ภาษาสร้างแบบจำลองเชิงพีชคณิต ( AML ) เป็น ภาษาการเขียนโปรแกรมคอมพิวเตอร์ ระดับสูงสำหรับอธิบายและแก้ปัญหาที่มีความซับซ้อนสูงสำหรับ การคำนวณ ทางคณิตศาสตร์ ขนาดใหญ่ (เช่น ปัญหาประเภท การหาค่าเหมาะสมที่สุดขนาดใหญ่) [ 1 ] ข้อได้เปรียบที่สำคัญอย่างหนึ่งของภาษาสร้างแบบจำลองเชิงพีชคณิตบางภาษา เช่น AIMMS [ 1 ] AMPL [ 2 ] GAMS [ 1 ] Gekko, MathProg , ^{Mosel [ 1 ]} [ 3 ^]และOPLคือ^{ความคล้ายคลึง}กันของ^{ไวยากรณ์กับ}สัญลักษณ์^{ทางคณิตศาสตร์ของ}ปัญหาการหาค่า เหมาะสม^{ที่สุดซึ่งทำให้สามารถกำหนดปัญหา} ใน โดเมน ของการหาค่าเหมาะสมที่สุดได้อย่างกระชับและอ่านง่าย โดยได้รับการสนับสนุนจากองค์ประกอบภาษาบางอย่าง เช่น เซต ดัชนี นิพจน์เชิงพีชคณิต ดัชนีแบบเบาบางที่มีประสิทธิภาพ และตัวแปรการจัดการข้อมูล ข้อจำกัดที่มีชื่อตามอำเภอใจ การกำหนดแบบจำลองเชิงพีชคณิตไม่มีคำแนะนำใดๆ เกี่ยวกับวิธีการประมวลผล

AML ไม่ได้แก้ปัญหาเหล่านั้นโดยตรง แต่จะเรียกใช้อัลกอริธึมภายนอกที่เหมาะสมเพื่อหาคำตอบ อัลกอริธึมเหล่านี้เรียกว่าตัวแก้ปัญหา และสามารถจัดการกับ ปัญหาทางคณิตศาสตร์บางประเภทได้ เช่น:

• ปัญหาเชิงเส้น
• ปัญหาเกี่ยวกับจำนวนเต็ม
• ปัญหาเชิงกำลังสอง (จำนวนเต็มผสม)
• ปัญหาความสมบูรณ์แบบผสม
• โปรแกรมทางคณิตศาสตร์ที่มีข้อจำกัดสมดุล
• ระบบไม่เชิงเส้นที่มีข้อจำกัด
• ปัญหาทั่วไปที่ไม่เป็นเชิงเส้น
• โปรแกรมไม่เชิงเส้นที่มีอนุพันธ์ไม่ต่อเนื่อง
• ปัญหาจำนวนเต็มที่ไม่เป็นเชิงเส้น
• ปัญหาการหาค่าเหมาะสมที่สุดทั่วโลก
• ปัญหาการเพิ่มประสิทธิภาพเชิงสุ่ม

องค์ประกอบหลักของ AML ได้แก่:

• ตัวแปลภาษาสร้างแบบจำลอง (ตัว AML เอง)
• ลิงก์ตัวแก้ปัญหา
• ส่วนติดต่อผู้ใช้ (UI)
• สิ่งอำนวยความสะดวกในการแลกเปลี่ยนข้อมูล

ระบบป้องกันการฟอกเงินส่วนใหญ่มีหลักการออกแบบบางประการ:

• การผสมผสานที่ลงตัวระหว่างองค์ประกอบเชิงประกาศและเชิงกระบวนการ
• สถาปัตยกรรมแบบเปิดและอินเทอร์เฟซเชื่อมต่อกับระบบอื่นๆ
• ชั้นต่างๆ ที่มีการแยกออกจากกัน:
  • แบบจำลองและข้อมูล
  • แบบจำลองและวิธีการแก้ปัญหา
  • แบบจำลองและระบบปฏิบัติการ
  • แบบจำลองและอินเทอร์เฟซ

ภาษาสร้างแบบจำลองส่วนใหญ่ใช้ประโยชน์จากความคล้ายคลึงกันระหว่างแบบจำลองที่มีโครงสร้างและฐานข้อมูลเชิงสัมพันธ์^{[ 4 ]}โดยการจัดเตรียมเลเยอร์การเข้าถึงฐานข้อมูล ซึ่งช่วยให้ระบบสร้างแบบจำลองสามารถเข้าถึงข้อมูลจากแหล่งข้อมูลภายนอกได้โดยตรง (เช่น ตัวจัดการตารางเหล่านี้^{[ 5 ]}สำหรับ AMPL) ด้วยการปรับปรุงเทคโนโลยีการวิเคราะห์ที่นำไปใช้กับกระบวนการทางธุรกิจ แบบจำลองการเพิ่มประสิทธิภาพจึงกลายเป็นส่วนสำคัญของระบบสนับสนุนการตัดสินใจแบบจำลองการเพิ่มประสิทธิภาพสามารถจัดโครงสร้างและแบ่งเป็นชั้นเพื่อแสดงและสนับสนุนกระบวนการทางธุรกิจที่ซับซ้อน ในแอปพลิเคชันดังกล่าว โครงสร้างข้อมูลหลายมิติซึ่งเป็นแบบฉบับของระบบ OLAP สามารถแมปโดยตรงกับแบบจำลองการเพิ่มประสิทธิภาพ และการดำเนินการ MDDB ทั่วไปสามารถแปลเป็นการดำเนินการรวมและแยกส่วนบนแบบจำลองพื้นฐานได้^{[ 6 ]}

