آموزش بهینه سازی با پایتون: حل مسائل تحقیق در عملیات

Optimization with Python: Solve Operations Research Problems

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: حل مسائل بهینه سازی با CPLEX، Gurobi، Pyomo... با استفاده از برنامه نویسی خطی، غیرخطی، الگوریتم های تکاملی... حل مسائل بهینه سازی با استفاده از برنامه نویسی خطی، برنامه ریزی خطی عدد صحیح مختلط، برنامه نویسی غیرخطی، برنامه نویسی غیرخطی عدد صحیح مختلط، LP، MILP، NLP , MINLP, SCOP, NonCovex Problems حل‌کننده‌ها و چارچوب‌های اصلی شامل الگوریتم ژنتیک CPLEX، Gurobi و Pyomo، ازدحام ذرات و برنامه‌نویسی محدودیت‌ها از ابزارهای اولیه تا پیشرفته، نحوه نصب پایتون و نحوه استفاده از بسته‌های اصلی را بیاموزید (Numpy، Pandas, Matplotlib...) نحوه حل مسائل با آرایه ها و جمع بندی ها پیش نیازها: دانشی در منطق برنامه نویسی چرا و کجا از بهینه سازی استفاده کنیم نیازی به دانستن پایتون نیست.

برنامه ریزی عملیاتی و برنامه ریزی بلند مدت برای شرکت ها در سال های اخیر پیچیده تر شده است. اطلاعات به سرعت تغییر می کند و تصمیم گیری کار سختی است. بنابراین از الگوریتم های بهینه سازی (تحقیق در عملیات) برای یافتن راه حل های بهینه برای این مسائل استفاده می شود. حرفه ای ها در این زمینه یکی از با ارزش ترین ها در بازار هستند.

در این دوره آموزشی می آموزید که برای حل مسائل مربوط به بهینه سازی ریاضی و فراابتکاری چه مواردی لازم است:

  • برنامه نویسی خطی ( LP )

  • برنامه نویسی خطی عدد صحیح مختلط ( MILP )

  • برنامه نویسی غیرخطی ( NLP )

  • برنامه‌نویسی خطی عدد صحیح مختلط (MINLP)

  • الگوریتم ژنتیک ( GA )

  • مشکلات بهینه سازی چند هدفه با NSGA-II (مقدمه)

  • ازدحام ذرات ( PSO )

  • برنامه نویسی محدود ( CP )

  • برنامه نویسی مخروطی مرتبه دوم ( SCOP )

  • برنامه نویسی درجه دوم غیر محدب ( QP )


حل‌کننده‌ها و چارچوب‌های زیر بررسی خواهند شد:

  • حل کننده ها: CPLEX – Gurobi – GLPK – CBC – IPOPT – Couenne – SCIP

  • چارچوب‌ها: Pyomo – Or-Tools – PuLP – Pymoo

  • بسته‌ها و ابزارهای مشابه: گوریتم ژنتیکی – Pyswarm – Numpy – Pandas – MatplotLib – Spyder – Jupyter Notebook


علاوه بر این، نحوه اعمال برخی از تکنیک های خطی سازی را هنگام استفاده از متغیرهای باینری خواهید آموخت.


علاوه بر کلاس ها و تمرین ها، مشکلات زیر نیز مرحله به مرحله حل می شود:

  • بهینه سازی نحوه نصب حصار در باغ

  • مشکل بهینه سازی مسیر

  • درآمد را در یک فروشگاه اتومبیل کرایه ای به حداکثر برسانید

  • جریان توان بهینه: سیستم‌های الکتریکی

  • بسیاری مثال های دیگر، برخی ساده، برخی پیچیده، از جمله جمع بندی و بسیاری از محدودیت ها.


کلاس‌ها از نمونه‌هایی استفاده می‌کنند که گام به گام ایجاد می‌شوند، بنابراین الگوریتم‌ها را با هم ایجاد می‌کنیم.

علاوه بر این که این دوره بیشتر بر رویکردهای ریاضی متمرکز است، همچنین یاد خواهید گرفت که چگونه با استفاده از هوش مصنوعی (AI)، الگوریتم ژنتیک و ازدحام ذرات، مسائل را حل کنید.

اگر پایتون یا نحوه کدنویسی را بلد نیستید نگران نباشید، من همه چیزهایی را که برای شروع بهینه سازی نیاز دارید، از نصب پایتون و اصول اولیه آن گرفته تا مسائل پیچیده بهینه سازی را به شما آموزش می دهم. همچنین، من یک مقدمه خوب در مورد مدل سازی ریاضی ایجاد کرده ام، بنابراین شما می توانید شروع به حل مسائل خود کنید.

امیدوارم این دوره بتواند به شما در حرفه شما کمک کند. با این حال، شما یک گواهینامه از Udemy دریافت خواهید کرد.


تحقیق در عملیات | تحقیقات عملیاتی | بهینه سازی ریاضی


شما را در کلاس ها می بینیم!


سرفصل ها و درس ها

نمایش نظرات

آموزش بهینه سازی با پایتون: حل مسائل تحقیق در عملیات
جزییات دوره
12.5 hours
103
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
6,273
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Rafael Silva Pinto Rafael Silva Pinto

مشاور بهینه سازی و علوم داده، دکتری