Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
Operations_Research_and_Optimization_in_Julia_AliPapi_Optimyar.pdf
15.7 MB
❇️ پیادهسازی مدلهای بهینهسازی و OR در زبان برنامهنویسی جولیا (Julia) ❇️
یکی دیگر از آلترناتیوهای پیادهسازی مدلهای بهینهسازی و تحقیق در عملیات، استفاده از زبان برنامهنویسی جولیا و استفاده از API سالورهایی مثل CPLEX و ... در اون هست.
جولیا جزء زبانهای برنامهنویسی سطح بالا و نزدیک به زبان انسان به حساب میآد و بعضا میتونه یک جایگزین خوب برای پایتون باشه و برخی از اساتید دانشگاه نیز اون رو ارجحتر از پایتون میدونن (البته اینطوری نیست لزوما)
به هر حال، کتاب فوق یک منبع خوب برای پیادهسازی مدلهای بهینهسازی به زبان برنامهنویسی جولیا هست.
#jula
#جولیا
#Optimization
یکی دیگر از آلترناتیوهای پیادهسازی مدلهای بهینهسازی و تحقیق در عملیات، استفاده از زبان برنامهنویسی جولیا و استفاده از API سالورهایی مثل CPLEX و ... در اون هست.
جولیا جزء زبانهای برنامهنویسی سطح بالا و نزدیک به زبان انسان به حساب میآد و بعضا میتونه یک جایگزین خوب برای پایتون باشه و برخی از اساتید دانشگاه نیز اون رو ارجحتر از پایتون میدونن (البته اینطوری نیست لزوما)
به هر حال، کتاب فوق یک منبع خوب برای پیادهسازی مدلهای بهینهسازی به زبان برنامهنویسی جولیا هست.
#jula
#جولیا
#Optimization
👍1
Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
این سوال کوتاه ولی قشنگ شما جواب بسیار طولانی داره. خوندن این سه مقاله بخصوص اون مورد سوم که خیلی قشنگ توضیح داده رو بهتون پیشنهاد میکنم.
این رو بدونید که بهینهسازی مدرن تحت عدم قطعیت یعنی شما باید هم مدلسازی و تکنیک و الگوریتمهای بهینهسازی رو بدونید و هم از ابزار پردازش دادههای پیشین به درستی استفاده کنید. حالا این ابزار میتونید یک تکنیک clustering باشه، میتونه یک رگرسیون لجستیک باشه، میتونه یک کاهش ابعاد باشه، میتونه یک رگرسیون عمیق باشه و الی آخر. البته دقت کنید اینا شاخههای MLRO هستن و شاخه DRO تمرکزش بیشتر روی ایجاد مجموعه توزیعها است. در ضمن دقت کنید که کاسبی واژه هایی مثل data scientist و data science و امثال اینا هم زیاد شده و مواظب باشید با چهار تا رگرسیون و دو تا نکته ساده آماری وقت شما رو با کلمه های درشت تلف نکنند.
این رو بدونید که بهینهسازی مدرن تحت عدم قطعیت یعنی شما باید هم مدلسازی و تکنیک و الگوریتمهای بهینهسازی رو بدونید و هم از ابزار پردازش دادههای پیشین به درستی استفاده کنید. حالا این ابزار میتونید یک تکنیک clustering باشه، میتونه یک رگرسیون لجستیک باشه، میتونه یک کاهش ابعاد باشه، میتونه یک رگرسیون عمیق باشه و الی آخر. البته دقت کنید اینا شاخههای MLRO هستن و شاخه DRO تمرکزش بیشتر روی ایجاد مجموعه توزیعها است. در ضمن دقت کنید که کاسبی واژه هایی مثل data scientist و data science و امثال اینا هم زیاد شده و مواظب باشید با چهار تا رگرسیون و دو تا نکته ساده آماری وقت شما رو با کلمه های درشت تلف نکنند.
Forwarded from optimyar_demo
پاسخ به سوال فوق
چند نکته رو برای شما و همه دوستان دیگه به طور خلاصه عرض میکنم.
