milp() 函数的整数性参数可确保目标函数中的变量被视为整数，即离散变量。
milp()
在执行优化时省略该参数，会带来什么后果？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
本章将介绍优化的基本概念、核心组成部分及其在各行业与领域的广泛应用。我们将展示一种用于求解优化问题的快速穷举思路，并补充完成本课程所需的数学基础。
本章将使用微分法与 SymPy 求解无约束与有约束优化问题，并指出可能的误区。同时介绍 SciPy，只需几行代码即可在一维与多维情形下数值求解无约束优化。随后，使用 SciPy 和 PuLP 求解线性规划。
本章介绍带凸约束的优化问题，涵盖不同类型的约束，并讨论混合整数线性规划问题，即至少有一个变量为整数的线性规划。
当前练习
本章聚焦在存在多个较优解时如何找到全局最优。我们将进行敏感性分析，并学习线性化等建模技巧，将非线性问题转化为可用 SciPy 或 PuLP 轻松求解的形式。在应用方面，将解决包含培训成本的人力资源配置问题，以及具有项目依赖关系的资本预算问题。
