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. 

Introdução à otimização matemática

Entendendo a otimização matemática

Aplicando uma função objetivo

Método de busca exaustiva

Otimização univariada

Encontrando a derivada

Encontre a segunda derivada

Otimização multivariada

Derivadas parciais com SymPy

Limitações da diferenciação

Introdução à Otimização

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.

Otimização sem restrições

Encontrando o máximo

Otimização com restrições de limite

Trabalhando com limites

Lidando com desigualdades rígidas

Programação linear

O que é programação linear?

PuLP para otimização linear

Lidando com vários elementos

 Otimização sem restrições e com restrições lineares

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.

Otimização convexa com restrições

Interpretando curvas de indiferença

Visualizar a curva de indiferença

Maximização de utilidade

Otimização convexa com restrições de desigualdade

Interior ou vértice?

Biscoitos com restrições lineares

Biscoitos com restrição não linear

Programação linear inteira mista (MILP)

Ajustando o MILP

Entendendo a integralidade

Otimização não linear com restrições

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.

Transformando problemas não lineares

Resolvendo o problema de orçamento de capital

Alocando recursos

Otimização global no SciPy

Encontre o ótimo global

Usando callback

Análise de sensibilidade no PuLP

Folga (slack) e preço-sombra

Preços sombra com suco

O problema da dieta revisitado

Parabéns!

Técnicas de Otimização Robusta

Este curso transforma iniciantes em ótimos solucionadores, ensinando você a converter e resolver problemas do mundo real usando modelagem matemática em Python com SciPy e PuLP. Começando pelos fundamentos de otimização e suas aplicações, você usará SymPy para soluções analíticas sem calcular derivadas manualmente e utilizará SciPy para respostas numéricas. Você avançará para problemas de programação linear, otimização convexa com restrições e otimização inteira mista com SciPy e PuLP, focando em casos práticos como manufatura, maximização de lucro e alocação de recursos.

Problemas de otimização são comuns em engenharia, ciências e ciências sociais. Este curso vai te levar de zero conhecimento em otimização a um otimizador experiente. Você vai usar modelagem matemática pra transformar problemas do mundo real em problemas matemáticos e resolvê-los em Python usando os pacotes SciPy e PuLP.

<h2>Aplique cálculo a problemas de otimização sem restrições com SymPy</h2>

Você vai começar aprendendo o que é um problema de otimização e como ele pode ser usado. Você vai usar o SymPy pra aplicar cálculo e chegar a soluções analíticas pra otimização sem restrições. Você não vai precisar calcular derivadas ou resolver equações; o SymPy funciona perfeitamente! Da mesma forma, você vai usar o SciPy para obter soluções numéricas.

<h2>Enfrente problemas complexos de frente</h2>

Depois, você vai aprender a resolver problemas de programação linear no SciPy e no PuLP. Para capturar a complexidade do mundo real, você verá como aplicar PuLP e SciPy para resolver otimização convexa restrita e otimização mista inteira. 

Ao final deste curso, você vai ter resolvido problemas reais de otimização, incluindo fabricação, lucro e orçamento, alocação de recursos e muito mais.

Introduction to NumPy

Aprenda a resolver problemas de otimização com SciPy e PuLP em Python, do básico ao complexo.

Introdução à Otimização em Python

Aprenda a resolver problemas reais de otimização usando SciPy e PuLP do Python, cobrindo tudo, desde otimização básica até otimização restrita e complexa.

Content Developer

Convex-constrained optimization with inequality constraints

Corner versus interior solution

Manufacturer with capacity constraints

Maximizing profit

Formulation

Maximize profit with SciPy

Non-linear contraints in SciPy

Solution with NonlinearConstraint

Let's practice!

Otimização não linear com restrições - Otimização convexa com restrições de desigualdade

Otimização convexa com restrições de desigualdade

Create Your Free Account