در این مطلب، ویدئو برنامه نویسی اعداد صحیح مختلط در پایتون | بهینه سازی| تحقیق در عملیات ص.3 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:09:57
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,480 –> 00:00:02,800
به ویدیوی دیگری در مورد
2
00:00:02,800 –> 00:00:05,120
برنامه نویسی خطی در پایتون خوش آمدید در این
3
00:00:05,120 –> 00:00:07,839
ویدیو نحوه اجرای برنامه نویسی اعداد صحیح مختلط
4
00:00:07,839 –> 00:00:09,120
5
00:00:09,120 –> 00:00:11,519
um در پایتون را مشاهده خواهیم کرد،
6
00:00:11,519 –> 00:00:14,000
بنابراین آنچه برنامه نویسی عدد صحیح مختلط است،
7
00:00:14,000 –> 00:00:18,080
به نوعی به عنوان mip شناخته می شود،
8
00:00:18,080 –> 00:00:20,000
این یک مشکل است که می دانید ما
9
00:00:20,000 –> 00:00:21,600
10
00:00:21,600 –> 00:00:24,080
شرایطی در متغیرهای تصمیم
11
00:00:24,080 –> 00:00:25,199
x y
12
00:00:25,199 –> 00:00:26,160
um
13
00:00:26,160 –> 00:00:28,480
بنابراین متغیرهای تصمیم باید
14
00:00:28,480 –> 00:00:30,640
اعداد صحیح باشند و نمی
15
00:00:30,640 –> 00:00:32,320
توانند کسری بگیرند،
16
00:00:32,320 –> 00:00:33,360
بنابراین
17
00:00:33,360 –> 00:00:35,120
متغیرهای تصمیم شما نمی توانند
18
00:00:35,120 –> 00:00:38,239
مقادیری مانند 2.5 یا 3.6 را
19
00:00:38,239 –> 00:00:41,040
بگیرند، آنها باید اعداد صحیح باشند،
20
00:00:41,040 –> 00:00:43,920
بنابراین این یک محدودیت اضافی است که ما
21
00:00:43,920 –> 00:00:45,360
به
22
00:00:45,360 –> 00:00:47,200
مسئله برنامه ریزی خطی اضافه می کنیم
23
00:00:47,200 –> 00:00:49,600
و برای آن استفاده می کنیم. برنامه نویسی میکس تیزر
24
00:00:49,600 –> 00:00:50,640
25
00:00:50,640 –> 00:00:52,559
آه اینجا این مثال است ما این مثال را می گیریم
26
00:00:52,559 –> 00:00:55,039
تا
27
00:00:55,039 –> 00:00:57,120
ببینیم واقعا چگونه می توانیم این کار را انجام دهیم،
28
00:00:57,120 –> 00:00:59,760
بنابراین این یک مشکل ماکزیمم سازی است.
29
00:00:59,760 –> 00:01:03,440
30
00:01:03,440 –> 00:01:05,519
31
00:01:05,519 –> 00:01:06,799
32
00:01:06,799 –> 00:01:08,799
33
00:01:08,799 –> 00:01:09,760
34
00:01:09,760 –> 00:01:11,760
محدودیت x به اضافه 6y
35
00:01:11,760 –> 00:01:14,400
باید کمتر از برابر با 15 باشد و مورد
36
00:01:14,400 –> 00:01:17,119
دوم x کمتر از 4 خواهد بود.
37
00:01:17,119 –> 00:01:19,680
بنابراین این دو قید ما هستند. e
38
00:01:19,680 –> 00:01:21,920
و بیایید سعی کنیم
39
00:01:21,920 –> 00:01:24,560
ببینیم چگونه میتوانیم تابع هدف
40
00:01:24,560 –> 00:01:27,360
x را به اضافه هشت y با توجه به این دو
41
00:01:27,360 –> 00:01:30,000
قید به حداکثر
42
00:01:32,320 –> 00:01:34,240
برسانیم.
43
00:01:34,240 –> 00:01:38,000
44
00:01:38,000 –> 00:01:42,320
45
00:01:42,320 –> 00:01:45,040
46
00:01:45,040 –> 00:01:48,159
47
00:01:48,159 –> 00:01:51,680
بنابراین ما
48
00:01:51,920 –> 00:01:54,640
49
00:01:54,640 –> 00:01:57,920
از ابزارهای قبلی استفاده نخواهیم کرد، درست در ویدیوی قبلی ما از ابزارهای
50
00:01:57,920 –> 00:01:59,680
um
51
00:01:59,680 –> 00:02:02,560
from scipy از
52
00:02:02,560 –> 00:02:05,439
scipy.optimize استفاده نمی کنیم.
53
00:02:05,439 –> 00:02:07,200
54
00:02:07,200 –> 00:02:11,599
ابتدا
55
00:02:12,400 –> 00:02:14,640
به این صورت نصب می کنید،
56
00:02:14,640 –> 00:02:18,879
بنابراین این به طور خودکار در
57
00:02:18,879 –> 00:02:22,080
jupyter وجود ندارد، بنابراین باید از نصب peep استفاده کنید،
58
00:02:22,080 –> 00:02:25,200
این نصب ما در jupyter
59
00:02:25,200 –> 00:02:27,920
um است و از آنجا باید چیزی را وارد کنیم
60
00:02:27,920 –> 00:02:30,800
که به عنوان pyrap lp شناخته می شود، بسیار
61
00:02:30,800 –> 00:02:31,840
62
00:02:31,840 –> 00:02:34,959
خوب، بنابراین ابزار سفارش حلکننده خطی خطی نقطهای،
63
00:02:34,959 –> 00:02:38,560
ما این لفاف را وارد میکنیم.
