بهینه‌سازی داده‌محور و مبتنی بر‌ اطلاعات بهینگی
برای کمینه‌سازی پشیمانی/Regret در تصمیم‌گیری تحت عدم ‌قطعیت
(با کدنویسی و تحلیل)

Data-Driven Minimax Regret Robust Optimization
for Decision-Making under Uncertainty

بهینه سازی داده محور و مبتنی بر اطلاعات بهینگی

معرفی دوره

عنوان:

بهینه‌سازی داده‌محور و مبتنی بر‌ اطلاعات بهینگی برای کمینه‌سازی پشیمانی/Regret در تصمیم‌گیری تحت عدم ‌قطعیت (با کدنویسی و تحلیل)

Data-Driven Minimax Regret Robust Optimization for Decision-Making under Uncertainty

وضعیت:

برگزار شده (ویدیو در دسترس)

مدت زمان:

15 ساعت

مکان:

این دوره به صورت آنلاین و در پلتفرم برگزاری دوره‌های آنلاین همین سایت (آپتیم‌یار) برگزار می‌شود.

در برنامه‌ریزی بهینه‌ تحت عدم‌قطعیت، رویکردهای مختلفی وجود دارد که یک شاخه بسیار جذاب و کاربردی از آن، کاهش پشیمانی/تاسف (Regret) حاصل از تصمیم حال حاضر، در شرایط آینده است. این مدل‌ها که در ادبیات با عناوینی همچون کمینه‌سازی پشیمانی و یا به طور کامل‌تر مدل‌های کمینه‌سازی حداکثر تاسف (Minimax Regret) معروف هستند، از جمله معدود مواردی هستند که در آنها خاصیت استواری (Robustness) تضمین می‌شود. در واقع مدل‌های کمینه‌سازی رگرت را می‌توان در دسته مدل‌های بهینه‌سازی استوار (Robust Optimization) برای برنامه‌ریزی تحت عدم قطعیت نیز قرار داد چرا که فرمولاسیون و مدل‌سازی آن بر پایه خاصیت استواری بهینگی (Optimality Robustness) است.
علی‌رغم جذابیت و اهمیت فراوان مدل‌های کمینه‌سازی پشیمانی برای تصمیم‌گیری تحت عدم قطعیت (که با عناوینی چون Minimax Regret Robust Optimization مقالات متعددی در این زمینه وجود دارد)، دو موضوع بسیار مهم باید مورد توجه قرار گیرد تا مدل‌های مبتنی بر کاهش پشیمانی، قابلیت بکارگیری بیشتری داشته باشند: 1) استفاده از رویکرد داده‌محور در استخراج توزیع و یا تولید سناریو؛ 2) کسب اطلاعات در خصوص مقدار بهینه (یا نزدیک به بهینه) برا همه یا برخی از سناریوهای محتمل. این دو موضوع در کنار هم موجب می‌شود یک مدل مدرن تحت عنوان "مدل‌های بهینه‌سازی داده‌محور و مبتنی بر‌ اطلاعات بهینگی برای کمینه‌سازی پشیمانی/Regret در تصمیم‌گیری تحت عدم ‌قطعیت" معادل با عنوان لاتین Data-Driven & Scenarios Optimality Information-based Models to Minimize Regret in Decision-Making under Uncertainty مطرح شود که در این دوره به طور کامل مورد توجه قرار می‌گیرد.
در واقع مدل‌ مذکور را می‌توان یکی از روش‌های بهینه‌سازی استوار داده‌محور قرار داد که در آن، ابتدا، بر پایه داده‌های در دسترس و مبتنی بر تکنیک‌های تحلیل داده به تولید توزیع پارامترهای غیرقطعی و یا تولید سناریوهای محتمل پرداخته می‌شود (فاز تولید سناریو Data-Driven)؛ سپس مرحله یافتن اطلاعات بهینگی سناریوها طی می‌شود (فاز Optimality Information)؛ و نهایتا فاز تصمیم‌گیری مبتنی بر کمینه‌سازی پشیمانی (Decision-Makin based on Minimizing Regret) انجام می‌شود.
علاوه بر ویژگی‌های فوق در مدل بهینه‌سازی استوار داده‌محور این دوره آموزشی، به نحوه بهبود آن 1) مبتنی بر کنترل محافظه‌کاری و ترکیب با رویکردهای ریسک‌پذیر یا ریسک-‌خنثی (Hybridization with Risk-Neutral)؛ و 2) با جایگزینی پشیمانی نسبی (Relative Regret) به جای پشیمانی مطلق (Absolute Regret)، مورد توجه قرار گرفته است و به طور کامل آموزش داده می‌شود.
با توجه به اهمیت مباحث بهینه‌سازی تحت عدم قطعیت و به طور خاص شاخه‌های مبتنی بر داده، این مدل ساده و بسیار جذاب، آکادمی آپتیم‌یار تصمیم به ارائه این دوره به صورت آنلاین گرفته و سرفصل‌های مناسبی از آن ارائه داده است که قطعا می‌تواند موردتوجه بسیاری از پژوهش‌گران آکادمیک و صنعتی قرار گیرد. این دوره برای رشته‌های مهندسی، علوم پایه و مدیریت (از جمله ریاضیات، صنایع، کامپیوتر، برق/سیستم، عمران، مکانیک، انرژی، شیمی، حمل‌‌ونقل، اقتصاد و ...) و به طور کلی، هر زمینه آکادمیک و یا صنعتی/سازمانی مرتبط با مباحث برنامه‌ریزی، تصمیم‌گیری، بهینه‌سازی و تحلیل، مورد استفاده قرار می‌گیرد.
لازم به توضیح است که در این آموزش، علاوه بر تشریح و توضیح کامل و تئوریک مدل‌ها، به کدنویسی آن پرداخته می‌شود که برای این منظور از نرم‌افزار گمز (GAMS) و MATLAB استفاده می‌شود (از GAMS برای بخش بهینه‌سازی و از MATLAB در بخش تحلیل داده و تولید توزیع/سناریو استفاده می‌شود). علاوه بر ویدئوهای آموزشی، کدهای نرم‌افزاری و تحلیل‌های انجام‌شده نیز در اختیار ثبت‌نام‌کنندگان و فراگیران عزیز این دوره، قرار می‌گیرد.
اشتراک‌گذاری:
Share on telegram
Share on whatsapp
Share on facebook
Share on twitter
Share on email
Share on linkedin

