Bab ini memperkenalkan optimasi, komponen intinya, dan penerapannya yang luas di berbagai industri dan domain. Bab ini menyajikan metode pencarian menyeluruh yang cepat untuk menyelesaikan suatu masalah optimasi. Bab ini juga memberikan pengantar matematika untuk konsep-konsep yang diperlukan dalam kursus ini.

Pengantar optimisasi matematis

Memahami optimisasi matematis

Menerapkan fungsi objektif

Metode pencarian menyeluruh

Optimisasi univariat

Menentukan turunan

Cari turunan kedua

Optimisasi multivariat

Turunan parsial dengan SymPy

Opsi

Differentiable

Non-differentiable

Keterbatasan diferensiasi

Pengantar Optimasi

Bab ini membahas penyelesaian masalah optimasi tanpa kendala dan berkendala menggunakan kalkulus diferensial dan SymPy, serta mengidentifikasi potensi jebakan. SciPy juga diperkenalkan untuk menyelesaikan masalah optimasi tanpa kendala, dalam satu dan banyak dimensi, secara numerik, hanya dengan beberapa baris kode. Bab ini kemudian melanjutkan ke penyelesaian pemrograman linear di SciPy dan PuLP.

Optimisasi tanpa kendala

Menemukan nilai maksimum

Optimisasi dengan batasan (bound-constrained)

Bekerja dengan Batas

Menangani ketaksamaan ketat

Pemrograman linear

Apa itu pemrograman linear?

PuLP untuk optimisasi linear

Menangani banyak elemen

 Optimasi Tanpa Kendala dan dengan Kendala Linear

Bab ini memperkenalkan masalah optimasi berkendala cembung dengan berbagai jenis kendala dan meninjau masalah pemrograman linear bilangan bulat campuran, yaitu masalah pemrograman linear di mana setidaknya satu variabel berupa bilangan bulat.

Optimisasi terbatasi cembung

Menafsirkan kurva indeferens

Visualisasikan kurva indiferensi

Maksimisasi utilitas

Optimisasi terbatasi-konveks dengan kendala pertidaksamaan

Interior atau sudut?

Optimisasi linear dengan kendala: biskuit

Optimisasi nonlinier untuk biskuit dengan kendala

Pemrograman Linear Integer Campuran (MILP)

Menyesuaikan MILP

Memahami integrality

Optimasi Berkendala Non-linear

Bab ini membahas pencarian optimum global ketika terdapat banyak solusi yang sama-sama baik. Kita akan melakukan analisis sensitivitas dan mempelajari teknik linearisasi yang mereduksi masalah non-linear menjadi masalah yang mudah diselesaikan dengan SciPy atau PuLP. Dari sisi aplikasi, kita akan menyelesaikan alokasi SDM dengan biaya pelatihan dan penganggaran modal dengan proyek yang saling bergantungan.

Mentransformasi masalah nonlinier

Menyelesaikan masalah penganggaran modal

Mengalokasikan sumber daya

Optimisasi global di SciPy

Temukan optimum global

Menggunakan callback

Analisis sensitivitas di PuLP

Slack dan shadow price

Harga bayangan pada produksi jus

Masalah diet, kembali ditinjau

Selamat!

Teknik Optimasi Robust

Kursus ini mengubah pemula menjadi pengoptimal andal, mengajarkan Anda mengonversi dan menyelesaikan masalah dunia nyata menggunakan pemodelan matematis di Python dengan SciPy dan PuLP. Dimulai dari dasar-dasar optimasi dan penerapannya, Anda akan menggunakan SymPy untuk solusi analitik tanpa harus menghitung turunan secara manual, serta memanfaatkan SciPy untuk jawaban numerik. Anda akan berlanjut ke pemrograman linear, optimasi cembung dengan kendala, dan optimasi bilangan bulat campuran menggunakan SciPy dan PuLP, dengan fokus pada persoalan praktis seperti manufaktur, maksimisasi laba, dan alokasi sumber daya.

Masalah optimasi sangat umum ditemui dalam bidang teknik, ilmu pengetahuan, dan ilmu sosial. Kursus ini akan membawa Anda dari nol pengetahuan optimasi menjadi ahli optimasi. Anda akan menggunakan pemodelan matematis untuk mengubah masalah dunia nyata menjadi masalah matematis dan menyelesaikannya menggunakan Python dengan paket SciPy dan PuLP.

<h2>Menerapkan Kalkulus pada Masalah Optimisasi Tanpa Batasan Menggunakan SymPy</h2>

Anda akan memulai dengan mempelajari definisi masalah optimasi dan penerapan-penerapannya. Anda akan menggunakan SymPy untuk menerapkan kalkulus guna mendapatkan solusi analitis pada masalah optimisasi tanpa batasan. Anda tidak perlu menghitung turunan atau menyelesaikan persamaan; SymPy bekerja dengan lancar! Demikian pula, Anda akan menggunakan SciPy untuk mendapatkan solusi numerik.

<h2>Hadapi Masalah Kompleks Secara Langsung</h2>

Selanjutnya, Anda akan belajar cara menyelesaikan masalah pemrograman linier menggunakan SciPy dan PuLP. Untuk menangkap kompleksitas dunia nyata, Anda akan belajar cara menerapkan PuLP dan SciPy untuk menyelesaikan masalah optimisasi konveks terkendali dan optimisasi bilangan bulat campuran. 

Pada akhir kursus ini, Anda akan mampu menyelesaikan masalah optimasi dunia nyata, termasuk dalam bidang manufaktur, keuntungan dan anggaran, alokasi sumber daya, dan lainnya.

Introduction to NumPy

Pelajari cara menyelesaikan masalah optimasi nyata dengan SciPy dan PuLP di Python, dari dasar hingga kompleks.

Pengantar Optimasi di Python

Keterbatasan diferensiasi

Pengantar Optimasi di Python

Latihan interaktif langsung