Python 最優化算法實戰
蘇振裕著
- 出版商: 北京大學
- 出版日期: 2020-10-01
- 售價: $414
- 貴賓價: 9.5 折 $393
- 語言: 簡體中文
- 頁數: 252
- 裝訂: 平裝
- ISBN: 7301315333
- ISBN-13: 9787301315330
-
相關分類:
Python、程式語言、Data Science
立即出貨
買這商品的人也買了...
-
圖解機器學習$359$341 -
解析 Linux 驅動程式設計$320$250 -
認識 Fuzzy 理論與應用, 4/e$370$333 -
Pandas 資料分析實戰：使用 Python 進行高效能資料處理及分析 (Learning pandas : High-performance data manipulation and analysis in Python, 2/e)$580$452 -
機器學習線性代數基礎 (Python 語言描述)$294$279 -
$658Python 數據可視化之美：專業圖表繪制指南 (全彩) -
$505人臉識別與美顏算法實戰：基於 Python、機器學習與深度學習 -
強化學習入門：從原理到實踐$474$450 -
Python 機器學習 (上), 3/e (Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 3/e)$620$484 -
$500Python 深度學習異常檢測 : 使用 Keras 和 PyTorch -
$505labuladong 的算法小抄 -
深度強化式學習 (Deep Reinforcement Learning in Action)$1,000$850 -
第一次學工程數學就上手 (1) ─ 微積分與微分方程式, 3/e$220$198 -
人工智能算法 捲2 受大自然啟發的算法$414$393 -
深度學習實務應用｜雲端、行動與邊緣裝置 (Practical Deep Learning for Cloud, Mobile and Edge)$880$695 -
$454最優化導論, 4/e (An Introduction to Optimization, 4/e) -
深度學習的 16 堂課：CNN + RNN + GAN + DQN + DRL, 看得懂、學得會、做得出！ (Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence)$620$490 -
第一次學工程數學就上手 (2) ─ 拉式轉換與傅立葉, 4/e$260$234 -
$305Python 智能優化算法：從原理到代碼實現與應用 -
最優化模型與算法 — 基於 Python 實現$234$222 -
第一次學工程數學就上手 (3) ─ 線性代數, 2/e$310$279 -
遺傳算法與機器學習編程$497$472 -
第一次學工程數學就上手 (4) ─ 向量分析與偏微分方程式, 2/e$250$225 -
最優化方法及其 Python 程序實現$408$388 -
第一次學工程數學就上手 (5) ─ 複變數, 2/e$280$252
相關主題
商品描述
本書以理論結合編程開發為原則，使用Python作為開發語言，講解優化算法的原理和應用，詳細介紹了Python基礎、
Gurobi 優化器、線性規劃、整數規劃、多目標優化、動態規劃、圖與網絡分析、智能優化算法。
對於算法部分的每一種算法都包含原理和編程實踐，使讀者對優化算法的認識更加深入。
本書分為 3 篇共 9 章。
第 1 篇（第 1～3 章）是優化算法與編程基礎：
第 1 章介紹了什麼是優化算法及其在生產和生活中的應用；
第 2章介紹Python編程基礎和Python數據分析庫及繪圖庫；
第 3章講解Gurobi 優化器的基礎和高級特性。
第 2篇（第 4～6章）是數學規劃方法：
第 4章詳細講解線性規劃的知識，包括單純形法、內點法、列生成法、拉格朗日乘子法、對偶問題；
第 5 章講解整數規劃解法的分支定界法和割平面法；
第 6 章講解多目標優化的概念及基於單純形法的目標規劃法。
第 3 篇（第 7～9 章）是啟發式算法：
第 7 章介紹動態規划算法；
第 8 章講解圖與網絡分析，介紹最小生成樹、最短路徑、網絡流、路徑規劃等問題的建模；
第 9 章講解了粒子群算法和遺傳算法求解各種類型優化算法問題的方法。
本書內容豐富，實例典型，實用性強，適合各個層次從事優化算法研究和應用的人員，
