You can follow-up on my story about
A Brief History of Data-driven Robust Optimization on Medium.com !
You can follow-up on my story about
A Brief History of Data-driven Robust Optimization on Medium.com !
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.
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.
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.
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.