Build your ultimate AI agent
Kursbeskrivning
Optimeringsproblem är allestädes närvarande inom teknik, naturvetenskap och samhällsvetenskap. Den här kursen tar dig från noll kunskap om optimering till att bli en optimeringshjälte. Du kommer att använda matematisk modellering för att översätta verkliga problem till matematiska och lösa dem i Python med paketen SciPy och PuLP.
Tillämpa kalkyl på optimeringsproblem utan bivillkor med SymPy
Du kommer att börja med att lära dig definitionen av ett optimeringsproblem och dess användningsområden. Du kommer att använda SymPy för att tillämpa kalkyl för att få analytiska lösningar till obunden optimering. Du behöver inte beräkna derivator eller lösa ekvationer; SymPy fungerar sömlöst! På samma sätt kommer du att använda SciPy för att få numeriska lösningar.Ta dig an komplexa problem direkt
Därefter kommer du att lära dig att lösa linjära programmeringsproblem i SciPy och PuLP. För att fånga verklig komplexitet får du se hur du använder PuLP och SciPy för att lösa begränsad konvex optimering och blandad heltalsoptimering. I slutet av den här kursen kommer du att ha löst verkliga optimeringsproblem, inklusive tillverkning, vinst och budgetering, resursallokering med mera.Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till optimering
Det här kapitlet introducerar optimering, dess grundläggande komponenter och dess breda tillämpningar inom olika branscher och områden. Det presenterar en enkel, uttömmande sökmetod för att lösa optimeringsproblem och ger en matematisk genomgång av de begrepp som behövs i kursen.
- Introduktion till matematisk optimering50 XP
- Förstå matematisk optimering50 XP
- Tillämpa en målfunktion100 XP
- Uttömmande sökmetod100 XP
- Univariat optimering50 XP
- Hitta derivatan100 XP
- Beräkna andraderivatan100 XP
- Multivariat optimering50 XP
- Partiella derivator med SymPy100 XP
- Begränsningar med derivering100 XP
2
Obegränsad och linjärt begränsad optimering
Det här kapitlet behandlar lösning av obegränsade och begränsade optimeringsproblem med differentialkalkyl och SymPy, samt identifiering av vanliga fallgropar. SciPy introduceras också för att lösa obegränsade optimeringsproblem – i en och flera dimensioner – numeriskt med bara några rader kod. Kapitlet avslutas med linjär programmering i SciPy och PuLP.
3
Icke-linjär begränsad optimering
Det här kapitlet introducerar konvext begränsade optimeringsproblem med olika typer av bivillkor och undersöker blandad heltalslinjär programmering – det vill säga linjära programmeringsproblem där minst en variabel är ett heltal.
4
Robusta optimeringstekniker
Det här kapitlet handlar om att hitta det globala optimumet när det finns flera goda lösningar. Du genomför känslighetsanalys och lär dig linjäriseringstekniker som omvandlar icke-linjära problem till lättlösta problem med SciPy eller PuLP. Som tillämpningar löser du ett problem med personalallokering och utbildningskostnader samt kapitalbudgetering med beroende projekt.
Introduktion till optimering i Python
Kurs
slutförd