قبل از هرچیزی دقت کنید که فریب تبلیغات کذایی و دورههای منفعتطلبانهای که با واژههایی مثل علم داده (Data Science)، دانشمند داده (Data Scientist) دوره 0 تا 100 علم داده و ... نخورید. پردازش داده و تکنیک های مختلف برای Data Analytics همیشه کاربردی بوده ولی چیز جدیدی نبوده و نیست. البته میتونیم بگیم کابردهای تکنیکهای Analytics مهمتر شده (هر چهارتا شاخه Analytics که قبلا اینجا معرفی کردم بخصوص شاخه predictive و prescriptive)
متاسفانه دورههای زیادی و عمدتا کم کیفیت در ایران در این زمینه کم برگزار نشده (البته با احترام به تعداد محدودی که زحمت کشیدن). بازخوردی که بنده از بسیاری از دوستان و فراگیران داشتم، عمدتا همون تکنیکها آمار و احتمال رو با چند تا الگوریتم یادگیری ماشین به عنوان علم داده ارائه میدن!!!!
پیشنهاد بنده اینه که اگر به این شاخه پرکاربرد (ولی نه جدید) علاقهمند هستید، مهارتها و پیکره دانش زیر رو در خودتون تقویت کنید (دقت کنید که عمده این تقویت میتونه به صورت self-study باشه و از منابع free استفاده شه)
✅ حتما ریاضیات پایه و به طور خاص شاخه Calculus و Linear Algebra و Numerical Analysis رو تقویت کنید. (از اونا نباشیم که مفاهیم ساده مثل ترانهاده یک ماتریس و یا مثلا مفهوم ترکیب خطی و نظریه تبدیل رو نمیدونن ولی پروفایل لینکدین میزنن دانشمند داده 😕 )
✅ اصول و مبانی کامپیوتر رو بهتره بیشتر بشناسیم. بهتره با یک زبان برنامهنویسی تسلط خوبی داشته باشید (نه لزوما Python) و ساختمان داده، پایگاه داده و این مطالب رو از کتب و منابع مهندسی/علوم کامپیوتر مطالعه کنید. (از اونا نباشیم که مفاهیم یک برنامه کامیپوتری و ساختارهای اصلی رو هم نمدوننولی ولی پروفایل لینکدین میزنن دانشمند داده 😕 )
✅ هوش مصنوعی (Artificial Intelligence) و به طور خاص شاخه هوش محاسباتی (Computational Intelligence) رو تمرکز ویژه داشته باشید و دقت کنید که خیلی از الگوریتمهای پیشبینی، یادگیری ماشین و ... ن زیرمجموعه این بخش شن. (از اونا نباشیم که فرق رگرسیون خطی و غیرخطی، فرق خوشهبندی و دستهبندی و امثالهم رو نمیدونن و میزنن متخصص یادگیری ماشین ولی پروفایل لینکدین میزنن دانشمند داده 😕 )
✅ آمار کاربردی هم شاخه توصیفی (Descriptive) و به خصوص شاخه (Inferential Statistics) رو تقویت کنید و سعی کنید متریکهای مهم آماری و نظریه تخمین رو با کتب و منابع فراوان موجود مطالعه یا بازخوانی دقیق تر داشته باشید. کتاب شلدون راس و مونتگومری خیلی خوب هستند. (از اونا نباشیم که مفاهیم ساده آماری مثل میانگین، واریانس و مد رو نمیدونن، تفاوت برآوردگر فاصله ای و نقطهای رو نمیدونن، تفاوت PDF و CDF رو نمیدونن و ...، ولی پروفایل لینکدین میزنن دانشمند داده 😕 )
✅ دقت داشته باشیم که پشت بسیاری از الگوریتم و مدلهای پیشبینی و تجویز که محققین این حوزه استفاده میکنند، کلی الگوریتم و تکنیکهای بهینهسازی عددی و تحلیلی هست. سعی کنید مثل خیلیا به صورت black box از اونا استفاده نکنید و دقت کنید خیلی وقتا مهم هست شما یک معماری خاص و الگوریتم یادگیری ماشین خاص برای مسئله تون داشته باشید که لزوما الگوریتم بهینهسازی از پیش تعریف شده کارایی و عمکرد مناسبی برای بهینه کردن پارامترهای اون شبکه ندارن. بنابراین، سعی کنید حداقل اصول و پایه روشهای بهینهسازی رو بدونید. در این پست انواع رویکردهای بهینهسازی و تصمیمگیری رو بهتون گفتم (اینجا) . دو کتاب زیر و استناد چندهزارتایی اونا اهمیت و وابستگی شدید ML به تکنیکها و الگوریتم های Optimization رو نشون میده:
Optimization methods for large-scale machine learning
Practical bayesian optimization of machine learning algorithms
❇️ جمعبندی:
در حال حاضر، ترکیبی از دانشهای علوم کامپیوتر، ریاضیات کاربردی و تکنیکهای آماری و کسب مهارتهایی مثل برنامهنویسی و طراحی الگوریتم، مورد توجه بسیاری از شرکتها و بیزینسهاست چراکه موجب میشه بتونن تحلیل و بهینهسازی مناسبی در تصمیمگیریهاشون داشته باشند. معمولا در این پروسه، دادهها و اطلاعات فعلی و پیشبینی شرایط آینده بسیار مهم است و ارزش داده رو بیشتر میکنه و باعث شده، با کمی افراط، ترکیب این موارد تحت عنوان علم داده بکارگرفته شه. در هر صورت، این شاخه کابردی با هر اسمی هم که استفاده شه در سراسر دنیا مورد نیاز بوده و هست و متخصصان اون میتونن تضمین و تامین مالی خوبی داشته باشند. ذکر این نکته بسیار مهم است که متخصص بودن صرفا به معنای برگزار کردن چند دوره آموزشی، گذراندن یک مقطع در یک دانشگاه خارجی و عنوانهای بامزه در لیندکین نیست.
