看着自己瞬间提升的三学科等级，江铭顿时喜笑颜开。

这样一来，他的全部学科又都站在了同一起跑线。

不过这也意味着自己如果信息学迟迟无法突破的话，其他的学科就会永远被卡在Lv1无法寸进。

江铭顿时有些发愁。

信息学晋升Lv2的几个任务还没一点眉目。

无论如何，先把任务完成的奖抽了吧！

“系统，我要抽奖！”

江铭在心中默念。

【恭喜抽中，精品级理论：最优控制问题无损凸优化解的等价性证明。】

几乎是一瞬间，一大段信息不断涌入他的脑海，江铭顿时眼冒金星，但坚持着把信息全部接收完成。

他好一会儿才缓过来，这才闭上眼睛，在头脑中细细查看刚刚得到的理论。

半响，他的眼睛忽地睁开，露出赫然的表情。

这个证明虽然不像证明数学界几大猜想那样足以载入史册，但它有着极其强悍的实用性！

整篇证明阐述了在最优控制问题中，通过引入额外的优化变量来重构非凸约束，使原本的非凸约束转换成凸区域，从而可以让原本的非凸问题重新表述为高维的凸问题！

而在控制系统中，控制问题的凸性是极其重要的，因为凸问题有一个非常好的性质，即局部最优解也是全局最优解。

这意味着在求解凸问题的时候，任何梯度下降或次梯度下降的方法都能保证找到全局最优！

之前江铭依靠策略梯度算法让一个控制器不断在模拟环境中试错，从而用神经网络拟合最优控制函数虽然也很可行，但是问题也很明显。

首先是模拟环境和真实环境很可能存在偏差，比如对气流风阻的模拟受到现有技术的制约，和真实情况相差甚远。

这也是为什么无论是设计飞行器还是建筑，都需要进行一步风洞测试，来真的在现实环境中评估稳定性。

其次是神经网络拟合的方法同样会陷入局部最优，因为问题本身是非凸问题，智能体很容易因为路径依赖性陷入局部最优。

这就像是做题，虽然做难的题做对了分数更高，但是由于错的概率更大，智能体很容易就陷在不断刷简答题的次优策略里。

而这个证明却给最优控制问题提供了全新的思路，它定义了一个“正则系统”，只需要通过构造Hamilton函数并利用庞特里亚金最大化原理，即可确保Hamilton函数在松弛可行控制集的投影极点处最大化来建立无损凸化。

江铭的拳头攥紧又放松，激动得脸色通红。

他如今在数学和控制学的知识足够充足，轻易便理解了这个理论证明的深远影响。

有了这个证明，别说什么自适应巡航了，无论是飞机还是火箭，仅仅依靠数学就能计算出一套控制函数，让它以任意的姿态飞行。

这简直是无数航天动力学与控制科学的研究员所梦寐以求的理论！

如果再参加一次综艺，江铭能靠这个理论秒杀任何选手，就是彭城教授亲自来都得甘拜下风。