Name: Nhập môn Tối ưu hóa với Python
Rating: 4.804255319148936 (235 reviews)

Mô tả khóa học

Các bài toán tối ưu hóa hiện diện khắp nơi trong các ngành kỹ thuật, khoa học tự nhiên và khoa học xã hội. Khóa học này sẽ giúp bạn từ chỗ chưa biết gì về tối ưu hóa trở thành cao thủ tối ưu hóa. Bạn sẽ sử dụng mô hình hóa toán học để chuyển các vấn đề thực tế thành bài toán toán học, sau đó giải chúng bằng Python với các gói SciPy và PuLP.

Ứng dụng Giải tích vào các bài toán tối ưu hóa không ràng buộc với SymPy

Bạn sẽ bắt đầu bằng cách tìm hiểu định nghĩa bài toán tối ưu hóa và các trường hợp ứng dụng của bài toán này. Bạn sẽ sử dụng SymPy để áp dụng phép tính vi tích phân và tìm nghiệm giải tích cho các bài toán tối ưu hóa không ràng buộc. Bạn sẽ không phải tính đạo hàm hay giải phương trình; SymPy xử lý mọi việc thật dễ dàng! Tương tự, bạn sẽ sử dụng SciPy để tìm lời giải số.

Trực tiếp giải quyết những vấn đề phức tạp

Tiếp theo, bạn sẽ học cách giải các bài toán quy hoạch tuyến tính bằng SciPy và PuLP. Để nắm bắt độ phức tạp của các vấn đề trong thực tế, bạn sẽ tìm hiểu cách ứng dụng PuLP và SciPy để giải các bài toán tối ưu hóa lồi có ràng buộc và tối ưu hóa nguyên hỗn hợp. Khi hoàn thành khóa học này, bạn sẽ giải quyết được các bài toán tối ưu hóa trong thực tế liên quan đến sản xuất, lợi nhuận và lập ngân sách, phân bổ nguồn lực cùng nhiều lĩnh vực khác.

Yêu cầu tiên quyết

Introduction to NumPy

Chương trình học

Đề cương khóa học

Giới thiệu về Tối ưu hóa

Chương này giới thiệu về tối ưu hóa, các thành phần cốt lõi và phạm vi ứng dụng rộng khắp các ngành và lĩnh vực. Chương trình bày một phương pháp tìm kiếm vét cạn nhanh để giải một bài toán tối ưu. Đồng thời cung cấp phần toán nền tảng cho các khái niệm cần thiết trong khóa học này.

Bắt đầu chương

Tối ưu hóa không ràng buộc và ràng buộc tuyến tính

Chương này đề cập đến cách giải các bài toán tối ưu hóa không ràng buộc và có ràng buộc bằng giải tích vi phân và SymPy, đồng thời chỉ ra những cạm bẫy thường gặp. SciPy cũng được giới thiệu để giải các bài toán tối ưu hóa không ràng buộc, một biến và nhiều biến, theo cách số với chỉ vài dòng mã. Tiếp theo, chương sẽ giải bài toán quy hoạch tuyến tính bằng SciPy và PuLP.

Bắt đầu chương

Tối ưu hóa phi tuyến có ràng buộc

Chương này giới thiệu các bài toán tối ưu hóa lồi có ràng buộc với nhiều dạng ràng buộc khác nhau và xem xét các bài toán quy hoạch tuyến tính số nguyên hỗn hợp, tức là các bài toán quy hoạch tuyến tính trong đó có ít nhất một biến là số nguyên.

Bắt đầu chương

Các kỹ thuật Tối ưu hóa vững

Chương này đề cập đến việc tìm nghiệm tối ưu toàn cục khi tồn tại nhiều nghiệm tốt. Chúng ta sẽ thực hiện phân tích độ nhạy và học các kỹ thuật tuyến tính hóa để biến đổi các bài toán phi tuyến thành các bài toán dễ giải bằng SciPy hoặc PuLP. Về ứng dụng, chúng ta sẽ giải bài toán phân bổ nhân sự có chi phí đào tạo và bài toán lập ngân sách vốn với các dự án phụ thuộc lẫn nhau.