#DataScience
#Analytics
چند نکته رو برای شما و همه دوستان دیگه به طور خلاصه عرض میکنم.
قبل از هرچیزی دقت کنید که فریب تبلیغات کذایی و دورههای منفعتطلبانهای که با واژههایی مثل علم داده (Data Science)، دانشمند داده (Data Scientist) دوره 0 تا 100 علم داده و ... نخورید. پردازش داده و تکنیک های مختلف برای Data Analytics همیشه کاربردی بوده ولی چیز جدیدی نبوده و نیست. البته میتونیم بگیم کابردهای تکنیکهای Analytics مهمتر شده (هر چهارتا شاخه Analytics که قبلا اینجا معرفی کردم بخصوص شاخه predictive و prescriptive)
متاسفانه دورههای زیادی و عمدتا کم کیفیت در ایران در این زمینه کم برگزار نشده (البته با احترام به تعداد محدودی که زحمت کشیدن). بازخوردی که بنده از بسیاری از دوستان و فراگیران داشتم، عمدتا همون تکنیکها آمار و احتمال رو با چند تا الگوریتم یادگیری ماشین به عنوان علم داده ارائه میدن!!!!
پیشنهاد بنده اینه که اگر به این شاخه پرکاربرد (ولی نه جدید) علاقهمند هستید، مهارتها و پیکره دانش زیر رو در خودتون تقویت کنید (دقت کنید که عمده این تقویت میتونه به صورت self-study باشه و از منابع free استفاده شه)
✅ حتما ریاضیات پایه و به طور خاص شاخه Calculus و Linear Algebra و Numerical Analysis رو تقویت کنید. (از اونا نباشیم که مفاهیم ساده مثل ترانهاده یک ماتریس و یا مثلا مفهوم ترکیب خطی و نظریه تبدیل رو نمیدونن ولی پروفایل لینکدین میزنن دانشمند داده 😕 )
✅ اصول و مبانی کامپیوتر رو بهتره بیشتر بشناسیم. بهتره با یک زبان برنامهنویسی تسلط خوبی داشته باشید (نه لزوما Python) و ساختمان داده، پایگاه داده و این مطالب رو از کتب و منابع مهندسی/علوم کامپیوتر مطالعه کنید. (از اونا نباشیم که مفاهیم یک برنامه کامیپوتری و ساختارهای اصلی رو هم نمدوننولی ولی پروفایل لینکدین میزنن دانشمند داده 😕 )
✅ هوش مصنوعی (Artificial Intelligence) و به طور خاص شاخه هوش محاسباتی (Computational Intelligence) رو تمرکز ویژه داشته باشید و دقت کنید که خیلی از الگوریتمهای پیشبینی، یادگیری ماشین و ... ن زیرمجموعه این بخش شن. (از اونا نباشیم که فرق رگرسیون خطی و غیرخطی، فرق خوشهبندی و دستهبندی و امثالهم رو نمیدونن و میزنن متخصص یادگیری ماشین ولی پروفایل لینکدین میزنن دانشمند داده 😕 )
✅ آمار کاربردی هم شاخه توصیفی (Descriptive) و به خصوص شاخه (Inferential Statistics) رو تقویت کنید و سعی کنید متریکهای مهم آماری و نظریه تخمین رو با کتب و منابع فراوان موجود مطالعه یا بازخوانی دقیق تر داشته باشید. کتاب شلدون راس و مونتگومری خیلی خوب هستند. (از اونا نباشیم که مفاهیم ساده آماری مثل میانگین، واریانس و مد رو نمیدونن، تفاوت برآوردگر فاصله ای و نقطهای رو نمیدونن، تفاوت PDF و CDF رو نمیدونن و ...، ولی پروفایل لینکدین میزنن دانشمند داده 😕 )
