。他们可通过最熟悉的编程语言访问功能强大、受信任和经过测试的 SAS 算法。
主要功能
一系列强大的优化、模拟和项目调度技术，用于识别可获得最佳结果的操作，同时在资源限制和其他相关限制的范围内运行。
数据访问、准备和质量
使用直观的界面进行数据访问、分析、清理和转换，该界面通过嵌入式 AI 提供自助数据准备功能。
数据可视化
通过单一的自助服务界面直观地浏览数据，创建和共享智能可视化和交互式报告。增强分析和高级功能可助力用户快速获得洞察，帮助您发现数据中隐藏的信息。
强大直观的代数优化建模语言
帮助您生成包括线性、混合整数线性、非线性、二次和网络优化在内的各类模型，解决约束满足问题。
统一建模语言
单一建模和解决方案框架支持多种优化模型。您只需学习一组语句和命令，即可构建一系列优化和约束满意度模型。
强大的优化求解程序和预求解程序
经过简化的优化求解程序，并针对性能进行调优。强大的预求解程序能够减少有效问题的规模，以便您更快速地处理更大更复杂的问题。
网络流优化
研究网络特征，使用可从 PROC OPTMODEL 和 PROC OPTNETWORK 访问的网络算法找到网络问题的最佳解决方法。
非凸非线性优化的多起点算法
增加在众多局部最优解中找到全局最优解的几率。选择多个起点，从每个起点开始进行并行优化，然后从所有起点报告最佳解决方案。
分解算法（自动化 Dantzig Wolfe）
将整个问题分解为多个组成问题，其中每个组成问题都由一组专用决策变量并行解决。子问题的并行解决与整个解决过程相协调，可以大大缩短问题解决时间。
黑盒优化
黑盒求解程序可用于解决（通常是非线性）优化问题，这些问题不符合传统优化求解程序所做的假设。基于黑盒仿真等方法，函数可能不连续、不平滑且计算成本高昂。
约束编程
使用域缩减/约束传播和多种搜索策略（例如向前瞻和回溯）来解决约束满足问题。
云原生
SAS Viya 的基础架构具有紧凑、云原生和快速的特性。无论更青睐公有云还是私有云提供商，您都可以充分限度利用云投资。