برای کسب اطلاعلات بیشتر از محتوای این دوره آموزشی، می‌توانید مستقیما از طریق ID تلگرام زیر با مدرس دوره در ارتباط باشید:

سرفصل‌ها

  • مفهوم رگرت یا پشیمانی/تأسف در بهینه‌سازی تحت عدم‌قطعیت (Regret in Optimization under Uncertainty)
  • مفهوم استواری در بهینه‌سازی تحت عدم‌قطعیت (Robustness in Optimization under Uncertainty)
  • پشیمانی/تأسف در مقابل استواری در برنامه‌ریزی تحت عدم‌قطعیت (Robustness V.S. Regret)
  • معرفی رویکردهای داده‌محور برای برنامه‌ریزی تحت عدم‌قطعیت (Data-Driven Optimization under Uncertainty)
  • تولید توزیع و تولید سناریو در بهینه‌سازی داده‌محور (Data to Drive Distribution & Scenarios)
  • تفاوت تولید سناریو در حالت‌های وابستگی پارامترها و عدم‌وابستگی/استقلال پارامترها
  • تولید سناریو کلاسیک با مقدار اسمی و مقدار انحراف فرضی
  • تولید سناریو کلاسیک و مدرن مبتنی بر داده
  • یادگیری ماشین بدون نظارت با خوشه‌بندی فازی (Fuzzy C-Mean Clustering)
  • تولید سناریو مدرن مبتنی بر یادگیری ماشین (FCM-based Scenario Generation)
  • اطلاعات بهینگی هر سناریو (Scenario Optimality Information)
  • مرور رویکردهای مختلف ایجاد استواری در مدل‌های بهینه‌سازی استوار سناریومحور (Robustness for Scenario-based Models)
  • مدل بهینه‌سازی استوار سناریومحور مبتنی بر کمینه‌سازی بیشینه پشمیانی (Minimax Regret Robust Optimization [MRRO])
  • فرمولاسیون تاسف مطلق و تاسف نسبی (Absolute Regret and Relative Regret)

