Задача о потоке минимальной стоимости (Minimum Cost Flow Problem, MCFP) является объединяющей и фундаментальной проблемой сетевой оптимизации. Она обобщает несколько классических задач теории графов: задачу о кратчайшем пути, задачу о максимальном потоке, транспортную задачу и задачу о назначениях. Цель MCFP заключается в поиске наиболее дешевого способа пересылки заданного объема ресурса через транспортную сеть от источников к стокам, учитывая пропускные способности ребер графа и удельные стоимости транспортировки.

В эпоху больших данных (Big Data) и машинного обучения традиционные методы оптимизации, требующие загрузки всей матрицы данных в оперативную память одного вычислительного узла, перестали справляться с нагрузкой. Метод множителей с чередующимися направлениями (Alternating Direction Method of Multipliers, ADMM) стал алгоритмическим спасением для распределенной выпуклой оптимизации. Он гармонично сочетает в себе способность к декомпозиции, свойственную методу двойственного восхождения, и высокую скорость сходимости метода дополненного лагранжиана, позволяя разбивать гигантские задачи на мелкие фрагменты, решаемые параллельно.

Алгоритмы роевого интеллекта (Swarm Intelligence) представляют собой семейство метаэвристических методов глобальной непрерывной и дискретной оптимизации, вдохновленных коллективным поведением самоорганизующихся биологических систем. В отличие от классического математического программирования, где поиск экстремума опирается на строгую алгебру и градиенты, методы роевого интеллекта используют децентрализованное взаимодействие множества простых агентов. Оптимизация роем частиц (PSO) и алгоритм искусственной пчелиной колонии (ABC) являются флагманами этого подхода, демонстрируя превосходные результаты на мультимодальных и зашумленных ландшафтах.