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

◀️ ویدئو 👇🏻🎬

✅ 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

❇️ فرمولاسیون فشرده مسئله طراحی شبکه زنجیره تامین (Supply Chain Network Design Problem)

#لینکدین پست (کلیک کنید)

برای آشنایی با چارچوب کلی اجرای یک مدل بهینه‌سازی در پایومو (Pyomo) ، مدل حمل و نقل و کد اون به صورت زیر میشه 👇🏻👇🏻

Mathematical Model

Pyomo Code👇🏻👇🏻

❇️ دسته‌بندی انواع مدل‌های بهینه‌سازی برای مسائل کنترل موجودی چنددوره‌ای و برنامه‌ریزی تولید (Inventory and Lot-sizing)

پست اخیر #لینکدین
کلیک کنید

✅ الگوی کامل فراخوانی داده‌های بدون اندیس، 1-بعدی، 2-بعدی، 3-بعدی و ...، از اکسل (EXCEL) به گمز (GAMS)

#Call #فراخوانی #Excel

دو فایل مکمل (گمز و اکسل) زیر رو هم داشته باشید 👇🏻

❇️ توضیح بسیار کامل و جامع در خصوص بهینه‌سازی و مبحث تجزیه و تحلیل داده (Optimization & Data Analytics)

تجزیه و تحلیل داده موضوع جدیدی نیست. یک مهارت میان رشته‌ای خوب است برگرفته از ترکیب مهارت‌های ریاضی، آمار، تصمیم‌گیری، کامپیوتر (بخصوص AI)، الگوریتم‌ها و غیره (که اخیرا مهارت‌های مربوط به اون بیشتر مورد استفاده قرار میگیره). ما میتونیم در تمام این مهارت‌ها متخصص باشیم و یا بخش خاصی از اون؛ و به صورت teamwork در یک بیزینس فعالیت کنیم)

اما چند نکته‌ای رو در مورد الگوریتم‌ها به طور کلی Solution Method ها گفتید که جا داره اون رو کمی تکمیل/اصلاح کنم. در واقع شما این موضوعات رو صرفا برای تحقیق/آکادمیک خوندید که گاها نیازه و یا فروکش میکنه که با احترام به شما بنده مخالف هستم (البته ممکنه منظور دیگری داشتید ولی ظاهرش اینه). در واقع ما اگر داریم میگیم کاربرد هوش مصنوعی و یادگیری ماشین و تحلیل داده بیشتر شده، پس قطعا نیاز به این مهارت (توسعه Solution Method) بیشتر از پیش هم احساس میشه. در ادامه سوالاتی مطرح میکنم که خطاب به شما نیست و برای روش کردن اهمیت روش‌های حل و الگوریتم‌های بهینه‌سازی است.

موضوع علم داده (بخصوص شاخصه اصلی اون که یادگیری ماشین هست) مگر چیزی بجز بهینه‌سازی هست؟ الگوریتم‌های AI و بخصوص ML برای اجرا آیا به روش حل نیاز ندارند؟ مدل‌های تحلیل رفتار انتخابی مشتری (Customer Choice Behavior) که عمدتا بر اساس تابع Logit و Logistic Regression هست مگر بدون توسعه روش‌های حل مدل‌های بهینه‌سازی غیرخطی میتونن قابل استفاده شن؟ اصلا الگوریتمی در ML وجود دارد که مبتنی بر بهینه‌سازی نباشد؟ چطوری میتونیم یک خوشه‌بندی کارا از داده‌ها انجام بدیم در حالی که الگوریتم‌های فراابتکاری تکاملی (Evolutionary) مورد استفاده قرار نگیره؟ آیا معماری‌ شبکه‌های عصبی مصنوعی (Neural Network) برای یک Train درست و برآورد پارامترهاش نیاز به توسعه یک روش حل مناسب نداره؟ چطوری میتونیم یک مسئله Online Pricing یا Online Routing رو حل کنیم وقتی مدل‌هایی مثل (Stochastic Dynamic Programming) و Solution Method کارا مبتنی بر Decomposition و ... ندونیم؟

سوالات بالا رو بیان کردم که به این فکر فرو بریم که آیا یک نفر میتونه بگه من متخصص توسعه الگوریتم‌های ML برای Prescriptive Analytics ( و یا حتی Predictive Analytics) هستم ولی Solution Method نمی‌دونم؟!؟🤔