尤其適合有一定算法基礎而沒有編程基礎的人員閱讀。
作者簡介
蘇振裕
廈門大學金融學碩士，現任SHEIN 智慧供應鏈資深算法工程師。
知乎專欄《從推公式到寫代碼》作者，運籌優化論壇（optimize.fun）創建人。
在大數據、人工智能、運籌優化和供應鏈方面，具有多年的相關算法研究應用經驗。
目錄大綱
第1篇最優化算法與編程基礎
第1章最優化算法概述
1.1最優化算法簡介
1.2最優化算法的內容
1.2.1規劃論
1.2.2庫存論
1.2.3圖論
1.2.4排隊論
1.2.5可靠性理論
1.2.6對策論
1.2.7決策論
1.2.8搜索論
1.3本章小結
第2章Python編程方法
2.1開發環境安裝
2.2編程基礎：Python語法
2.2.1基礎數據結構與基本運算
2.2.2關於Python的列表、元組、字典、集合
2.2.3程序控制語句
2.2.4函數
2.2.5類與實例
2.2.6迭代
2.3數據分析：NumPy基礎
2.3.1 NumPy基礎數據結構
2.3.2 NumPy的隨機數
2.3.3 NumPy矩陣運算
2.3.4 NumPy線性代數
2.4 Pandas基礎
2.4.1 Pandas基礎數據結構
2.4.2 Pandas基礎統計函數
2.4.3 Pandas基礎數據處理
2.4.4分組統計
2.4.5 apply函數
2.5 Python繪圖
2.5.1常用圖形
2.5.2圖形屬性
2.5.3組合圖和子圖
2.5.4三維圖
2.5.5動態圖
2.6本章小結
第3章Gurobi優化器
3.1 Gurobi的數據結構
3.1.1 Multidict
3.1.2 Tuplelist
3.1.3 Tupledict
3.1.4應用範例
3.2 Gurobi的參數和屬性
3.2.1參數類型
3.2.2修改參數
3.2.3修改參數的例子
3.2.4屬性類型
3.2.5查看修改屬性
3.2.6修改屬性的例子
3.3 Gurobi線性化技巧
3.3.1最大值max
3.3.2最小值min
3.3.3絕對值abs
3.3.4邏輯與and
3.3.5邏輯或or
3.3.6指示函數indicator
3.3.7帶固定成本約束
3.3.8分段線性函數
3.4 Gurobi多目標優化
3.5 callback函數
3.5.1回調函數callback定義
3.5.2狀態where與值what
3.5.3 callback函數的功能
3.6本章小結
｜第2篇數學規劃方法｜
第4章線性規劃
4.1線性規劃的標準型
4.2單純形法
4.2.1單純形法的原理
4.2.2單純形法的過程
4.2.3單純形法代碼
4.3單純形的數學規範型
4.4內點法
4.4.1內點法的原理
4.4. 2內點法過程
4.4.3內點法代碼
4.5列生成法
4.5.1列生成法的原理
4.5.2列生成的過程
4.6對偶問題
4.6.1對偶問題的形式
4.6.2對稱形式對偶
4.6.3對偶單純形
4.6.4對偶問題的應用
4.7拉格朗日乘子法
4.7.1無約束優化
4.7.2等式約束優化
4.7.3不等式約束優化
4.7.4拉格朗日對偶
4.8本章小結
第5章整數規劃
5.1快速掌握Gurobi整數規劃
5.2分支定界法
5.3割平面法
5.4本章小結
第6章多目標優化
6.1多目標優化的一般形式
6.2 Pareto最優解
6.3多目標優化求解方法
6.4目標規劃法
6.4.1偏差變量
6.4.2優先等級和權重係數
6.4.3目標規劃單純形法
6.4.4目標規劃Gurobi實現
6.5 NSGA-Ⅱ
6.6本章小結
｜第3篇啟發式算法｜
第7章動態規劃
7.1多階段決策問題
7.2動態規劃的基本概念
7.3動態規劃的最優化原理
7.4最短路徑問題
7.5使用整數規劃解最短路徑問題
7.6背包問題
7.7本章小結
第8章圖與網絡分析
8.1圖的基本概念
8.2圖的矩陣表示
8.3最小生成樹
8.4最短路徑問題
8.5網絡最大流問題
8.6路徑規劃
8.7 VRP問題
8.8本章小結
第9章智能優化算法
9.1粒子群算法
9.1. 1粒子群算法原理
9.1.2粒子群求解無約束優化問題
9.1.3粒子群求解約束優化問題
9.1.4粒子群求解旅行商問題
9.2遺傳算法
9.2.1遺傳算法原理
9.2.2遺傳算法的編碼方法
9.2.3遺傳算法的選擇操作
9.2.4遺傳算法求解無約束優化問題
9.2.5遺傳算法庫Geatpy的介紹
9.2.6使用Geatpy求解約束優化問題
9.2.7使用Geatpy求解多目標優化問題
9.3本章小結
