This chapter introduces optimization, its core components, and its wide applications across industries and domains. It presents a quick, exhaustive search method for solving an optimization problem. It provides a mathematical primer for the concepts required for this course. 

Introduction to mathematical optimization

Understanding mathematical optimization

Applying an objective function

Exhaustive search method

Univariate optimization

Finding the derivative

Find the second derivative

Multivariate optimization

Partial derivatives with SymPy

Limitations of differentiation

Introduction to Optimization

This chapter covers solving unconstrained and constrained optimization problems with differential calculus and SymPy, identifying potential pitfalls.  SciPy is also introduced to solve unconstrained optimization problems, in single and multiple dimensions, numerically, with a few lines of code.  The chapter goes on to solve linear programming in SciPy and PuLP.

Unconstrained optimization

Finding the maxima

Bound-constrained optimization

Working with Bounds

Handling hard inequalities

Linear programming

What is linear programming?

PuLP for linear optimization

Handling multiple elements

 Unconstrained and Linear Constrained Optimization

This chapter introduces convex-constrained optimization problems with different constraints and looks at mixed integer linear programming problems, essentially linear programming problems where at least one variable is an integer.

Convex constrained-optimization

Interpreting indifference curves

Visualize the indifference curve

Utility maximization

Convex-constrained optimization with inequality constraints

Interior or corner?

Linear constrained biscuits

Nonlinear constrained biscuits

Mixed integer linear programming (MILP)

Adjusting MILP

Understanding integrality

Non-linear Constrained Optimization

This chapter covers finding the global optimum when multiple good solutions exist. We will conduct sensitivity analysis and learn linearization techniques that reduce non-linear problems to easily solvable ones with SciPy or PuLP.  In terms of applications, we will solve an HR allocation with training costs problem and capital budgeting with dependent projects.

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!

Robust Optimization Techniques

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

Slack dan shadow price

Pengantar Optimasi di Python

Latihan interaktif praktis