  • مدل MRRO مبتنی بر  Absolute Regret و Relative Regret
  • تحلیل نتایج و نقاط ضعف و قوت مدل‌های رگرت/پشیمانی (MRRO)

  • مدل MRRO داده‌محور (Data-Driven Minimax Regret Robust Optimization [DDMRRO])
  • مرور مدل‌های برنامه‌ریزی تصادفی کلاسیک با ریسک خنثی (Risk-Neutral Stochastic Programming)
  • مدل آغازف (Aghezzaf) در ترکیب برنامه‌ریزی تصادفی ریسک‌-خنثی و مدل‌های رگرت کلاسیک
  • تحلیل و تنظیم پارامترهای مدل استوار ترکیبی آغازف (Aghezzaf)
  • کنترل محافظه‌کاری مدل استوار داده‌محور مبتنی بر رگرت DDMRRO
  • چند مطالعه عددی: بیان مسئله – فرمولاسیون – مدل اسمی – مدل رگرت – مدل DDMRRO
  • کدنویسی مطالعه عددی برای تحلیل داده و تولید سناریو/توزیع داده محور در نرم‌افزار MATLAB

  • کدنویسی مدل‌های مختلف مطرح‌شده در نرم‌افزار GAMS
  • تحلیل نتایج عددی و اعتبارسنجی همراه با تبیین نقاط ضعف و قوت (Validation & Evaluation)

مدرس دوره

دکتر علی پاپی
Ali Papi

  • مقطع/مدرک تحصیلی: دانشجوی دکتری مهندسی صنایع و سیستم [بهینه‌سازی و تحقیق در عملیات]
  • تخصص شاخص: بهینه‌سازی و تحقیق در عملیات، یادگیری ماشین و علم تحلیل داده، تکنیک‌های تجزیه و روش‌های حل دقیق، بهینه‌سازی استوار داده‌محور، هوش محاسباتی و الگوریتم‌های فراابتکاری، نظریه بازی، بهینه‌سازی چندهدفه و تصمیم‌گیری چندمعیاره

    Optimization & Operations Research, Machine Learning & Data Analytics, Computational Intelligence & Metaheuristics, Decomposition Techniques & Exact Methods, Data-Driven Robust Optimization, Game Theory, Multi Criteria Decision Making

  • علاقه‌مندی‌: بکارگیری مدل‌های بهینه‌سازی استوار داده‌محور و رویکردهای حل هوشمند و دقیق برای حل مسائل مختلف صنعتی/سازمانی
  • زبان/نرم‌افزار شاخص‌: GAMS, IBM CPLEX, MATALB, Python, C++, MiniZinc, Vensim

سوالات متداول

بله، برحسب اعتماد گروه آپتیم‌یار به تمام فراگیران عزیز، با نظر مدرس دوره، ویدئو بازپخش هر بخش، یک سال در داشبورد شخصی هر فراگیر در سایت آپتیم‌یار قرار می‌گیرد. لازم به توضیح است که بعد از این مدت، در صورت صلاحدید مدرس دوره، امکان بارگذاری مجدد محتوا وجود دارد.

ویدئو هر جلسه در داشبورد شخصی شما قرار دارد و به صورتی برنامه‌ریزی شده است که فقط روی یک سیستم و با کد شخصی شما قابل پخش باشد. برای حفظ حقوق مدرسین گروه تخصصی آپتیم‌یار، لطفا از اشتراک‌گذاری خودداری نمایید.

