Розуміння математичної оптимізації

Математична оптимізація використовується, щоб підібрати ідеальні вхідні дані для конкретної задачі за допомогою математики. Такі задачі трапляються в багатьох галузях.

Які з наведених бізнес‑задач можна розв'язати за допомогою математичної оптимізації? Виберіть дві правильні відповіді.

Ця вправа є частиною курсу

Вступ до оптимізації в Python

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Вступ до оптимізації в Python

SkillTag.level.intermediateSkillTag.label

4.8+

Почніть курс безкоштовно

У цьому розділі ви познайомитеся з оптимізацією, її ключовими складниками та широкими застосуваннями в різних галузях. Ми розглянемо швидкий метод повного перебору для розв'язання задачі оптимізації. Також подамо короткий математичний вступ до понять, необхідних для цього курсу.

Exercise 1: Вступ до математичної оптимізації Exercise 2: Розуміння математичної оптимізації

Поточна вправа

Exercise 3: Застосування цільової функції Exercise 4: Метод вичерпного пошуку Exercise 5: Одновимірна оптимізація Exercise 6: Знаходження похідної Exercise 7: Знайдіть другу похідну Exercise 8: Багатовимірна оптимізація Exercise 9: Часткові похідні в SymPy Exercise 10: Обмеження диференціювання

У цьому розділі розглядається розв'язання задач оптимізації без обмежень і з обмеженнями за допомогою диференціального числення та SymPy, із застереженнями щодо можливих підводних каменів. Також буде представлено SciPy для чисельного розв'язання задач без обмежень в одному та багатовимірному випадках за кілька рядків коду. Далі розділ переходить до лінійного програмування в SciPy і PuLP.

Exercise 1: Unconstrained optimization Exercise 2: Пошук максимуму Exercise 3: Багатовимірна оптимізація Exercise 4: Оптимізація з обмеженнями на межі Exercise 5: Робота з межами Exercise 6: Опрацювання жорстких нерівностей Exercise 7: Лінійне програмування Exercise 8: Що таке лінійне програмування?Exercise 9: PuLP для лінійної оптимізації Exercise 10: Опрацювання кількох елементів

У цьому розділі подано оптимізацію з опуклими обмеженнями для різних типів обмежень, а також розглянуто задачі змішано-цілого лінійного програмування — це лінійні задачі, де принаймні одна змінна є цілою.

Exercise 1: Оптимізація з опуклими обмеженнями Exercise 2: Інтерпретація кривих байдужості Exercise 3: Візуалізація кривої байдужості Exercise 4: Максимізація корисності Exercise 5: Оптимізація з опуклими обмеженнями та нерівностями Exercise 6: Внутрішня чи кутова точка?Exercise 7: Лінійні обмеження для печива Exercise 8: Нелінійні обмеження: печиво Exercise 9: Змішане цілочисельне лінійне програмування (MILP)Exercise 10: Коригування MILP Exercise 11: Розуміння цілочисельності

У цьому розділі розглядається пошук глобального оптимуму, коли існує кілька хороших рішень. Ми проведемо аналіз чутливості та розглянемо методи лінеаризації, що зводять нелінійні задачі до тих, які легко розв'язати в SciPy або PuLP. Із прикладних тем ми розв'яжемо задачу розподілу персоналу відділу кадрів із витратами на навчання та задачу вибору інвестицій за наявності залежних проєктів.

Exercise 1: Перетворення нелінійних задач Exercise 2: Розв'язання задачі інвестування капіталу Exercise 3: Розподіл ресурсів Exercise 4: Глобальна оптимізація в SciPy Exercise 5: Знайдіть глобальний оптимум Exercise 6: Використання callback Exercise 7: Аналіз чутливості в PuLP Exercise 8: Запас (slack) і тіньова ціна Exercise 9: Тіньові ціни для соків Exercise 10: Повертаємось до задачі про дієту Exercise 11: Вітаємо!