سلسله وبینارهایی تحت عنوان بهینه‌سازی تحت عدم‌قطعیت optimization under uncertainty با محوریت بهینه‌سازی استوار مبتنی بر داده Data-driven Robust Optimization به میزبانی دانشگاه مونترآل کانادا از مورخ ۲۷ سپتامبر تا ۱ اکتبر برگزار شد.
شمارش تمامی جواب های معمای n وزیر
هدف از معمای n وزیر چینش n تعداد وزیر در یک صفحه n در n شطرنج است به نحوی که هیچ کدام از این مهره‌های وزیر هم‌دیگر را تهدید نکنند. این مهره‌ها بایستی به نحوی چیده شوند که هیچ‌کدام در یک سطر، بک ستون یا یک قطر یکسان قرار نگیرند. بنابراین، باید هر وزیر را در طول، عرض و قطر متفاوتی قرار داد. یک جواب مسئله می‌تواند به صورت بالا باشد.
کارگاه برنامه ریزی عدم قطعیت
مورخ: ۱۶ اردیبهشت ۱۴۰۰ – ساعت: ۱۶ الی ۱۸
رویکرد بهینه‌سازی استوار یکی از رویکردهای کارآمد و پرکاربرد در حوزه برنامه ریزی عدم قطعیت است که روز به روز بر محبوبیت و کاربرد آن در مسائل دنیای واقعی افزوده می گردد. هدف از کارگاه پیش رو، مروری بر مطرح‌ترین رویکردهای حوزه بهینه‌سازی استوار با توجه به میزان دسترسی به داده‌های مسئله می‌باشد. بیشتر بخوانید
دوره بهینه سازی شی گرا در پایتون
تعجبی ندارد که زبان پایتون محبوب‌ترین زبان برنامه‌نویسی در سال ۲۰۲۰ شناخته شد! این زبان هم ساده است و هم قابلیت‌های متنوعی برای کار با انواع داده‌ها فراهم می‌کند. کسانی که با پایتون آشنایی ولو کم دارند می‌دانند که فرایند استخراج، پالایش و گرفتن خروجی در پایتون با سهولتی بی‌نظیر صورت می‌گیرد. از طرفی بار سنگین محاسبات ریاضی را کتابخانه‌های منحصربفردی چون numpy به کمک تکنیک‌های برداری و پردازش موازی، در پایتون به دوش می‌کشد. همچنین پایتون در پوشش پارادایم شی‌گرایی چیزی کم نگذاشته است و به کمک این پارادایم می‌توان برنامه‌های پیچیده و ساختاریافته‌تری توسعه داد.
در این دوره، مبحث شی‌گرایی در قالب علم بهینه‌سازی و در توسعه مدل‌های خطی و عدد صحیح تشریح می‌شود. به همین ترتیب توابع هدف و محدودیت‌های مدل خواص یک شی و مساله مقداردهی شده به عنوان یک شی تداعی می‌شوند. این موارد به کمک کتابخانه‌های pyGurobi و doCplex در پایتون پیاده‌سازی می‌گردند. این رویکرد کمک شایانی به ارتقای کدهای بهینه‌سازی و نوشتن مدل‌های ساختاریافته می‌کند. از طرفی از ابزارهای پالایش داده پایتون جهت تولید پارامترها و همچنین پردازش خروجی‌های مدل بهینه‌سازی استفاده کرد. شرکت در این دوره را به علاقه‌مندان حوزه بهینه‌سازی محاسباتی پیشنهاد می‌کنم.
تولید تمام جواب های بهینه در CPLEX
پارامترهای کنترل تولید جواب در CPLEX
شمارش تعداد جواب‌های بهینه بالاخص زمانی که مساله دارای جواب بهینه چندگانه است از اهمیت خاصی برخوردار است. اهمیت این موضوع در مسایل بهینه‌سازی ترکیبیاتی Combinatorial Optimization یا برنامه‌ریزی عدد صحیح Integer Programming بیشتر احساس می‌شود؛ مخصوصا زمانی که تعداد جواب‌های بهینه نامزد بسیار زیاد بوده و شناسایی این مورد باعث حذف بخش عمده‌ای از فضای شدنی شده و توسعه قواعد غلبه Dominance Rules می‌شود.
تاریخچه کوتاه از بهینه سازی استوار مبتنی بر داده
You can follow-up on my story about
A Brief History of Data-driven Robust Optimization on Medium.com !
صفر تا صد مدل سازی سریع در سیپلکس CPLEX
در این پست صفر تا صد کدنویسی یک مساله زنجیره تامین و تعریف چارچوب اولیه برای مدل‌های ریاضی سناریومحور را در نرم‌فزار سیپلکس CPLEX شرح می‌دهیم. فایل تصویری رایگان در ادامه پست قابل مشاهده است.
صفر تا صد مدل سازی گروبی gurobi در پایتون python (بخش دوم)
با کامنت‌هایی که از دوستان عزیز گرفتم متوجه شدم که بسیاری در مراحل اجرای کدهای گروبی gurobi تحت زبان برنامه‌نویسی پایتون python به مشکل بر می‌خورند. در این پست و پست قبلی صفر تا صد اجرای یک مساله زنجیره تامین ساده تک سطحی و در هر مرحله احتمال بروز برخی مشکلات را بررسی می‌کنیم. در صورتی که هنوز موتور بهینه‌سازی گروبی را با آناکوندا یکپارچه نکرده‌اید، اکیدا توصیه می‌کنم به پست قبلی مراجعه نمایید و تمامی مراحل آن را به دقت اجرا کنید.
صفر تا صد مدل سازی گروبی gurobi در پایتون python (بخش اول)
با کامنت‌هایی که از دوستان عزیز گرفتم متوجه شدم که بسیاری در مراحل اجرای کدهای گروبی gurobi تحت زبان برنامه‌نویسی پایتون python به مشکل بر می‌خورند. در این پست و پست بعدی صفر تا صد اجرای یک مساله زنجیره تامین ساده تک سطحی و در هر مرحله احتمال بروز برخی مشکلات را بررسی می‌کنیم.
دوره های علم داده و پایتون (تجربه شخصی)
شاید شما هم در انبوه دوره های آموزشی علوم داده سردرگم شده باشید. این امری طبیعی است. در این پست چند مورد از دوره هایی که شخصا تجربه کرده و گذرانده‌ام را با شما عزیزان به اشتراک می‌گذارم.