آموزش
پژوهش
همکاری صنعتی
بهینهسازی و تحقیق در عملیات
Optimization & Operations Research
Optimization & Operations Research
تجزیه و تحلیل داده و یادگیری ماشین
Machine Learning & Data Analytics
Machine Learning & Data Analytics
تحلیل کسبوکار و توسعه سیستمهای پشتیبان تصمیمگیری
Business Analytics & DSS
Business Analytics & DSS
جدیدترین دورههای آموزشی
- مقدمهای بر زبان برنامهنویسی پایتون (Python) و IDE های رایج آن
- نصب توزیع آناکوندا پایتون (Python Anaconda Distribution) و قابلیتهای آن
- نصب پکیجهای ماتریسی و ریاضی-محاسباتی (NumPy)، پردازش/تحلیل داده (Pandas) و نمودارها (Matplotlib)
- پکیج GurobPy برای بهینهسازی در پایتون با سالور گروبی (Gurobi)
- پکیج DOCPLEX برای بهینهسازی در پایتون با سالور سیپلکس (CPLEX)
- اجزای یک مدل بهینهسازی در GurobiPy و سیپلکس DOCPLEX: متغیرها، پارامترها، تابع هدف و قیود
- مدلسازی چندین مسئله بهینهسازی (Optimization Modeling) برای کدنویسی حل توسط Gurobi و CPLEX
- کدنویسی چندین مدل بهینهسازی کاربردی (طراحی شبکه، تولید/موجودی، زمانبندی، مکانیابی، تحلیل پوششی دادهها و ...)
- تحلیل حساسیت (Sensitivity Analysis) و مقایسه نتایج و اعتبارسنجی (Validation)
- تعریف بهینهسازی استوار در حالت سختگیرانه (Worst-case Robust Optimization Definition)
- مهمتریم مجموعههای عدمقطعیت (Uncertainty Set)
- مقایسه برنامهریزی تصادفی و بهینهسازی استوار کلاسیک (Classical Robust Optimization vs. Stochastic Programming)
- رویکردهای کلاسیک و مدرن تصمیمگیری و بهینهسازی دادهمحور (Classical & Modern Data-Driven Optimization Approaches)
- تصمیمگیری دادهمحور و بهینهسازی استوار دادهمحور (Data-Driven Robust Optimization [DDRO])
- بهینهسازی استوار دادهمحور مبتنی بر یادگیری ماشین (Machine-Learning-based Data-Driven Robust Optimization)
- بهینهسازی استوار توزیعی دادهمحور (Data-Driven Distributionally Robust Optimization [DRO])
- بهینهسازی استوار توزیعی تطبیقپذیر دادهمحور (Adaptive Distributionally Robust Optimization [ADRO])
- انواع مدلهای برنامهریزی و بهینهسازی ریاضی (Optimization Models)
- مدلهای بهینهسازی خطی و کاربردهای آن (Linear Programming/Optimization)
- مدلهای برنامهریزی عدد صحیح و بهینهسازی ترکیبیاتی (Integer Programming & Combinatorial Optimization)
- انواع مدلهای برنامهریزی غیرخطی و بهینهسازی محدب (Nonlinear Programming & Convex Optimization)
- شرایط بهینگی مسائل بهینهسازی غیرخطی (Optimality Conditions)
- بهینهسازی پیچیده مقیاس-بزرگ و نحوه حل آنها (Solving Complex & Large-Scale Optimization Problems)
- بهینهسازی تحت عدمقطعیت و مفهوم استواری (Robust Optimization under Uncertainty)
- تصمیمگیری چندمعیاره و بهینهسازی چندهدفه (Multi-Objective Optimization)
- اصول بهینهسازی تحت عدمقطعیت تصادفی و مفاهیم استواری و تطبیقپذیری (Adaptivity & Robustness)
- برنامهریزی مقید به شانس (Chance Constrained Programming)
- انواع رویکردهای تصمیمگیری و مدلهای برنامهریزی تصادفی
- برنامهریزی تصادفی چندمرحلهای (Multi Stage Stochastic Programing)
