Introducción a la Optimización Matemática en Python

Fundamentos de la Optimización Matemática en Python

Fundamentos de Ciencia de Datos

Guía práctica para principiantes de optimización discreta en Python

Los científicos de datos abordan una amplia gama de problemas de la vida real utilizando datos y diversas técnicas. La optimización matemática, una poderosa técnica que se puede aplicar a una amplia gama de problemas en diversos dominios, es una gran inversión en el kit de herramientas de los científicos de datos. En esta entrada práctica introductoria, nos familiarizaremos con tres populares bibliotecas de optimización en Python: la de Google OR-Tools, la de IBM DOcplex y la de la Fundación COIN-OR PuLP.

📍 Visión general

La optimización matemática consiste en encontrar la opción óptima para un problema cuantitativo dentro de límites predefinidos. Tiene tres componentes:

• Función(es) objetivo: Nos indica qué tan buena es una solución y nos permite comparar soluciones. Una solución óptima es aquella que maximiza o minimiza la función objetivo según el caso de uso. ▶ ️En algunos casos, puede haber múltiples funciones objetivo. Esto añade complejidad para determinar qué es una solución óptima. ▶ ️En algunos casos, puede que no haya función objetivo. A estos problemas de optimización se les llama problemas de viabilidad.
• Variable(s) de decisión: Representan un valor o valores que queremos averiguar, la respuesta que buscamos en un problema cuantitativo. La optimización se puede dividir en dos tipos según el tipo de variables de decisión:▶ ️Optimización discreta: Las variables de decisión son discretas. Asignar horarios y encontrar el camino de viaje más corto entre dos ubicaciones son algunos ejemplos de optimización discreta. Si quieres aprender más sobre optimización discreta, este curso y/o esta guía podrían interesarte.▶ ️Optimización continua: Las variables de decisión son continuas. Es posible que ya hayas escuchado el término optimización en el contexto del aprendizaje automático. El aprendizaje automático es un ejemplo de área donde se utiliza la optimización continua. Si quieres aprender más sobre optimización continua, es posible que encuentres útil este tutorial.
• Restricción(es): Define el rango factible de soluciones para las variables de decisión. ▶ ️En algunos problemas de optimización continua, puede que no haya restricciones. A esto se le llama optimización sin restricciones.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!