این فصل‌کتاب تلاشی در راستای معرفی متدولوژی‌های عمده ترکیب علوم داده‌ای و تئوری چندوجهی polyhedral theory با علم بهینه‌سازی استوار است. خروجی این رویکرد تولید جواب‌های استوار با محافظه‌کاری کمتری است.
اجرای دسته ای و گروهی کدهای cplex
مدتی است دوستان علاقه‌مند به وب‌سایت ortimes درخواست‌های مکرری جهت ارائه سازوکار مشخص و باثباتی جهت حل دسته‌ای (گروهی) مسائل در نرم‌افزار cplex به همراه چندین دیتاست مختلف داشته‌اند.
توجه !روی سخن ما کاربرانی که از conert technology بهره می‌برند، نیست. طبیعتاً راه‌های ساده‌تری برای انجام این مهم با استفاده از این فناوری وجود دارد.
برای کاربرانی که از محیط IBM ILog CPLEX Optimization Studio استفاده می‌کنند یک راه‌حل موقتی در همین وب‌سایت ارائه گردید:
فایل اکسل اجرای کد CPLEX در تکرارهای مختلف
در این پست قصد داریم راه‌حل کاراتر دیگری را ارائه دهیم.
فراخوانی داده از فایل اکسل در تکرارهای مختلف در CPLEX
تا حالا شده که یک مساله را با داده‌های مختلف در چندین تکرار حل کنید؟ این بسته به شما کمک میکنه تا در نرم افزار cplex یک کد را چندین بار حل کنید.
همکاری پژوهشی در حوزه زنجیره های بلوکی blockchain
از کلیه علاقه‌مندان حوزه بلاک‌چین، مهندسین صنایع و پژوهشگران علوم داده‌ای و بهینه‌سازی دعوت می‌گردد در صورت علاقه‌مندی برای همکاری پژوهشی در موارد قید شده ذیل با آدرس الکترونیکی m.n.shenas@chmail.ir تماس حاصل فرمایند:
۱- ارتقای سیستم اثبات کار proof of work یا POW
۲- ارتقای سیستم اثبات سهام proof of stake یا POS
۳- ارتقای قراردادهای هوشمند smart contracts و ژتون‌دهی tokenization
پیشنیاز —> تسلط به مفاهیم تحقیق در عملیات ۱ و ۲ و اصول مدل‌سازی ریاضی
سمینار مقدمه ای بر بلاک چین – دانشگاه علم و صنعت
خب! تا اینجای کار یک سمینار به اتفاق همدیگه برگزار کردیم. اگه موفق به شرکت در این سمینار نشدید در روزهای آتی فایل صوتی و اسلایدها را در سایت قرار می دهیم.
همانطور که در سمینار صحبتش رو هم کردیم، در صورتی که تجربه یا ایده‌ی خاصی در خصوص حفاظت از حقوق مولفین در فضای تولید محتوی با استفاده از فناوری بلاک‌چین داشتید، لطفا در این صفحه به اشتراک بگذارید.
شمارش تعداد جواب‌های مربع جادویی در CP Optimizer
مسایل برنامه‌ریزی عدد صحیح اغلب دارای جواب‌های بهینه یا شدنی چندگانه هستند و برای طراحی الگوریتم‌های کارا این جواب‌های چندگانه و ساختارهای موازی شناسایی می‌شوند. در این پست قصد داریم تعداد جواب‌های شدنی مساله‌ی مربع جادویی magic square را نه به کمک روش‌های تحلیلی بلکه به کمک نرم‌افزار CPLEX و توابع جستجوی موجود در آن، شمارش کنیم.
فراخوانی ماتریس سه بعدی از اکسل در CPLEX
اخیرا سوالات و مشکلات زیادی در خصوص نحوه‌ی تعامل نرم‌افزار CPLEX با نرم‌افزار اکسل دریافت نموده‌ایم. در این پست قصد داریم نحوه‌ی ارتباط اساسی این دو نرم‌افزار و نحوه‌ی ورود و فراخوانی پارامترهای سه بعدی از نرم‌افزار اکسل را تشریح کنیم.
الگوریتم آزادسازی لاگرانژ در گروبی Gurobi
آزاد سازی لاگرانژ Lagrangian Relaxation یکی از تکنیک‌های ابتکاری رایج در حل مسائل بهینه‌سازی ترکیبیاتی است. این الگوریتم که مبتنی بر قضیه لاگرانژ است با آزادسازی همه یا برخی از محدودیت‌های مسئله، اطلاعاتی از جواب بهینه مسئله اصلی فراهم می‌کند. در این پست قصد داریم تکنیک آزادسازی لاگرانژ را بر روی مسئله تخصیص تعمیم‌یافته Generalized Assignment Problem به کمک نرم‌افزار Gurobi در پلتفرم پایتون پیاده‌سازی نماییم. هدف این مسئله بیشینه نمودن میزان تخصیص هر تسهیل به گره تقاضا به شرط محدودیت‌های متناظر است.
چاپ مقاله بهینه سازی استوار مبتنی بر رویداد و خصیصه
بهینه‌سازی استوار یکی از مفاهیم مهم در زمینه‌ی مدل‌سازی رویدادهای غیرقطعی به کمک مجموعه‌های عدم قطعیت uncertainty sets است. این رویکرد در سال‌های اخیر با موفقیت‌های بسیاری روبرو شده است. مهم‌ترین دلیل این موفقیت را می‌توان مزایای رایانشی مدل‌های ریاضی آمیخته با این رویکرد، در قیاس با سایر رویکردهای مواجهه با عدم قطعیت دانست.
الگوریتم تجزیه بندرز خودکار CPLEX
در نسخه‌ی ۱۲٫۷ نرم‌افزار CPLEX رویه‌ی جدیدی جایگزین هسته‌ای اصلی الگوریتم حل یعنی شاخه و برش Branch and Cut مطرح گردید. تحت این رویه مساله‌ی اولیه به یک مساله‌ی اصلی Master و یک یا چند زیرمساله Worker تجزیه می‌شود. این رویه در ادبیات علم بهینه‌سازی به الگوریتم تجزیه بندرز Benders Decomposition مشهور است. در این پست نحوه‌ی بکارگیری رویه بندرز در پلتفرم پایتون PYTHON در رابط کاربری SPYDER نرم‌افزار ANACONDA به همراه مثال تشریح خواهد شد. جهت کسب اطلاعات بیشتر به راهنمای Prescriptive Analytics for Python مراجعه نمایید.
توجه !این راهنما برای کاربرانی قابل استفاده است که اشتراک نسخه‌ی ابری Decision Optimization on the Cloud شرکت IBM را تهیه نموده‌اند.