Python最優(yōu)化算法實戰(zhàn)

｜ 第1篇 最優(yōu)化算法與編程基礎(chǔ) ｜
第1章 最優(yōu)化算法概述 2
1.1 最優(yōu)化算法簡介 3
1.2 最優(yōu)化算法的內(nèi)容 4
1.2.1 規(guī)劃論 4
1.2.2 庫存論 5
1.2.3 圖論 6
1.2.4 排隊論 7
1.2.5 可靠性理論 8
1.2.6 對策論 8
1.2.7 決策論 8
1.2.8 搜索論 9
1.3 本章小結(jié) 9
第2章 Python編程方法 10
2.1 開發(fā)環(huán)境安裝 11
2.2 編程基礎(chǔ)：Python語法 17
2.2.1 基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)與基本運算 18
2.2.2 關(guān)于Python的列表、元組、字典、集合 18
2.2.3 程序控制語句 21
2.2.4 函數(shù) 21
2.2.5 類與實例 22
2.2.6 迭代 23
2.3 數(shù)據(jù)分析：NumPy基礎(chǔ) 24
2.3.1 NumPy基礎(chǔ)數(shù)據(jù)結(jié)構(gòu) 24
2.3.2 NumPy的隨機數(shù) 26
2.3.3 NumPy矩陣運算 28
2.3.4 NumPy線性代數(shù) 31
2.4 Pandas基礎(chǔ) 32
2.4.1 Pandas基礎(chǔ)數(shù)據(jù)結(jié)構(gòu) 32
2.4.2 Pandas基礎(chǔ)統(tǒng)計函數(shù) 35
2.4.3 Pandas基礎(chǔ)數(shù)據(jù)處理 37
2.4.4 分組統(tǒng)計 39
2.4.5 apply函數(shù) 41
2.5 Python繪圖 42
2.5.1 常用圖形 43
2.5.2 圖形屬性 47
2.5.3 組合圖和子圖 49
2.5.4 三維圖 51
2.5.5 動態(tài)圖 55
2.6 本章小結(jié) 57
第3章 Gurobi優(yōu)化器 58
3.1 Gurobi的數(shù)據(jù)結(jié)構(gòu) 59
3.1.1 Multidict 59
3.1.2 Tuplelist 60
3.1.3 Tupledict 61
3.1.4 應(yīng)用范例 62
3.2 Gurobi的參數(shù)和屬性 65
3.2.1 參數(shù)類型 65
3.2.2 修改參數(shù) 75
3.2.3 修改參數(shù)的例子 75
3.2.4 屬性類型 77
3.2.5 查看修改屬性 85
3.2.6 修改屬性的例子 85
3.3 Gurobi線性化技巧 85
3.3.1 最大值max 86
3.3.2 最小值min 88
3.3.3 絕對值abs 89
3.3.4 邏輯與and 90
3.3.5 邏輯或or 90
3.3.6 指示函數(shù)indicator 90
3.3.7 帶固定成本約束 91
3.3.8 分段線性函數(shù) 91
3.4 Gurobi多目標(biāo)優(yōu)化 92
3.5 callback函數(shù) 96
3.5.1 回調(diào)函數(shù)callback定義 97
3.5.2 狀態(tài)where與值what 97
3.5.3 callback函數(shù)的功能 98
3.6 本章小結(jié) 102
｜ 第2篇 數(shù)學(xué)規(guī)劃方法 ｜
第4章 線性規(guī)劃 104
4.1 線性規(guī)劃的標(biāo)準(zhǔn)型 105
4.2 單純形法 105
4.2.1 單純形法的原理 106
4.2.2 單純形法的過程 106
4.2.3 單純形法代碼 111
4.3 單純形的數(shù)學(xué)規(guī)范型 113
4.4 內(nèi)點法 114
4.4.1 內(nèi)點法的原理 114
4.4.2 內(nèi)點法過程 115
4.4.3 內(nèi)點法代碼 118
4.5 列生成法 120
4.5.1 列生成法的原理 120
4.5.2 列生成的過程 123
4.6 對偶問題 126
4.6.1 對偶問題的形式 127
4.6.2 對稱形式對偶 128
4.6.3 對偶單純形 129
4.6.4 對偶問題的應(yīng)用 130
4.7 拉格朗日乘子法 130
4.7.1 無約束優(yōu)化 131
4.7.2 等式約束優(yōu)化 131
4.7.3 不等式約束優(yōu)化 132
4.7.4 拉格朗日對偶 134
4.8 本章小結(jié) 137
第5章 整數(shù)規(guī)劃 138
5.1 快速掌握Gurobi整數(shù)規(guī)劃 139
5.2 分支定界法 140
5.3 割平面法 142
5.4 本章小結(jié) 147
第6章 多目標(biāo)優(yōu)化 148
6.1 多目標(biāo)優(yōu)化的一般形式 149
6.2 Pareto最優(yōu)解 149
6.3 多目標(biāo)優(yōu)化求解方法 151
6.4 目標(biāo)規(guī)劃法 152
6.4.1 偏差變量 153
6.4.2 優(yōu)先等級和權(quán)重系數(shù) 153
6.4.3 目標(biāo)規(guī)劃單純形法 154
6.4.4 目標(biāo)規(guī)劃Gurobi實現(xiàn) 158
6.5 NSGA-Ⅱ 159
6.6 本章小結(jié) 160
｜ 第3篇 啟發(fā)式算法 ｜
第7章 動態(tài)規(guī)劃 162
7.1 多階段決策問題 163
7.2 動態(tài)規(guī)劃的基本概念 164
7.3 動態(tài)規(guī)劃的最優(yōu)化原理 165
7.4 最短路徑問題 166
7.5 使用整數(shù)規(guī)劃解最短路徑問題 169
7.6 背包問題 170
7.7 本章小結(jié) 175
第8章 圖與網(wǎng)絡(luò)分析 176
8.1 圖的基本概念 177
8.2 圖的矩陣表示 178
8.3 最小生成樹 179
8.4 最短路徑問題 183
8.5 網(wǎng)絡(luò)最大流問題 187
8.6 路徑規(guī)劃 190
8.7 VRP問題 196
8.8 本章小結(jié) 203
第9章 智能優(yōu)化算法 204
9.1 粒子群算法 205
9.1.1 粒子群算法原理 205
9.1.2 粒子群求解無約束優(yōu)化問題 207
9.1.3 粒子群求解約束優(yōu)化問題 211
9.1.4 粒子群求解旅行商問題 218
9.2 遺傳算法 225
9.2.1 遺傳算法原理 225
9.2.2 遺傳算法的編碼方法 227
9.2.3 遺傳算法的選擇操作 230
9.2.4 遺傳算法求解無約束優(yōu)化問題 231
9.2.5 遺傳算法庫Geatpy的介紹 233
9.2.6 使用Geatpy求解約束優(yōu)化問題 239
9.2.7 使用Geatpy求解多目標(biāo)優(yōu)化問題 241
9.3 本章小結(jié) 242