Inzicht in wiskundige optimalisatie

Wiskundige optimalisatie wordt gebruikt om met behulp van wiskunde de ideale invoer voor een specifiek probleem te vinden. Zulke problemen komen in veel sectoren voor.

Welke van de volgende bedrijfsproblemen kun je oplossen met wiskundige optimalisatie? Kies de twee antwoorden die van toepassing zijn.

Deze oefening maakt deel uit van de cursus

Introductie tot optimalisatie in Python

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

Introductie tot optimalisatie in Python

SkillTag.level.intermediateSkillTag.label

4.8+

Begin gratis met de cursus

Dit hoofdstuk introduceert optimalisatie, de kernelementen ervan en de brede toepassingen in sectoren en domeinen. Het laat een snelle, uitputtende zoekmethode zien om een optimalisatieprobleem op te lossen. Ook krijg je een wiskundige opfriscursus voor de concepten die je in deze cursus nodig hebt.

Exercise 1: Introductie tot wiskundige optimalisatie Exercise 2: Inzicht in wiskundige optimalisatie

Huidige oefening

Exercise 3: Een doelfunctie toepassen Exercise 4: Exhaustieve zoekmethode Exercise 5: Univariate optimalisatie Exercise 6: De afgeleide bepalen Exercise 7: Vind de tweede afgeleide Exercise 8: Multivariate optimalisatie Exercise 9: Partiële afgeleiden met SymPy Exercise 10: Beperkingen van differentiëren

Dit hoofdstuk behandelt het oplossen van ongeconditioneerde en geconditioneerde optimalisatieproblemen met differentiaalrekening en SymPy, en wijst op mogelijke valkuilen. SciPy wordt ook geïntroduceerd om ongeconditioneerde optimalisatieproblemen, in één en meerdere dimensies, numeriek op te lossen met maar een paar regels code. Vervolgens lossen we lineaire programmering op in SciPy en PuLP.

Exercise 1: Onbeperkte optimalisatie Exercise 2: Maxima vinden Exercise 3: Multivariate optimalisatie Exercise 4: Optimalisatie met begrensde variabelen Exercise 5: Werken met grenzen Exercise 6: Omgaan met strikte ongelijkheden Exercise 7: Lineair programmeren Exercise 8: Wat is lineaire programmering?Exercise 9: PuLP voor lineaire optimalisatie Exercise 10: Meerdere elementen verwerken

Dit hoofdstuk introduceert convex-geconditioneerde optimalisatieproblemen met verschillende restricties en bekijkt mixed-integer lineaire programmeringsproblemen: in essentie lineaire programmeringsproblemen waarbij minstens één variabele een geheel getal is.

Exercise 1: Convexe optimalisatie met beperkingen Exercise 2: Onverschilligheidskrommen interpreteren Exercise 3: Visualiseer de indifferentiecurve Exercise 4: Nutmaximalisatie Exercise 5: Convexe optimalisatie met ongelijkheidsrestricties Exercise 6: Interieur of hoek?Exercise 7: Lineair begrensde koekjes Exercise 8: Niet-lineaire koekjes met beperkingen Exercise 9: Mixed-integer lineaire programmering (MILP)Exercise 10: MILP aanpassen Exercise 11: Begrijpen wat integrality doet

Dit hoofdstuk gaat over het vinden van het globale optimum wanneer er meerdere goede oplossingen bestaan. We voeren gevoeligheidsanalyse uit en leren linearisatietechnieken die niet-lineaire problemen terugbrengen tot eenvoudig oplosbare varianten met SciPy of PuLP. Qua toepassingen lossen we een HR-toewijzingsprobleem met trainingskosten op en kapitaalbudgettering met afhankelijke projecten.

Exercise 1: Niet-lineaire problemen transformeren Exercise 2: Het kapitaalbegrotingsprobleem oplossen Exercise 3: Middelen toewijzen Exercise 4: Globale optimalisatie in SciPy Exercise 5: Vind het globale optimum Exercise 6: Callback gebruiken Exercise 7: Gevoeligheidsanalyse in PuLP Exercise 8: Slack en schaduwprijs Exercise 9: Schaduwprijzen bij sap Exercise 10: Het dieetprobleem opnieuw bekeken Exercise 11: Gefeliciteerd!