优化算法：用 Python、Julia、MATLAB 和 R 掌握线性、整数、非线性及元启发式方法

在当今快速发展的科技时代，优化算法在工程、商业、金融、人工智能和运筹学中的决策制定中扮演着至关重要的角色。如果你想高效地解决复杂问题，理解优化算法就显得尤为重要。本课程提供了对优化技术的全面理解，从基本方法如线性规划（LP）和整数规划（IP），到先进的元启发式算法，如粒子群优化（PSO）、模拟退火和蚁群优化。我们将使用 Python、Julia、MATLAB 和 R 实施这些技术，确保你能在不同的平台上应用它们。

本课程将从基本概念入手，逐渐深入到高级主题。你将获得对以下内容的深入理解：

• 基础优化的数学概念
• 如何将这些方法应用于不同的行业
• 用四种不同的编程语言（Python、Julia、MATLAB 和 R）实现优化算法

无论你是工程师、数据科学家、研究员还是分析师，本课程都将提供实现有效解决方案所需的实用技能。通过实践经验与理论知识的结合，你将掌握决策过程中的各种优化技术。

MP4 | 视频：h264、1920×1080 | 音频：AAC，44.1 KHz
语言：英语 | 大小：3.74 GB | 时长：10 小时 56 分钟

学习内容

1. 基础优化技术

你将理解基础优化技术，包括：

• 线性规划（LP）：涉及在线性约束条件下最大化或最小化线性目标函数的问题。
• 整数规划（IP）：一个特殊的线性规划形式，其中某些或全部决策变量必须是整数。
• 非线性规划：涉及目标函数或约束条件中的至少一个非线性元素的问题。

2. 实践编码技能

通过实现优化算法，你将培养实际的编码技能，这些技能将帮助你解决复杂的决策问题。从理论到实际应用，我们将围绕真实世界的优化问题进行操作，如：

• 旅行推销员问题（TSP）
• 投资组合优化
• 作业车间调度

3. 元启发式优化方法

我们还会探索和应用元启发式优化方法，包括：

• 粒子群优化（PSO）：通过模拟鸟群寻找最优解的启发式搜索算法。
• 模拟退火：模仿物理学中的退火过程，逐步接受较差的解以避免局部最优。
• 蚁群优化：利用蚂蚁觅食的行为来寻找最优解的方法。

4. 机器学习与优化的结合

为增强在金融、物流等行业的决策过程，我们将探讨如何将优化技术与机器学习和随机方法结合使用。你将学习如何在数据驱动的环境中利用优化算法提高效率和准确性。

课程要求

• 编程知识：对编程概念的基本理解将是有帮助的，但并不是必需的。
• 数学基础：熟悉基本的数学和线性代数将使你更易于掌握优化概念，但我会以易于理解的方式进行解释。
• 无 prior 经验：不需要具备优化的先验知识，我们将逐步学习所有内容。

通过本课程的学习，你将能够自信地将优化技术应用于实际场景，解决各类复杂问题。无论是个人职业发展还是企业战略优化，理解和运用这些技能都将为你带来巨大的价值。立即加入我们，开始你的学习之旅吧！

概述
第 1 部分：简介

第 1 讲 简介

第 2 讲课程指南

第 2 部分：Python 编程（可选）

讲座 3 什么是 Python？

讲座 4 Anaconda、Jupyter 和 Visual Studio Code

讲座 5 Google Colab

讲座 6 环境设置

第 7 讲 Python 语法和基本操作

第 8 讲 数据结构：列表、元组、集合

第 9 讲 控制结构与循环

第 10 讲 函数与基础函数式编程

第 11 讲 中间函数

第 12 讲 字典和高级数据结构

第 13 讲 模块、包和导入库

讲座 14 文件处理

第 15 讲 异常处理和健壮代码

讲座 16 面向对象编程 (OOP) 的基本概念

第 17 讲 数据可视化基础

第 18 讲 高级列表操作与推导

第 3 节：整数规划

第 19 讲 分支定界 | 简介

第 20 讲 分支定界 | 图表

讲座 21 分支定界 | 背包

第 22 讲 分支界定 | 生产计划

第 4 节：非线性规划

第 23 讲 简介

讲座 24 Karush-Kuhn-Tucker (KKT) 条件

第 5 节：元启发式优化

讲座 25 粒子群优化

讲座 26 粒子群优化 – 数学模型

第 27 讲 粒子群优化 – Python

讲座 28 模拟退火

第 29 讲 模拟退火 – Python

讲座 30 模拟退火 – Python 输出

讲座 31 蚁群优化

讲座32 NSGA-II算法

讲座 33 NSGA-II 算法 – 理论

讲座 34 NSGA-II 算法 – Python

讲座 35 NSGA-II 算法 – Python 输出

讲座 36 使用 Python 进行禁忌搜索

第 6 节：随机优化

讲座 37 概率论复习

讲座 38 使用 Julia 进行稳健优化

第 7 节：使用 R 编程进行优化

讲座 39 线性规划

第 8 节：使用 Julia 进行优化项目

第 40 讲 库存路线问题（使用 Julia）

讲座 41 旅行商问题

讲座 42 车间作业调度

讲座 43 投资组合优化

第 9 节：使用 MATLAB 进行优化

讲座 44 运输问题

第 10 节：机器学习与优化

讲座 45 RMSProp

讲座 46 ADAGrad

讲座 47 ADAGrad – Python

讲座 48 梯度下降

第 11 节：序贯决策分析

讲座 49 Julia 的 SDA – 库存管理