✅ دقت داشته باشیم که پشت بسیاری از الگوریتم و مدلهای پیشبینی و تجویز که محققین این حوزه استفاده میکنند، کلی الگوریتم و تکنیکهای بهینهسازی عددی و تحلیلی هست. سعی کنید مثل خیلیا به صورت black box از اونا استفاده نکنید و دقت کنید خیلی وقتا مهم هست شما یک معماری خاص و الگوریتم یادگیری ماشین خاص برای مسئله تون داشته باشید که لزوما الگوریتم بهینهسازی از پیش تعریف شده کارایی و عمکرد مناسبی برای بهینه کردن پارامترهای اون شبکه ندارن. بنابراین، سعی کنید حداقل اصول و پایه روشهای بهینهسازی رو بدونید. در این پست انواع رویکردهای بهینهسازی و تصمیمگیری رو بهتون گفتم (اینجا) . دو کتاب زیر و استناد چندهزارتایی اونا اهمیت و وابستگی شدید ML به تکنیکها و الگوریتم های Optimization رو نشون میده:
Optimization methods for large-scale machine learning
Practical bayesian optimization of machine learning algorithms
❇️ جمعبندی:
در حال حاضر، ترکیبی از دانشهای علوم کامپیوتر، ریاضیات کاربردی و تکنیکهای آماری و کسب مهارتهایی مثل برنامهنویسی و طراحی الگوریتم، مورد توجه بسیاری از شرکتها و بیزینسهاست چراکه موجب میشه بتونن تحلیل و بهینهسازی مناسبی در تصمیمگیریهاشون داشته باشند. معمولا در این پروسه، دادهها و اطلاعات فعلی و پیشبینی شرایط آینده بسیار مهم است و ارزش داده رو بیشتر میکنه و باعث شده، با کمی افراط، ترکیب این موارد تحت عنوان علم داده بکارگرفته شه. در هر صورت، این شاخه کابردی با هر اسمی هم که استفاده شه در سراسر دنیا مورد نیاز بوده و هست و متخصصان اون میتونن تضمین و تامین مالی خوبی داشته باشند. ذکر این نکته بسیار مهم است که متخصص بودن صرفا به معنای برگزار کردن چند دوره آموزشی، گذراندن یک مقطع در یک دانشگاه خارجی و عنوانهای بامزه در لیندکین نیست.
#DataScience
#Analytics
👍2
Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
Production and Operations Management _ Optimyar.com.pdf
2.8 MB
این کتاب در حوزه Production & Operations Management بنظر بنده خیلی بیان خوبی داره
Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
❇️ روشهای رایج برای حل مسائل برنامهریزی تصادفی/سناریومحور تصادفی چندمرحلهای (Multi-Stage Stochastic Programming)
یکی از رویکردهای بهینهسازی در شرایط عدمقطعیت پویا، برنامهریزی تصادفی/سناریومحور تصادفی چندمرحلهای (Multi-Stage Stochastic Programming) یا اختصارا MSSP است که مهمترین ویژگی آن امکان تعدیل/تطبیق پاسخ طی دورهها/مراحل تصمیمگیری است.
اگر فرمولاسیون یک مسئله بهینهسازی تحت عدمقطعیت به صورت یک مدل MSSP باشد و تعداد سناریوهای حاصل از درخت سناریو زیاد باشد، معمولا سالورهای رایج از جمله CPLEX قادر به حل کارا آنها نیستند (حتی به فرض آنکه فرمولاسیون مدل MSSP خطی یا قابل خطیسازی باشد). بنابراین، برای مدلهای MSSP در پژوهشهای مختلف معمولا روش حل باید ارائه شود که در تصویر فوق چند مورد رایجتر آورده شده است.
#MSSP
#Uncertainty
#Optimization
#برنامهریزی_تصادفی_چندمرحلهای
یکی از رویکردهای بهینهسازی در شرایط عدمقطعیت پویا، برنامهریزی تصادفی/سناریومحور تصادفی چندمرحلهای (Multi-Stage Stochastic Programming) یا اختصارا MSSP است که مهمترین ویژگی آن امکان تعدیل/تطبیق پاسخ طی دورهها/مراحل تصمیمگیری است.
