Topik ini menjelaskan kasus-kasus terkait Pemecah Optimasi.
Pemecahan pemrograman matematika - pemrograman linier (LP)
Kami telah menyediakan kasus-kasus berikut untuk menjelaskan konsep dan skenario LP, menjelaskan cara menganalisis masalah yang Anda temui, membuat model, dan memanggil Pemecah Optimasi untuk pemecahan, lalu menggunakan hasil Pemecah Optimasi untuk menyelesaikan masalah.
Kode sumber (Python) tersedia di proyek bersama di MindOpt Studio. Anda dapat menjalankan kode tersebut di Notebook online.
1. Konsep LP
Masalah LP merupakan salah satu masalah paling sederhana dalam Riset Operasi, dan LP adalah pengetahuan Riset Operasi yang paling banyak digunakan dalam skenario nyata. Mungkin kita telah menggunakan metode LP tanpa menyadari apa yang sebenarnya dilakukan.
2. Alokasi nutrisi: biaya lebih rendah dan nutrisi kaya
Gunakan model optimasi untuk menetapkan menu diet harian. Tujuan alokasi nutrisi adalah memenuhi berbagai kebutuhan nutrisi sambil mengurangi total biaya. Tersedia 12 opsi implementasi dalam C, C++, atau Python.
3. Penjadwalan produksi: Optimalkan penjadwalan flow shop untuk meminimalkan makespan
Flow shop adalah model klasik dalam bidang penjadwalan. Tentukan satu set mesin dan sekelompok benda kerja. Solusi yang ingin dicapai adalah urutan benda kerja, dengan tujuan optimasi untuk meminimalkan makespan dan mengurangi biaya.
4. Distribusi lalu lintas iklan: eksposur seimbang dan konversi lalu lintas
Dalam skenario pembatasan video online, pastikan jumlah tayangan konten setiap video mencapai angka yang diharapkan dan maksimalkan total tayangan video. Contoh aplikasi meliputi iklan, notifikasi, dan konten promosi.
5. Regresi linier yang kuat - prediksi
Regresi adalah teknik prediktif yang menetapkan hubungan antara variabel independen x dan variabel terkait y. Variabel independen berupa vektor, sedangkan variabel terkait adalah skalar. Regresi linier biasanya dijelaskan oleh fungsi linier y = < a,x > + b, di mana nilai a dan b dapat diestimasi.
6. Pembelajaran mesin: masalah multi-klasifikasi mesin vektor pendukung (SVM) dengan istilah regularisasi L1
Klasifikasi adalah salah satu tugas paling mendasar dalam pembelajaran mesin. Tujuannya adalah menetapkan pemetaan antara vektor input x dan variabel kategoris y. Sebagai contoh, gambar diklasifikasikan ke dalam kategori seperti hewan dan tanaman berdasarkan kontennya.