Înțelegerea integralității

Argumentul de integralitate al funcției milp() asigură că variabilele din funcția obiectiv sunt tratate ca numere întregi, adică variabile discrete.

Ce se întâmplă dacă omitem acest argument la efectuarea optimizării?

Acest exercițiu face parte din cursul

Introducere în optimizare în Python

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Introducere în optimizare în Python

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Acest capitol prezintă optimizarea, componentele sale de bază și aplicațiile sale variate în diverse industrii și domenii. Este introdusă o metodă rapidă de căutare exhaustivă pentru rezolvarea unei probleme de optimizare, alături de un primer matematic pentru conceptele necesare în acest curs.

Exercise 1: Introducere în optimizarea matematică Exercise 2: Înțelegerea optimizării matematice Exercise 3: Aplicarea unei funcții obiectiv Exercise 4: Metoda căutării exhaustive Exercise 5: Optimizare univariată Exercise 6: Calcularea derivatei Exercise 7: Găsește derivata de ordinul doi Exercise 8: Optimizare multivariabilă Exercise 9: Derivate parțiale cu SymPy Exercise 10: Limitele diferențierii

Acest capitol acoperă rezolvarea problemelor de optimizare neconstrânsă și cu constrângeri prin calcul diferențial și SymPy, identificând posibilele capcane. Este introdusă și biblioteca SciPy pentru rezolvarea numerică a problemelor de optimizare neconstrânsă, în una și mai multe dimensiuni, cu câteva linii de cod. Capitolul continuă cu programarea liniară în SciPy și PuLP.

Exercise 1: Optimizare neconstrânsă Exercise 2: Găsirea maximului Exercise 3: Optimizare multivariată Exercise 4: Optimizare cu restricții de interval Exercise 5: Lucrul cu limite (Bounds)Exercise 6: Gestionarea inegalităților stricte Exercise 7: Programare liniară Exercise 8: Ce este programarea liniară?Exercise 9: PuLP pentru optimizare liniară Exercise 10: Gestionarea mai multor elemente

Acest capitol introduce problemele de optimizare convexă cu constrângeri de diferite tipuri și abordează problemele de programare liniară în numere întregi mixte – esențialmente probleme de programare liniară în care cel puțin o variabilă este un număr întreg.

Exercise 1: Optimizare convexă cu constrângeri Exercise 2: Interpretarea curbelor de indiferență Exercise 3: Vizualizează curba de indiferență Exercise 4: Maximizarea utilității Exercise 5: Optimizare convexă cu restricții de inegalitate Exercise 6: Interioară sau de colț?Exercise 7: Biscuiți cu constrângeri liniare Exercise 8: Biscuiți cu constrângeri neliniare Exercise 9: Programare liniară în numere întregi mixte (MILP)Exercise 10: Ajustarea MILP Exercise 11: Înțelegerea integralității

Exercițiul curent

Acest capitol acoperă găsirea optimului global atunci când există mai multe soluții bune. Vei efectua analize de sensibilitate și vei învăța tehnici de liniarizare care reduc problemele neliniare la unele ușor de rezolvat cu SciPy sau PuLP. La nivel de aplicații, vei rezolva o problemă de alocare a resurselor umane cu costuri de formare și o problemă de bugetare a capitalului cu proiecte interdependente.

Exercise 1: Transformarea problemelor neliniare Exercise 2: Rezolvarea problemei de alocare a capitalului Exercise 3: Alocarea resurselor Exercise 4: Optimizare globală în SciPy Exercise 5: Găsește optimul global Exercise 6: Folosirea callback Exercise 7: Analiza de sensibilitate în PuLP Exercise 8: Slack și prețul umbră Exercise 9: Prețuri umbră cu suc de fructe Exercise 10: Problema dietei, revizuită Exercise 11: Felicitări!