اگر فرمولاسیون یک مسئله بهینهسازی تحت عدمقطعیت به صورت یک مدل MSSP باشد و تعداد سناریوهای حاصل از درخت سناریو زیاد باشد، معمولا سالورهای رایج از جمله CPLEX قادر به حل کارا آنها نیستند (حتی به فرض آنکه فرمولاسیون مدل MSSP خطی یا قابل خطیسازی باشد). بنابراین، برای مدلهای MSSP در پژوهشهای مختلف معمولا روش حل باید ارائه شود که در تصویر فوق چند مورد رایجتر آورده شده است.
#MSSP
#Uncertainty
#Optimization
#برنامهریزی_تصادفی_چندمرحلهای
❤1
Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
تکنیک_جدید_کاهش_بهینه_سناریوها_در_بهینه_سازی_تصادفی_داده_محور_Ali.pdf
472.1 KB
❇️ مقاله جدید و جالب روش کاهش سناریو (Scenario Reduction) به صورت کارا و بهینه برای مسائل برنامهریزی تصادفی دادهمحور.
https://pubsonline.informs.org/doi/epdf/10.1287/opre.2022.2265
https://pubsonline.informs.org/doi/epdf/10.1287/opre.2022.2265
یک_کتاب_عالی_برای_مباحث_احتمال_و_آمار_مهندسی_در_علم_تجزیه_و_تحلیل.pdf
8.4 MB
❇️ یک کتاب عالی برای مباحث احتمال و آمار مهندسی در علم تجزیه و تحلیل داده
Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
سوالتون رو مستقیم مطرح کنید.
در زمینه بازیهای تکاملی (ٍEvolutionary Game) کتب زیر بهترین منبع هست
https://books.google.com/books?hl=en&lr=&id=m98ed0_Na1sC&oi=fnd&pg=PA1&dq=evolutionary+game+&ots=i_I07GIxYY&sig=GDXOPKj9oCtIBR4qIg2XywZ5Yc8#v=onepage&q=evolutionary%20game&f=false
در زمینه بازیهای تکاملی (ٍEvolutionary Game) کتب زیر بهترین منبع هست
https://books.google.com/books?hl=en&lr=&id=m98ed0_Na1sC&oi=fnd&pg=PA1&dq=evolutionary+game+&ots=i_I07GIxYY&sig=GDXOPKj9oCtIBR4qIg2XywZ5Yc8#v=onepage&q=evolutionary%20game&f=false
Google Books
Evolutionary Game Theory
Introduces current evolutionary game theory--where ideas from evolutionary biology and rationalistic economics meet--emphasizing the links between static and dynamic approaches and noncooperative game theory. This text introduces current evolutionary game…
Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
John_R__Birge,_François_Louveaux.pdf
4.4 MB
Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
Media is too big
VIEW IN TELEGRAM
✅ مدلهای پایه (Benchmark) بهینهسازی
با کدهای آماده(Free) به زبان GAMS
***********
لینک ویدئو:
https://t.me/c/1052852390/178324
لینک سایت معرفیشده:
https://www.amsterdamoptimization.com/benchmarkmodels.html
***********
#BasicModel
#Codes
#GAMS
***********
❇️ optimyar.com
Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
❇️ فرمولاسیون فشرده مسئله طراحی شبکه زنجیره تامین (Supply Chain Network Design Problem)
#لینکدین پست (کلیک کنید)
#لینکدین پست (کلیک کنید)
Linkedin
Ali Papi on LinkedIn: #supplychain #optimization #modeling #operationsmanagement…
❇️ Compact Optimization Model for Supply Chain Network Design Problem
In this post, I try to formulate the supply chain network design problem in a compact…
In this post, I try to formulate the supply chain network design problem in a compact…
Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
برای آشنایی با چارچوب کلی اجرای یک مدل بهینهسازی در پایومو (Pyomo) ، مدل حمل و نقل و کد اون به صورت زیر میشه 👇🏻👇🏻
Forwarded from 𝙰𝚕𝚒 𝙿𝚊𝚙𝚒
❇️ دستهبندی انواع مدلهای بهینهسازی برای مسائل کنترل موجودی چنددورهای و برنامهریزی تولید (Inventory and Lot-sizing)
پست اخیر #لینکدین
کلیک کنید
پست اخیر #لینکدین
کلیک کنید
Linkedin
Ali Papi on LinkedIn: Lot-sizing & Inventory Optimization (Ali Papi)
If you wanna review the fundamental models of multiperiod #Lot_sizing and #inevtory #Optimiation #models, especially for the case of backlogging shortage, this…