Оптимизация с помощью Python: решение задач исследования операций -
Logo

🎙️ Курсы на английском — смотрите с русской или оригинальной озвучкой и субтитрами

🎓

Единая подписка на два сервиса

Оформите PRO подписку на сайте Learn Free Courses и получите доступ ко всем премиум курсам здесь + безлимитный перевод видео на Udemy через расширение Udemy Translator.

Оформить подписку

✨ Что вы получаете:

  • ✓ Все премиум курсы с русской озвучкой
  • ✓ Материалы, субтитры, конспекты
  • ✓ Безлимитный перевод видео (Udemy Translator PRO)
  • ✓ Одна подписка — два сервиса

📋 Как активировать:

  1. Оформите подписку на сайте Learn Free Courses
  2. Скопируйте API ключ из профиля на том сайте
  3. Вставьте ключ в настройках профиля здесь
Курс перевод на русский

Оптимизация с помощью Python: решение задач исследования операций

Оригинал: Optimization with Python: Solve Operations Research Problems

12 ч 17 мин Python 82 уроков Уроки на русском языке 🎤 Новый перевод
Оригинальный источник

Скачать курс по Python. Оптимизация с помощью Python: решение задач исследования операций

Нужен архив курса целиком?

Мы отправим ссылку на полный архив с оригиналом, переводом и материалами. Просто напишите администратору info@russiancourses.net и укажите, что именно нужно (можем поделиться вариантами отдельно).

Пропущены номера уроков?

Если в нумерации есть паузы, значит часть занятий текстовые или в виде файлов. Их можно найти в разделе «Материалы курса»: скачайте архив, чтобы получить все конспекты и дополнительные задания.

Превью: 001. Введение

Превью: 001. Введение

Это первый урок курса "Оптимизация с помощью Python: решение задач исследования операций". Зарегистрируйтесь и оформите подписку для доступа ко всем 82 урокам.

Регистрация Войти Оформить подписку

Раздел

О курсе на русском языке

12 ч 17 мин 82 уроков Python
Практический курс по математической оптимизации и исследованию операций с использованием Python и профессиональных солверов 📐

Курс посвящён методам оптимизации, которые применяются для поддержки управленческих решений в условиях сложных систем, быстро меняющихся данных и большого количества ограничений. Вы последовательно освоите классические и современные подходы математического программирования и эвристических алгоритмов и научитесь применять их к реальным задачам.
Вы узнаете, как:

  • 🧠 Формулировать задачи оптимизации в виде математических моделей
  • 📊 Решать линейные, нелинейные и целочисленные задачи (LP, NLP, MILP, MINLP)
  • 🧬 Применять генетические алгоритмы и рой частиц (GA, PSO)
  • 🎯 Работать с многокритериальной оптимизацией (NSGA-II)
  • 🧩 Использовать программирование с ограничениями и коническую оптимизацию
Что входит в программу:

  • 🎓 Обзор и практика работы с солверами: CPLEX, Gurobi, GLPK, CBC, IPOPT, Couenne, SCIP
  • 🛠 Использование фреймворков: Pyomo, OR-Tools, PuLP, Pymoo
  • 📈 Применение библиотек: NumPy, Pandas, Matplotlib, Jupyter, Spyder
  • 📐 Техники линеаризации и моделирования с бинарными переменными
Все задачи разбираются пошагово — от постановки проблемы до построения модели и получения оптимального решения. Вы решите практические кейсы: маршрутизация, максимизация выручки, проектирование, энергетические системы и другие реальные примеры.
Подходит для инженеров, аналитиков, исследователей и всех, кто хочет освоить оптимизацию и исследование операций для практического применения в бизнесе и промышленности.