64
00:02:38,560 –> 00:02:40,959
65
00:02:40,959 –> 00:02:43,200
66
00:02:43,200 –> 00:02:44,560
67
00:02:44,560 –> 00:02:46,800
68
00:02:46,800 –> 00:02:48,840
69
00:02:48,840 –> 00:02:51,360
70
00:02:51,360 –> 00:02:54,000
71
00:02:54,000 –> 00:02:55,840
همچنین از حل کننده های دیگر استفاده کنید
72
00:02:55,840 –> 00:02:58,640
و همچنین می توانید حل کننده خود را بنویسید
73
00:02:58,640 –> 00:03:00,720
و آن را فراخوانی کنید،
74
00:03:00,720 –> 00:03:02,640
75
00:03:02,640 –> 00:03:05,200
اما ایده این است که
76
00:03:05,200 –> 00:03:08,239
شما می توانید از هر حل کننده ای
77
00:03:08,239 –> 00:03:11,040
با استفاده از این پوشش و حل کننده به صورت مخلوط
78
00:03:11,040 –> 00:03:13,440
با مشکل برنامه نویسی استفاده
79
00:03:13,440 –> 00:03:15,200
کنید،
80
00:03:15,200 –> 00:03:17,280
بنابراین در اینجا ما این
81
00:03:17,280 –> 00:03:18,640
حل کننده را همانطور
82
00:03:18,640 –> 00:03:21,840
که اشاره کردم می نامیم. حلکننده منبع باز
83
00:03:21,840 –> 00:03:24,720
uh که گوگل رپ گوگل است یا
84
00:03:24,720 –> 00:03:26,159
از آن استفاده میکند،
85
00:03:26,159 –> 00:03:27,840
بنابراین ابتدا متغیرهای تصمیم را تعریف میکنیم،
86
00:03:27,840 –> 00:03:29,440
بنابراین در این مورد ما دو
87
00:03:29,440 –> 00:03:31,440
متغیر تصمیم داریم که میتوانید بیش
88
00:03:31,440 –> 00:03:34,080
از 2 نیز داشته باشید، همچنین
89
00:03:34,080 –> 00:03:35,519
1 x y
90
00:03:35,519 –> 00:03:37,040
91
00:03:37,040 –> 00:03:39,680
و نحو بسیار ساده است، ما از حلکننده dot bar int استفاده میکنیم.
92
00:03:39,680 –> 00:03:42,720
93
00:03:42,879 –> 00:03:44,879
و ما حداقل مقدار را در اینجا ارائه می دهیم که در این مورد
94
00:03:44,879 –> 00:03:46,959
حداقل مقدار باید 0
95
00:03:46,959 –> 00:03:48,480
باشد زیرا ما می خواهیم آنها
96
00:03:48,480 –> 00:03:49,519
مثبت باشند
97
00:03:49,519 –> 00:03:51,599
اما شما همچنین می توانید هر چیزی را که می
98
00:03:51,599 –> 00:03:54,480
توانید تعریف کنید مانند ok منفی بی نهایت بی
99
00:03:54,480 –> 00:03:55,840
نهایت
100
00:03:55,840 –> 00:03:59,040
به هر مقداری که می توانید
101
00:03:59,040 –> 00:04:01,840
102
00:04:02,239 –> 00:04:05,360
بردارید بسیار خوب است. مشابه نحوه استفاده ما از
103
00:04:05,360 –> 00:04:07,840
104
00:04:07,840 –> 00:04:09,840
ماژول تابع optimize از بسته scipy،
105
00:04:09,840 –> 00:04:12,720
نحو بسیار مشابهی دارد،
106
00:04:12,879 –> 00:04:14,959
اما این را به خاطر داشته باشید که در این مورد میتوانیم
107
00:04:14,959 –> 00:04:17,040
از حداکثر کردن
108
00:04:17,040 –> 00:04:20,000
و کوچکسازی استفاده کنیم، در حالی که در علمی تخیلی این کار همیشه وجود دارد.
109
00:04:20,000 –> 00:04:22,000
110
00:04:22,000 –> 00:04:23,520
111
00:04:23,520 –> 00:04:25,040
بنابراین ما باید یک
112
00:04:25,040 –> 00:04:26,800
مشکل به حداکثر رساندن را به یک مشکل به حداقل رساندن تبدیل
113
00:04:26,800 –> 00:04:28,960
کنیم، بنابراین اگر
114
00:04:28,960 –> 00:04:30,800
این دو ویدیو را ندیدهام،
115
00:04:30,800 –> 00:04:32,960
به شما توصیه میکنم به
116
00:04:32,960 –> 00:04:34,880
دو ویدیوی اول بروید، جایی که من از
117
00:04:34,880 –> 00:04:36,639
عل