このトピックでは、Optimization Solver のケースについて説明します。
数理計画法による解決 - 線形計画法 (LP)
LP の概念とシナリオを説明し、発生した問題の分析方法、モデルの作成方法、および解決のための Optimization Solver の呼び出し方法、さらに Optimization Solver の結果を使用して問題を解決する方法を説明するために、以下のケースを提供しています。
MindOpt Studio の共有プロジェクトでソースコード (Python) を提供しています。 オンライン ノートブックでコードを実行できます。
1. LP の概念
LP 問題はオペレーションズリサーチにおける最も単純な問題であり、LP は実際のシナリオで最も広く使用されているオペレーションズリサーチの知識です。 LP メソッドを使用したことがあるかもしれませんが、何をしたのかわからない場合があります。
2. 栄養割り当て: 低コストで豊富な栄養
最適化モデルを使用して毎日の食事メニューを設定します。 栄養割り当ての目標は、さまざまな栄養要件を満たし、総コストを削減することです。 12 の C、C++、または Python コードの選択肢が関係しています。
3. 生産スケジューリング: フローショップスケジューリングを最適化してメイクスパンを最小化
フローショップは、スケジューリング分野における古典的なモデルです。 一連の機械と一連のワークピースを指定します。 解決したい答えはワークピースの順序であり、最適化の目標はメイクスパンを最小化し、コストを削減することです。
4. 広告トラフィック配信: 均衡のとれた露出とトラフィックコンバージョン
オンラインビデオの速度制限シナリオでは、各ビデオのコンテンツビューが予想数に達し、ビデオの総視聴回数を最大化します。 例: 広告、通知、プロモーションコンテンツ。
5. ロバスト線形回帰 - 予測
回帰は、独立変数 x と関連変数 y の関係を確立する予測手法です。 独立変数はベクトルであり、関連変数はスカラーです。 線形回帰は通常、線形関数 y = < a,x > + b で記述でき、a と b の値を推定できます。
6. 機械学習: L1 正則化項を持つサポートベクターマシン (SVM) の多値分類問題
分類は、機械学習分野における最も基本的なタスクの 1 つです。 目的は、入力ベクトル x とカテゴリ変数 y の間のマッピングを確立することです。 たとえば、写真は内容に基づいて動物や植物などのカテゴリに分類されます。