ภาษาสร้างแบบจำลองเชิงพีชคณิตมีรากฐานมาจากโปรแกรมสร้างเมทริกซ์และเขียนรายงาน (MGRW) ซึ่งพัฒนาขึ้นในช่วงปลายทศวรรษ 1970 ตัวอย่างเช่น MAGEN, MGRW (IBM), GAMMA.3, DATAFORM และ MGG/RWG ระบบเหล่านี้ช่วยลดความซับซ้อนในการสื่อสารปัญหาไปยังอัลกอริทึมการแก้ปัญหา และการสร้างรายงานผลลัพธ์ที่อ่านง่าย

เครื่องกำเนิดเมทริกซ์รุ่นแรกสำหรับ LP ได้รับการพัฒนาขึ้นราวปี 1969 ที่ Mathematisch Centrum (ปัจจุบันคือ CWI) อัมสเตอร์ดัม^{[ 7 ]} ไวยากรณ์ของมันใกล้เคียงกับสัญลักษณ์ทางคณิตศาสตร์ทั่วไปมาก โดยใช้ตัวห้อย en sigmas อินพุตสำหรับเครื่องกำเนิดประกอบด้วยส่วนแยกต่างหากสำหรับแบบจำลองและข้อมูล เครื่องกำเนิดนี้ถูกนำไปใช้ในมหาวิทยาลัยและในอุตสาหกรรม ผู้ใช้หลักในอุตสาหกรรมคือผู้ผลิตเหล็ก Hoogovens (ปัจจุบันคือ Tata Steel) ซึ่งใช้มาเกือบ 25 ปี

ก้าวสำคัญสู่ภาษาการสร้างแบบจำลองสมัยใหม่พบได้ใน UIMP ^{[ 8 ]}ซึ่งมีการวิเคราะห์โครงสร้างของ แบบจำลอง การเขียนโปรแกรมทางคณิตศาสตร์ที่นำมาจากชีวิตจริงเป็นครั้งแรก เพื่อเน้นการจัดกลุ่มตามธรรมชาติของตัวแปรและข้อจำกัดที่เกิดขึ้นจากแบบจำลองดังกล่าว สิ่งนี้นำไปสู่คุณลักษณะโครงสร้างข้อมูลที่สนับสนุนการสร้างแบบจำลองเชิงโครงสร้าง ในกระบวนทัศน์นี้ ตารางอินพุตและเอาต์พุตทั้งหมด พร้อมด้วยตัวแปรการตัดสินใจ จะถูกกำหนดในแง่ของโครงสร้างเหล่านี้ ในลักษณะที่เทียบได้กับการใช้ดัชนีและเซต นี่อาจเป็นคุณลักษณะที่โดดเด่นที่สุดเพียงอย่างเดียวที่พบได้ใน AML สมัยใหม่ทั้งหมด และในที่สุดก็ทำให้เกิดการแยกโครงสร้างแบบจำลองออกจากข้อมูล และความสอดคล้องกันระหว่างเอนทิตีในแบบจำลอง MP และข้อมูลในฐานข้อมูลเชิงสัมพันธ์ ดังนั้น ในที่สุดแบบจำลองจึงสามารถสร้างอินสแตนซ์และแก้ไขได้บนชุดข้อมูลต่างๆ เพียงแค่แก้ไขชุดข้อมูลเท่านั้น

ความสอดคล้องกันระหว่างเอนทิตีการสร้างแบบจำลองและแบบจำลองข้อมูลเชิงสัมพันธ์^{[ 4 ]}ทำให้สามารถสร้างอินสแตนซ์แบบจำลองได้อย่างราบรื่นโดยการดึงข้อมูลจากฐานข้อมูลขององค์กร คุณสมบัตินี้มีส่วนสำคัญต่อความสามารถในการใช้งานของการเพิ่มประสิทธิภาพในแอปพลิเคชันในชีวิตจริง และได้รับการสนับสนุนจากภาษาการสร้างแบบจำลองที่เป็นที่รู้จักกันดีส่วนใหญ่

ในอดีต ภาษาสำหรับการสร้างแบบจำลองเชิงพีชคณิตมักเป็นภาษาเฉพาะทางที่แยกตัวออกมาและใช้ในเชิงพาณิชย์ แต่ในปัจจุบัน ภาษาสำหรับการสร้างแบบจำลองเชิงพีชคณิตเริ่มปรากฏในรูปแบบของไลบรารีเฉพาะทางแบบโอเพนซอร์สภายในภาษาที่ใช้งานได้ทั่วไป เช่นGekkoหรือPyomoสำหรับPythonหรือJuMPสำหรับภาษา Julia

• เอเอ็มเอ็มเอส
• แอมพีแอล
• แกมส์
• คณิตศาสตร์โปรแกรม
• มินิซิงค์
• โอพีแอล

• FlopC++ สำหรับC++
• OptimJสำหรับJava
• JuMPสำหรับจูเลีย
• GBOML สำหรับPython
• PyomoสำหรับPython