線性規劃：

在數學中，線性規劃（Linear Programming，簡稱LP）問題是目標函式和約束條件都是線性的最優化問題。

動態規劃：

動態規劃（英語：Dynamic programming，DP）是一種在數學、電腦科學和經濟學中使用的，通過把原問題分解為相對簡單的子問題的方式求解複雜問題的方法。 動態規劃常常適用於有重疊子問題和最優子結構性質的問題，動態規劃方法所耗時間往往遠少於樸素解法。

範數：

範數，是具有“長度”概念的函式。線上性代數、泛函分析及相關的數學領域，是一個函式，其為向量空間內的所有向量賦予非零的正長度或大小。半範數反而可以為非零的向量賦予零長度。

L0範數：L0範數是指向量中非0的元素的個數。

L1範數：L1範數是指向量中各個元素絕對值之和，也有個美稱叫“稀疏規則運算元”（Lasso regularization）。

L2範數：它也不遜於L1範數，它有兩個美稱，在迴歸裡面，有人把有它的迴歸叫“嶺迴歸”（Ridge Regression），有人也叫它“權值衰減weight decay”。它的強大功效是改善機器學習裡面一個非常重要的問題：過擬合。

單純性法：

數學最優化中，由George Dantzig發明的單純形法（simplex algorithm）是線性規劃問題的數值求解的流行技術。有一個演算法與此無關，但名稱類似，它是Nelder-Mead法或稱下山單純形法，由Nelder和Mead發現（1965年），這是用於優化多維無約束問題的一種數值方法，屬於更一般的搜尋演算法的類別。

內點法：

內點法(Interior point methods)是一種求解線性規劃或非線性凸優化問題的演算法。它是由John von Neumann發明的，他利用戈爾丹的線性齊次系統提出了這種新的求解線性規劃的方法。後被Narendra Karmarkar於1984年推廣應用到線性規劃，即Karmarkar演算法。

SVD求解：

奇異值分解（singular value decomposition）是線性代數中一種重要的矩陣分解，在訊號處理、統計學等領域有重要應用。奇異值分解在某些方面與對稱矩陣或Hermite矩陣基於特徵向量的對角化類似。然而這兩種矩陣分解儘管有其相關性，但還是有明顯的不同。對稱陣特徵向量分解的基礎是譜分析，而奇異值分解則是譜分析理論在任意矩陣上的推廣。