Сводка

Информация о курсе

Категория

Python

Длительность

737 мин

Уроки

82 уроков

Материалы

1 файл

Назад к курсам

  • 1. 001. Введение

    RU

  • 2. 002. Что такое оптимизация

  • 3. 003. Установка Python

  • 4. 004. Пакеты

  • 5. 006. IDE Spyder

  • 6. 007. Лаборатория Jupyter Notebook

  • 7. 009. Списки, кортежи и словари

  • 8. 010. If For While

  • 9. 011. Функции

  • 10. 012. Numpy

  • 11. 013. Pandas

  • 12. 014. Pandas: чтение Excel

  • 13. 015. Графы

  • 14. 018. Что такое математическое моделирование

  • 15. 019. Как решать задачи оптимизации

  • 16. 020. Типы переменных

  • 17. 021. Целевая функция и ограничения

  • 18. 022. Как смоделировать вашу задачу

  • 19. 024. Пример 1 Инвестиция

  • 20. 025. Пример 2 Инвестиция

  • 21. 026. Пример 3. Затраты на производство

  • 22. 027. Пример 4 Решение задачи маршрута

  • 23. 028. Задание на строительство, пример 5

  • 24. 029. Пример 6: Строительное задание

  • 25. 030. Пример 7 Назначение задач

  • 26. 031. Пример 8 Назначение работы

  • 27. 032. Как учиться эффективнее

  • 28. 034. Введение

  • 29. 035. Фреймворк и решатели

  • 30. 036. Линейное программирование с Ortools

  • 31. 037. Lp Скрипт

  • 32. 039. Установка LP Gurobi Cplex и GLPK

  • 33. 041. Линейное программирование в Pyomo с Gurobi, Cplex и Glpk

  • 34. 042. Pyomo: исправление ошибок

  • 35. 044. Какой решатель и фреймворки выбрать

  • 36. 045. Упражнение: Реши сам

  • 37. 047. Pyomo: Использование других солверов Cbc

  • 38. 048. Суммирование в Pyomo

  • 39. 050. Pyomo Pprint

  • 40. 052. Введение в MILP

  • 41. 053. Milp Pyomo

  • 42. 054. Milp Ortools

  • 43. 055. Milp Scip

  • 44. 057. Решение задачи Milp

  • 45. 059. Введение в NLP

  • 46. 060. NLP Pyomo Ipopt

  • 47. 061. NLP SCIP

  • 48. 062. NLP упражнение: Решите самостоятельно

  • 49. 063. Решение упражнений по NLP

  • 50. 065. Введение в MINLP

  • 51. 066. Minlp Pyomo Couenne

  • 52. 067. МИПД Пайомо декомпозиция с использованием Mindtpy

  • 53. 068. Minlp Scip

  • 54. 069. Введение в Генетические Алгоритмы

  • 55. 070. Пример базового случая генетического алгоритма

  • 56. 073. Пример базового случая для Particle Swarm PSO

  • 57. 075. Cp Ortools

  • 58. 077. Введение

  • 59. 078. Scop Программирование со вторым порядком конуса

  • 60. 079. Неконвексное квадратичное программирование

  • 61. 080. Задачи маршрутизации транспорта VRP с OR Tools: Введение

  • 62. 081. Линеаризация бинарного и непрерывного с использованием Big M

  • 63. 082. Линеаризация Бинарный Бинарный

  • 64. 083. Введение и новый кейс с двойными суммированиями

  • 65. 084. Проверка прогресса решения

  • 66. 085. Определение предела разрыва

  • 67. 086. Определение лимита времени

  • 68. 090. Работа с неравенствами

  • 69. 091. Суммирование в Pyo

  • 70. 092. Параметры и множества

  • 71. 093. Правила внутри ограничений

  • 72. 094. Правила с индексами

  • 73. 095. Лёгкий старт

  • 74. 096. Дифференциально-алгебраические уравнения DAE

  • 75. 097. Введение

  • 76. 098. Проблема в саду

  • 77. 099. Проблема с доходами

  • 78. 100. Формулирование задачи маршрутизации

  • 79. 101. Решение задачи маршрутизации

  • 80. 102. Введение в Optimal Power Flow

  • 81. 103. Формулировка оптимального распределения мощности

  • 82. 105. Поздравление