نسخه جدید CPLEX با طعم یادگیری ماشینی !

 

بالاخره پس از سال‌ها گفتمان در خصوص امکان حل مسایل بهینه‌سازی با استفاده از مفاهیم یادگیری ماشینی، نرم‌افزار CPLEX از نسخه جدید ۱۲٫۱۰ با امکان بهره‌گیری از ابزارهای یادگیری ماشینی machine learning رونمایی کرد. این رویکرد مزایای فراوانی در پی دارد، مانند تخمین توابع هدف مبهم unknown objective functions، تخمین فضای حل نامحدب، مسایل بهنیه‌سازی ترکیبیاتی با تعداد متغیر بسیار زیاد یا محدودیت‌های سخت ارضاشونده اشاره کرد. در این پست قصد داریم گام به گام یک مساله ساده را با اتصال نرم‌افزار به فضای ابری IBM Watson حل نماییم.

بیشتر بخوانید

انتشار فصل کتاب بهینه سازی استوار مبتنی بر داده Data Driven Robust Optimization

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.

بیشتر بخوانید

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.

بیشتر بخوانید

بهینه سازی مبتنی بر داده Data Driven Optimization

حوزه تحقیق در عملیات به دلایل تاریخی و کمبود اطلاعات لزوما بر پایه‌های مدل‌ها و مسایل کلاسیک بنا شده است. بسیاری از روش‌های کمی جهت تصمیم‌گیری، بر اساس مدل‌سازی‌ها و مفروضات آماری بنا شده که اهمیت چندانی به کیفیت و ویژگی داده‌هایی که باید در آن بستر بکار گرفته شوند داده نمی‌شود. تنها خروجی آنها در نهایت تخمین یا بهینه‌سازی است. همچین در رویکردهای سنتی مواجهه با عدم قطعیت، فرض می‌شود که به دلیل کمبود یا نبود اطلاعات متوسل به ابزارهای تصمیم‌گیری تحت شرایط عدم قطعیت شده‌ایم. برعکس، در رویکردهای تصمیم‌گیری مبتنی بر داده، عدم قطعیت به دلیل حجم انبوه داده‌ها و انفجار اطلاعاتی رخ می‌دهد.

بیشتر بخوانید