امروزه مقالات و کتاب‌های بسیار زیادی هستن که فقط دارن به Solution Method ها و الگوریتم‌ها بهینه‌سازی می‌پردازن که از اون طریق بشه همین ابزار مرتبط با علم داده رو بهبود داد. از جمله موارد زیر
[1]
[2]
[3]


پیش‌تر در یک پست مفصل (اینجا) به طور کامل گفتم که ما اگر میخوایم در کسب‌وکارها امروزی چه به عنوان کارآفرین و چه به عنوان تحلیل‌گیر و مشاور فعالیت داشته‌باشیم و از ابزارهای علم داده استفاده کنیم بهتره که،
1- پایه ریاضیات و تحلیل خودمون رو قوی کنیم (بعضی وقتا ی مشتق‌گیری و یا یک انتگرال‌گیری یا حتی حل یک معادله غیرخطی مهم‌ترین قسمت یک الگوریتم هوش مصنوعی میشه [4])
2- از تکنیک‌های علم آمار (بخصوص Infrential Statistics) تا جایی که میتونیم خوب و حرفه‌ای یاد بگیریم
3- مدلسازی ریاضی، الگوریتم‌های بهینه‌سازی و بخصوص روش‌های حل کارا و ترکیبی رو خوب بدونیم (این رو ندونیم صرفا داریم Black Box کار می‌کنیم که ممکنه روی مسئله خاص شما کارایی نداشته باشه)
4- رویکردهای مدرن تصمیم‌گیری مبتنی بر علم داده و برنامه‌ریزی ریاضی (که معمولا با DDRO مطرح میشه) را تا جایی برای مسئله نیاز هست دنبال کنیم عنوان مقاله زیر خیلی جالبه:
Optimization under uncertainty in the era of big data and deep learning: When machine learning meets mathematical programming
[5]
[6]
[7]

5- تا جایی که میتونیم دانش برنامه‌نویسی (Programming) خودمون (بخصوص با زبان‌هایی مثل C++ و Python) رو بهبود بدیم و با برخی از نرم‌افزهای تخصصی حوزه‌های BA ، Optimization و ... تسلط/شناخت خوبی داشته باشیم.

در پایان این رو اضافه کنم که ما نیاز نیست همه موارد بالا رو بدونیم ولی بهتره در یک یا چند مهارت خیلی خوب متخصص باشیم و نسبت به سایر موارد شناخت داشته باشیم (باز هم این پست رو یادآوری می‌کنم).

@Ali_Papi_Optimization
For all 🌷

❇️ فرمولاسیون فشرده مسئله طراحی شبکه زنجیره تامین (Supply Chain Network Design Problem)

#لینکدین پست (کلیک کنید)

❇️ کدهای آماده و الگوی پیاده‌سازی الگوریتم‌های مبتنی بر تجزیه
Benders, Lagrangeian, Dantzig-Wolf, CG

لینک پست در لینکدین (اینجا)
لینک سایت معرفی‌شده (اینجا)


#Codes #LR #BD #CG
#Decomposition

✅ خطی‌سازی ضرب دو متغیر پیوسته در مسائل بهینه‌سازی


خیلی‌ها براشون این سوال پیش میاد که اگر توی مدلشون ضرب دو متغیر رخ بده چیکار باید کنن که مدل نهایی خطی باشه.
اگر #Linearization رو سرچ کنید تقریبا تمام حالت‌های خطی‌سازی رو توی گروه گفتیم جز حالتی که هر دو متغیر پیوسته باشند.
در این پست، با استفاده از تکنیک PLA سعی کردم بهترین شیوه برای خطی‌سازی ضرب دو متغیر پیوسته رو هم براتون قرار بدم.

لینک پست در لینکدین (کلیک کنید)

#Linearization #Multiplication #ضرب

ویس زیر رو هم گوش بدید 👇🏻

کتاب تحقیق در عملیات (Operations Research) پوروفسر Hiller و همکارشون جزء یکی از بهترین منابع هست که بیان بسیار مهندسی و خوبی دارند (کتاب ایشون 👇🏻)

#Operations_Research #Hiller