گرچه سیاست اصلی ما این است که ویدیو فقط در داشبورد شخصی افراد شرکت‌کننده در دوره قرار گیرد، ولی برای این مورد می‌توانید با شماره تماس 09120044190 (به صورت پیامک/تلگرام) در ارتباط باشید.

لطفا به احترام حقوق مدرس و همچنین سایر شرکت کنندگان، فقط فرد ثبت‌نام ‌کننده حضور داشته باشد.

بله؛ به طور کامل.

بله؛ افراد شرکت‌کننده در هر دوره به گروه مرتبط با آن دوره اضافه می‌شوند و علاوه بر تعامل و هم‌فکری با یکدیگر طی و بعد از دوره، مدرس دوره هم در حد توان و وجود زمان، با آنها هم‌فکری دارد.

این مورد در اختیار مدرس دوره است. در صورت تمایل مدرس، کدها در داشبورد فراگیر قرار می‌گیرد و می‌تواند فقط و فقط به صورت شخصی استفاده نماید.

برای ثبت‌نام‌‌های زودهنگام معمولا تخفیف لحاظ می‌شود.

برای پاسخ به این مورد باید با مدرس دوره در ارتباط باشید.

 

کلاس آنلاین + ویدئو بازپخش + کدهای نرم‌افزاری + ارتباط با مدرس و مشاوره + گواهی/Certificate
پرسش و پاسخ و رفع ابهام فراگیران
تضمین کیفیت و گارانتی بازگشت کامل وجه
تضمین کیفیت و گارانتی بازگشت کامل وجه

آپتیم‌یار، با اطمینان از کیفیت دوره‌های آموزشی آنلاین خود و همچنین با اعتماد به فراگیران عزیز، تضمین می‌کند که اگر تا 1 ماه پس از دریافت محتوا و مشاهده فقط 5 ساعت از آن، عدم رضایت اعلام شود، کل وجه واریزی بازگشت داده ‌می‌شود.

ارتباط مستقیم با مدرس دوره:

درخواست مشاوره:

واریز خارج از ایران:

دیدگاه و سوالات

(برای تسریع در فرایند بررسی و پاسخ به سوال شما، پیشنهاد می‌شود در سایت عضویت داشته باشید.)
8 دیدگاه/سوال
جدید‌ترین
قدیمی‌ترین محبوب‌ترین
بازخورد داخلی
نمایش تمام دیدگاه‌ها
نوید سلمان زاده

من این دوره رو در کنار بهینه سازی استوار داده محور توزیعی با دکتر پاپی سال قبل از مهاجرتم به هلند خصوصی گذرونم. واقعا الان که اینا رو خودم توی دانشگاه تدریس میکنم همیشه اول تدریس هام میگم از ی دوست خوب توی ایران یاد گرفتم. خلاصه دکتر پاپی ما کلی تبلیغ میکنیم برات اینجا هااا 🙂 اینم بخاطر اون تخفیف ویژه ای که بهم دادی و اون تدریس معرکه و بینظیر

نسیم احدی

مفید و کاربردی و جذاب (البته بنظرم ساده نیست ها زدن ساده است 🙂 )

عاطفه

ببخشید چرا دکتر پاپی دوره های خصوصی شون رو توی پایومو و پایتون برگزار میکنن ولی این دوره در گمز هست؟ البته من از خودشون پرسیدم گفتن چون این در ادامه یک دوره است که از ابتدا با گمز و متلب بوده. خو نمیشه سوییچ کنن؟ ممنونم و در هر صورت حتما شرکت میکنم.

محمد رضا

قبلا minimax regret رو با دکتر پاپی گذروندم. اینکه داده محور کردن این رویکرد رو خیلی عالیه. واقعا حرفه ای هستند ایشون

سپیده

عااالیه. من میخوام همین رو در مقاله م استفاده کنم. واقعا ممنووونم و خدا خیرتون بده

ارشیا رشیدی

دوره جالب و کاربردی بنظر میاد. ممنون از تیم اپتیم یار و مدرس دکتر پاپی

نیما

سرفصل ها مفید هستن