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

الگوریتم تجزیه بندرز خودکار CPLEX

در نسخه‌ی ۱۲٫۷ نرم‌افزار [icon name=”external-link” class=”” unprefixed_class=””] 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 [icon name=”external-link” class=”” unprefixed_class=””] ANACONDA به همراه مثال تشریح خواهد شد. جهت کسب اطلاعات بیشتر به راهنمای [icon name=”external-link” class=”” unprefixed_class=””] 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.

بیشتر بخوانید