Змішане цілочисельне лінійне програмування (MILP)

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.

Ця вправа є частиною курсу

Вступ до оптимізації в Python

SkillTag.level.intermediateSkillTag.label

4.8+

189 reviews

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 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)

Поточна вправа

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!