پرش به محتوای اصلی

از مسئله واقعی تا مدل ریاضی بهینه‌سازی

قبل از انتخاب GA، DE یا solverهای عددی، باید خود مسئله را درست مدل کنیم.

بهینه‌سازی و متاهیوریستیک‌هامقدماتی

هدف یادگیری

یک مسئله تصمیم‌گیری را به متغیرهای تصمیم، تابع هدف و قیود تبدیل کنید.

پیش‌نیازها

  • جبر مقدماتی

ساختار مدل

یک مدل ساده می‌گوید چه چیزی را باید انتخاب کنیم، چه چیزی را کمینه یا بیشینه کنیم و چه انتخاب‌هایی مجازند.

مدل پایه
minx∈Ωf(x)

مثال تولید

فرض کنید x₁ و x₂ مقدار تولید دو محصول باشند و سود هر واحد 40 و 30 باشد. یک هدف طبیعی بیشینه‌کردن سود است.

تابع هدف
max40x1+30x2
قیود منابع
2x1+x2≤100,x1+2x2≤80,x1,x2≥0

چرا مدل‌سازی از الگوریتم مهم‌تر است؟

اگر هدف اشتباه باشد، optimizer بهترین جوابِ مسئله اشتباه را پیدا می‌کند. اگر یک قید واقعی حذف شود، جواب ممکن است از نظر ریاضی خوب و از نظر عملی غیرقابل اجرا باشد.

ارتباط با Convex QP Solver

Convex quadratic program
minx12xTPx+qTxs.t.Ax=b,Gx≤h

در این پروژه، مدل‌سازی به یک فرم دقیق‌تر می‌رسد و بعد هسته solver آن را با روش‌های عددی حل می‌کند. الگوریتم آخر زنجیره است، نه نقطه شروع.

تمرین

  • یک مسئله زمان‌بندی دو کار را مدل کنید.
  • برای همان مسئله یک هدف هزینه‌ای و یک هدف تأخیری بنویسید.
  • یک قید واقعی پیدا کنید که حذف آن مدل را غیرقابل استفاده کند.

پروژه مرتبط

Convex Quadratic Programming Solver

نمونه واقعی مدل‌سازی و حل یک مسئله convex QP.

باز کردن منبع

یک مسئله تصمیم‌گیری دارید؟

می‌توانیم ابتدا مدل را دقیق کنیم و بعد سراغ الگوریتم برویم.