Entendendo a otimização matemática

A otimização matemática é usada para encontrar as entradas ideais para um problema específico usando matemática. Esses problemas aparecem em muitos setores.

Quais dos seguintes problemas de negócio podem ser resolvidos com otimização matemática? Selecione as duas respostas que se aplicam.

Este exercicio faz parte do curso

Introdução à Otimização em Python

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Introdução à Otimização em Python

IntermediárioNível de habilidade

4.8+

Comece o curso gratuitamente

Este capítulo apresenta a otimização, seus componentes centrais e suas amplas aplicações em diferentes setores e domínios. Ele apresenta um método rápido de busca exaustiva para resolver um problema de otimização. Também oferece uma base matemática para os conceitos necessários neste curso.

Exercise 1: Introdução à otimização matemática Exercise 2: Entendendo a otimização matemática

Exercicio Atual

Exercise 3: Aplicando uma função objetivo Exercise 4: Método de busca exaustiva Exercise 5: Otimização univariada Exercise 6: Encontrando a derivada Exercise 7: Encontre a segunda derivada Exercise 8: Otimização multivariada Exercise 9: Derivadas parciais com SymPy Exercise 10: Limitações da diferenciação

Este capítulo aborda a solução de problemas de otimização sem restrições e com restrições usando cálculo diferencial e SymPy, identificando possíveis armadilhas. SciPy também é apresentado para resolver numericamente problemas de otimização sem restrições, em uma e várias dimensões, com poucas linhas de código. O capítulo segue para resolver programação linear no SciPy e no PuLP.

Exercise 1: Otimização sem restrições Exercise 2: Encontrando o máximo Exercise 3: Otimização multivariada Exercise 4: Otimização com restrições de limite Exercise 5: Trabalhando com limites Exercise 6: Lidando com desigualdades rígidas Exercise 7: Programação linear Exercise 8: O que é programação linear?Exercise 9: PuLP para otimização linear Exercise 10: Lidando com vários elementos

Este capítulo apresenta problemas de otimização convexa com restrições de diferentes tipos e analisa problemas de programação linear inteira mista, essencialmente problemas de programação linear em que pelo menos uma variável é inteira.

Exercise 1: Otimização convexa com restrições Exercise 2: Interpretando curvas de indiferença Exercise 3: Visualizar a curva de indiferença Exercise 4: Maximização de utilidade Exercise 5: Otimização convexa com restrições de desigualdade Exercise 6: Interior ou vértice?Exercise 7: Biscoitos com restrições lineares Exercise 8: Biscoitos com restrição não linear Exercise 9: Programação linear inteira mista (MILP)Exercise 10: Ajustando o MILP Exercise 11: Entendendo a integralidade

Este capítulo aborda como encontrar o ótimo global quando existem várias boas soluções. Vamos realizar análise de sensibilidade e aprender técnicas de linearização que reduzem problemas não lineares a formas facilmente solucionáveis com SciPy ou PuLP. Em termos de aplicações, vamos resolver um problema de alocação de RH com custos de treinamento e outro de orçamento de capital com projetos dependentes.

Exercise 1: Transformando problemas não lineares Exercise 2: Resolvendo o problema de orçamento de capital Exercise 3: Alocando recursos Exercise 4: Otimização global no SciPy Exercise 5: Encontre o ótimo global Exercise 6: Usando callback Exercise 7: Análise de sensibilidade no PuLP Exercise 8: Folga (slack) e preço-sombra Exercise 9: Preços sombra com suco Exercise 10: O problema da dieta revisitado Exercise 11: Parabéns!