|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/otimizacao-de-processos-em-python-utilizando-gekko-apmonitor/
课程评论：没有评论
**课程名称：** 使用 GEKKO/APMonitor 在 Python 中优化流程 **课程概述：** 本课程旨在介绍在流程工程/生产工程/化学工程中常用的主要优化类型，并教授如何使用免费的 GEKKO/APMonitor 优化套件在 Python 中解决这些问题。 **第一部分：导论** * 课程内容介绍，涵盖基本理论和实践问题解决。 * 主要优化问题类型： * 线性规划 (LP) * 非线性规划 (NLP) * 混合整数线性规划 (MILP) / 混合整数非线性规划 (MINLP) * 多目标优化 (MO) * 优化基本概念和 Python 基础知识介绍。 * APMonitor/GEKKO 优化套件介绍。 * 通过解决第一个优化问题进行实践。 **第二部分：线性规划 (LP)** * 3 个不同的案例研究。 **第三部分：非线性规划 (NLP)** * 3 个不同的案例研究。 **第四部分：混合整数规划** * 2 个混合整数线性规划 (MILP) 案例研究。 * 2 个混合整数非线性规划 (MINLP) 案例研究。 **第五部分：多目标优化** * 2 个案例研究。 **教学方法：** * 课程以实践为导向，每个案例研究都包含： * 问题解读和数学模型构建。 * 使用 GEKKO 的代数建模语言在 Python 中实现数学模型。 * 优化问题求解和结果解释。 * 每节实践课后提供练习题，供学生巩固所学技能。
Neste curso são apresentados os principais tipos de otimização comumente utilizada na engenharia de processos / engenharia de produção / engenharia química e é ensinado na prática como solucionar esses problemas em Python, utilizando a suíte de otimização gratuita GEKKO/APMonitor.Na Seção 1, Introdução, é apresentado primeiramente o conteúdo do curso, que começa na teoria básica e inclui a resolução prática dos principais tipos de problemas de otimização: Programação Linear (LP), Programação Não Linear (NLP), Programação Linear e Não Linear Inteira Mista (MILP/MINLP) e Otimização Multiobjetivo (MO). As duas aulas seguintes estão dedicadas à introdução dos conceitos fundamentais sobre otimização e ao básico de Python, para que aqueles alunos que começam do cero mesmo consigam se nivelar e acompanhar o restante do curso. A terceira aula já realiza a introdução à suíte de otimização APMonitor/GEKKO, que de conjunto com Python é a ferramenta computacional utilizada para a resolução dos problemas de otimização apresentados nos diferentes estudos de casos. Como o curso tem um viés prático (bem mão na massa mesmo) finalizamos essa seção introdutória já resolvendo nosso primeiro problema de otimização.As seguintes seções são todas de caráter prático, sendo apresentado um estudo de caso (problema de otimização a ser resolvido) em cada aula. Para cada caso de estudo é realizada a interpretação do problema, transformando da linguagem verbal para a linguagem matemática, com a correspondente formulação matemática do problema. Finalmente, a formulação matemática do problema é implementada no Python, utilizando a linguagem de modelagem algébrica do GEKKO, e determinada a solução do problema de otimização, assim como também se realiza a interpretação os resultados obtidos.A Seção 2 é dedicada ao estudo da programação linear (LP) e na Seção 3 são tratados problemas de otimização não lineares (NLP). Em cada uma dessas seções são apresentados 3 casos de estudo diferentes. Já na Seção 4 são resolvidos 2 estudos de caso de programação linear inteira mista e 2 estudos de casos de programação não linear inteira mista, totalizando 4 estudos de casos a serem resolvidos. Finalmente, na Seção 5 apresentam-se 2 estudos de caso para abordar a otimização multiobjetivo.Ao final de cada seção prática é deixado um exercício individual (tarefa) para que o aluno coloque mão na massa e possa testar as habilidades e conhecimentos adquiridos durante ela.
