Det här kapitlet introducerar optimering, dess grundläggande komponenter och dess breda tillämpningar inom olika branscher och områden. Det presenterar en enkel, uttömmande sökmetod för att lösa optimeringsproblem och ger en matematisk genomgång av de begrepp som behövs i kursen.

Introduktion till matematisk optimering

Förstå matematisk optimering

Tillämpa en målfunktion

Uttömmande sökmetod

Univariat optimering

Hitta derivatan

Beräkna andraderivatan

Multivariat optimering

Partiella derivator med SymPy

Alternativ

Differenterbara

Icke-differenterbara

Begränsningar med derivering

Introduktion till optimering

Det här kapitlet behandlar lösning av obegränsade och begränsade optimeringsproblem med differentialkalkyl och SymPy, samt identifiering av vanliga fallgropar. SciPy introduceras också för att lösa obegränsade optimeringsproblem – i en och flera dimensioner – numeriskt med bara några rader kod. Kapitlet avslutas med linjär programmering i SciPy och PuLP.

Obegränsad optimering

Hitta maxima

Begränsad optimering

Arbeta med gränser

Hantera strikta olikheter

Linjär programmering

Vad är linjär programmering?

PuLP för linjär optimering

Hantera flera element

Obegränsad och linjärt begränsad optimering

Det här kapitlet introducerar konvext begränsade optimeringsproblem med olika typer av bivillkor och undersöker blandad heltalslinjär programmering – det vill säga linjära programmeringsproblem där minst en variabel är ett heltal.

Konvex begränsad optimering

Tolka indifferenskurvor

Visualisera indifferenskurvan

Nyttomaximering

Konvex-begränsad optimering med olikhetsbegränsningar

Inre lösning eller hörnlösning?

Linjärt begränsad kexoptimering

Icke-linjär begränsad kexoptimering

Linjär heltalsprogrammering (MILP)

Justera MILP

Förstå integralitet

Icke-linjär begränsad optimering

Det här kapitlet handlar om att hitta det globala optimumet när det finns flera goda lösningar. Du genomför känslighetsanalys och lär dig linjäriseringstekniker som omvandlar icke-linjära problem till lättlösta problem med SciPy eller PuLP. Som tillämpningar löser du ett problem med personalallokering och utbildningskostnader samt kapitalbudgetering med beroende projekt.

Att omvandla icke-linjära problem

Lös kapitalbudgeteringsproblemet

Fördela resurser

Global optimering i SciPy

Hitta det globala optimumet

Använda callback

Känslighetsanalys i PuLP

Slack och skuggpris

Skuggpriser med juice

Dietproblemet återbesökt

Grattis!

Robusta optimeringstekniker

Den här kursen tar dig från nybörjare till skicklig optimerare. Du lär dig att formulera och lösa verkliga problem med matematisk modellering i Python med hjälp av SciPy och PuLP. Du börjar med grunderna i optimering och dess tillämpningar, använder SymPy för analytiska lösningar utan att behöva räkna derivator för hand, och utnyttjar SciPy för numeriska svar. Därefter går du vidare till linjär programmering, begränsad konvex optimering och heltalsprogrammering med SciPy och PuLP – med fokus på praktiska problem som tillverkning, vinstmaximering och resursallokering.

Optimeringsproblem är allestädes närvarande inom teknik, naturvetenskap och samhällsvetenskap. Den här kursen tar dig från noll kunskap om optimering till att bli en optimeringshjälte. Du kommer att använda matematisk modellering för att översätta verkliga problem till matematiska och lösa dem i Python med paketen SciPy och PuLP.

<h2>Tillämpa kalkyl på optimeringsproblem utan bivillkor med SymPy</h2>

Du kommer att börja med att lära dig definitionen av ett optimeringsproblem och dess användningsområden. Du kommer att använda SymPy för att tillämpa kalkyl för att få analytiska lösningar till obunden optimering. Du behöver inte beräkna derivator eller lösa ekvationer; SymPy fungerar sömlöst! På samma sätt kommer du att använda SciPy för att få numeriska lösningar.

<h2>Ta dig an komplexa problem direkt</h2>

Därefter kommer du att lära dig att lösa linjära programmeringsproblem i SciPy och PuLP. För att fånga verklig komplexitet får du se hur du använder PuLP och SciPy för att lösa begränsad konvex optimering och blandad heltalsoptimering. 

I slutet av den här kursen kommer du att ha löst verkliga optimeringsproblem, inklusive tillverkning, vinst och budgetering, resursallokering med mera.

Introduction to NumPy

Lär dig lösa optimeringsproblem med Python, SciPy och PuLP, från grundläggande till komplexa problem.

Introduktion till optimering i Python

Lär dig lösa verkliga optimeringsproblem med Python, SciPy och PuLP – från grundläggande till begränsad och komplex optimering.

Begränsningar med derivering

Introduktion till optimering i Python

Interaktiv övning med praktiskt arbete