การหาค่าเหมาะสมที่สุดแบบ Global ใน SciPy

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การหาค่าที่เหมาะสมที่สุดใน Python เบื้องต้น

SkillTag.level.intermediateSkillTag.label

4.8+

200 reviews

เริ่มคอร์สฟรี

บทนี้แนะนำการหาค่าที่เหมาะสมที่สุด องค์ประกอบหลัก และการประยุกต์ใช้งานในอุตสาหกรรมและสาขาต่าง ๆ นำเสนอวิธีการค้นหาแบบครอบคลุมทั้งหมดเพื่อแก้ปัญหาการหาค่าที่เหมาะสมที่สุด พร้อมทั้งปูพื้นฐานทางคณิตศาสตร์ที่จำเป็นสำหรับคอร์สนี้

Exercise 1: การเพิ่มประสิทธิภาพทางคณิตศาสตร์เบื้องต้น Exercise 2: ทำความเข้าใจการหาค่าเหมาะที่สุดทางคณิตศาสตร์Exercise 3: การประยุกต์ใช้ฟังก์ชันวัตถุประสงค์Exercise 4: วิธีการค้นหาแบบครอบคลุม (Exhaustive Search)Exercise 5: การหาค่าเหมาะสมที่สุดแบบตัวแปรเดียว Exercise 6: การหาอนุพันธ์Exercise 7: หาอนุพันธ์อันดับสอง Exercise 8: การหาค่าเหมาะสมแบบหลายตัวแปร Exercise 9: อนุพันธ์ย่อยด้วย SymPy Exercise 10: ข้อจำกัดของการหาอนุพันธ์

บทนี้ครอบคลุมการแก้ปัญหาการหาค่าที่เหมาะสมที่สุดแบบไม่มีเงื่อนไขและแบบมีเงื่อนไขด้วยแคลคูลัสเชิงอนุพันธ์และ SymPy รวมถึงการระบุข้อผิดพลาดที่อาจเกิดขึ้น นอกจากนี้ยังแนะนำ SciPy สำหรับการแก้ปัญหาการหาค่าที่เหมาะสมที่สุดแบบไม่มีเงื่อนไขในมิติเดียวและหลายมิติเชิงตัวเลขด้วยโค้ดเพียงไม่กี่บรรทัด และปิดท้ายด้วยการแก้ปัญหา linear programming ด้วย SciPy และ PuLP

Exercise 1: การหาค่าที่เหมาะสมที่สุดแบบไม่มีข้อจำกัด Exercise 2: การหาค่าสูงสุด Exercise 3: การหาค่าเหมาะสมที่สุดแบบหลายตัวแปร Exercise 4: การหาค่าเหมาะสมแบบมีขอบเขต Exercise 5: การกำหนดขอบเขต (Bounds)Exercise 6: การจัดการกับอสมการที่เข้มงวด Exercise 7: การโปรแกรมเชิงเส้น Exercise 8: Linear programming คืออะไร?Exercise 9: PuLP สำหรับการหาค่าเหมาะที่สุดเชิงเส้น Exercise 10: การจัดการหลายองค์ประกอบ

บทนี้แนะนำปัญหาการหาค่าที่เหมาะสมที่สุดแบบ convex มีเงื่อนไขหลายประเภท และศึกษาปัญหา mixed integer linear programming ซึ่งเป็น linear programming ที่ตัวแปรอย่างน้อยหนึ่งตัวเป็นจำนวนเต็ม

Exercise 1: การหาค่าเหมาะสมแบบ Convex ที่มีข้อจำกัด Exercise 2: การแปลความหมายของ Indifference Curve Exercise 3: แสดงภาพเส้นโค้งไม่แยแส Exercise 4: การหาค่าสูงสุดของ utility Exercise 5: การหาค่าเหมาะสมแบบ Convex ที่มีข้อจำกัดแบบอสมการ Exercise 6: Interior หรือ corner?Exercise 7: การหาค่าเหมาะที่สุดแบบเชิงเส้นสำหรับบิสกิต Exercise 8: บิสกิตแบบ Nonlinear Constrained Exercise 9: การโปรแกรมเชิงเส้นจำนวนเต็มผสม (MILP)Exercise 10: การปรับ MILP Exercise 11: ทำความเข้าใจ integrality

บทนี้ครอบคลุมการหาค่าที่ดีที่สุดในระดับ global เมื่อมีคำตอบที่ดีหลายคำตอบ จะได้ศึกษาการวิเคราะห์ความไว (sensitivity analysis) และเทคนิคการทำให้เป็นเชิงเส้น (linearization) ที่ช่วยลดปัญหาไม่เชิงเส้นให้แก้ได้ง่ายขึ้นด้วย SciPy หรือ PuLP ในด้านการประยุกต์ใช้งาน จะได้แก้ปัญหาการจัดสรรบุคลากรพร้อมต้นทุนการฝึกอบรม และการจัดสรรงบประมาณที่มีโครงการที่เชื่อมโยงกัน

Exercise 1: การแปลงปัญหาที่ไม่เป็นเชิงเส้น Exercise 2: แก้ปัญหา Capital Budgeting Exercise 3: การจัดสรรทรัพยากร Exercise 4: การหาค่าเหมาะสมที่สุดแบบ Global ใน SciPy

แบบฝึกหัดปัจจุบัน

Exercise 5: ค้นหาจุดเหมาะสมที่สุดระดับโลก Exercise 6: การใช้ callback Exercise 7: การวิเคราะห์ความไวใน PuLP Exercise 8: Slack และราคาเงา Exercise 9: Shadow prices กับน้ำผลไม้Exercise 10: กลับมาดูปัญหาอาหารอีกครั้ง Exercise 11: ยินดีด้วย!