- روش تقریبی مبتنیبر میانگین نمونه (Sample Average Approximation)
- روش تقریبی افق غلطان (Rolling Horizon)
- یادگیری ماشین (Machin Learning) برای بهینهسازی استوار مدرن
- فرآیندهای مارکوف و مدلهای Stochastic Dynamic Programming با افق نامتناهی
- عدمقطعیت در مسائل بهینهسازی (Optimization under Uncertainty)
- انواع رویکردهای بهینهسازی استوار و برنامهریزی تحت عدمقطعیت
- برنامهریزی احتمالی/تصادفی (Probabilistic / Stochastic Programming)
- برنامهریزی فازی و انواع رویکردهای آن (Fuzzy Programming)
- مفهوم ریسک، سطح اطمینان، محافظهکاری و استواری
- بهینهسازی استوار کلاسیک و مدرن
- ارزش/هزینه استواری، واقعسازی و اعتبارسنجی
- مفاهیم اساسی و اصول نظریه بازی (Game Theory Concepts)
- مفاهیم اساسی رقابت و تعادلهای نش و استکلبرگ (Equilibrium)
- انواع بازیها و رقابتها، و رقابتهای مشارکتی (Classification of Games)
- ماتریس پیآمد، و روشهای Minimax و مشتقگیری برای تعادل نش
- برنامهریزی دوسطحی برای بازی استلکبرگ (Bi-Level Programming)
- رویکردهای کلاسیک شمارشی، KKT برای BLP و نقاط قوت و ضعف آنها
- انواع رویکردهای کارا برای حل مدلهای برنامهریزی دوسطحی (BLP Solver)
- عوامل پیچیدهکننده یک مدل بهینهسازی
- تقریب و یا خطیسازی عبارت ضربی، توان دوم، مکسمین و ...
- تکنیکهای خطیسازی دقیق و تکهای (Exact & Piecewise Linearization)
- انواع تقریبهای خطی، درجه 2 و محدب مبتنی بر درونیابی (Interpolation)
- تقریب در مدلهای برنامهریزی عددصحیح (Approximation in IP Models)
- تقریب مبتنی رویکردهای برنامهریزی غیرخطی (NLP-based Approximation)
- خطیسازی و یا تقریب ابتکاری و مسئلهمحور (Heuristic Approximation)
- اصل تعارض اهداف و تعیین بهترین ماتریس پیآمد (Objectives Conflict)
- مفاهیم پیآمد اهداف، کارایی، غلبه، و جبهه پارتو (Pay-off & Pareto Front)
- انواع رویکردهای بهینهسازی چندهدفه (MOMD Classification)
- تئوری و پیادهسازی انواع روشها: (WSM, L-p, EC, AEC, Lex, FGP, TH و …)
- روشهای تکاملی و مرتبسازی نامغلوب (Evolutionary MODM)
- بهینهسازی چندهدفه در شرایط عدمقطعیت (MODM under Uncertainty)
- جبهه پارتو، ارزیابی روشهای MODM و اعتبارسنجی آنها (PF Analysis)
- معرفی کامل نرمافزار GAMS ، کاربرد و نقاط قوت/ضعف آن
- فرم کلی یک مسئله بهینهسازی و جزئیات اجرای آن در GAMS IDE
- فراخوانی داده و گزارش خروجی یکبعدی و چندبعدی (Data Export/Import)
- پیادهسازی چندین مدل پایه در GAMS برای تسلط و نحوه تحلیل حساسیت
- بهینهسازی مدلهای پیچیده، چندهدفه، و غیرقطعی در GAMS
- پیادهسازی یک الگوریتم حل پیشرفته (BD و LR) در GAMS
- تعامل GAMS با دیگر محیطها و چرایی آن (Interfacing with APIs)
- دستهبندی انواع رویکردهای حل انتخاب متدلوژی با Optimality Guarantee
- تکنیکهای تجزیه بندرز (Benders Decomposition) و تجزیه L-shaped
- انواع شتابدهندههای کلاسیک و مدرن تجزیه بندرز و Local Branching
- تجزیه و آزادسازی لاگرانژ (Lagrangean Relaxation/Decomposition)
- تجزیه دانتزیگ-ولف (Dantzig-Wolf) و تولید ستون (Column Generation)
- تکنیکهای شاخه-قیمت (Branch & Price)، شاخه و برش (Branch & Cut)
- تکنیکهای تجزیه و حل دقیق برای مسائل بهینهسازی چندهدفه (MODM)