Cours d'optimisation en Business Analytics

Leçon 1 • Aperçu du flux de travail d'optimisation

Cartographie le processus de bout en bout, de la définition du problème au déploiement de la solution. Établit le cycle itératif utilisé tout au long du cours.

Leçon 2 • Anatomie d'un problème d'optimisation

Décompose les variables de décision, les fonctions objectif et les contraintes. Fournit un modèle universel pour structurer tout problème d'entreprise.

Leçon 3 • Qu'est-ce que l'optimisation en entreprise

Définit l'optimisation comme le processus de recherche de la meilleure solution sous contraintes. Ancre les concepts mathématiques abstraits à des décisions commerciales tangibles.

Leçon 4 • Exigences en matière de données et entrées du problème

Identifie les données nécessaires pour paramétrer un modèle d'optimisation. Des entrées propres et bien structurées déterminent directement la qualité de la solution.

Leçon 1 • L'algorithme du simplexe

Présente la méthode du simplexe comme un parcours systématique des points extrêmes. Les étudiants retracent les opérations de pivot sur de petits tableaux pour comprendre la convergence.

Leçon 2 • Analyse de sensibilité en PL

Examine comment les solutions optimales changent lorsque les coefficients de l'objectif ou les valeurs du membre de droite varient. Les plages de sensibilité guident une prise de décision robuste.

Leçon 3 • Formulation de programmes linéaires

Traduit des problèmes énoncés en langage naturel dans la forme PL standard avec un objectif linéaire et des contraintes linéaires. Une formulation correcte est le prérequis pour tout solveur.

Leçon 4 • Méthode de résolution graphique

Résout des PL à deux variables en traçant les régions réalisables et en évaluant les points extrêmes. Développe l'intuition géométrique avant les méthodes algorithmiques.

Leçon 1 • Débogage et validation de modèle

Diagnostique les erreurs courantes du solveur telles que les indicateurs d'irréalisabilité et les optima incorrects. Un débogage systématique évite des erreurs coûteuses dans les modèles de production.

Leçon 2 • PL en Python avec des bibliothèques open source

Formule et résout des modèles PL à l'aide de bibliothèques d'optimisation Python. Les flux de travail basés sur le code passent à l'échelle pour des problèmes plus vastes et plus complexes que les feuilles de calcul.

Leçon 3 • Interprétation des rapports de solveur

Lit les rapports de réponse, de sensibilité et de limites générés par les solveurs de feuilles de calcul. La maîtrise des rapports relie les résultats bruts à des insights commerciaux exploitables.

Leçon 4 • Considérations sur le passage à l'échelle et la performance

Aborde les problèmes de mise à l'échelle numérique qui dégradent la précision du solveur sur les grands modèles. Une mise à l'échelle appropriée réduit le temps de résolution et améliore la fiabilité de la solution.

Leçon 1 • Formulation de modèles MIP

Traduit les conditions logiques en contraintes binaires et en nombres entiers. La maîtrise de la formulation MIP ouvre une large classe de problèmes d'entreprise combinatoires.

Leçon 2 • Pourquoi les variables en nombres entiers sont importantes

Explique quand les solutions PL continues sont physiquement dénuées de sens et que des contraintes en nombres entiers sont nécessaires. Motive la MIP avec des exemples de gestion des effectifs et de budgétisation des investissements.

Leçon 3 • Algorithme de séparation et d'évaluation progressive

Retrace l'arbre de séparation et d'évaluation pour montrer comment les solveurs MIP trouvent des solutions entières optimales prouvables. Comprendre l'algorithme facilite le réglage des paramètres du solveur.

Leçon 4 • Applications MIP en entreprise

Applique la MIP à la localisation d'installations, à la sélection de projets et à la planification des quarts de travail. Des études de cas renforcent les compétences de formulation avec des ensembles de données réalistes.

Leçon 1 • Modèles de réseau dans la chaîne d'approvisionnement

Intègre les décisions de transport, de flux et de localisation dans un modèle de réseau de chaîne d'approvisionnement unifié. Les étudiants résolvent des problèmes de distribution multi-échelons.

Leçon 2 • Modèles de transport et d'affectation

Formule des problèmes d'adéquation offre-demande sous forme de tableaux de transport équilibrés. Le modèle d'affectation résout l'appariement un-à-un à un coût minimal.

Leçon 3 • Problèmes d'arbre couvrant de poids minimal

Trouve le réseau connecté de moindre coût à l'aide des algorithmes de Kruskal et de Prim. Les modèles MST concernent le déploiement d'infrastructures et la conception de réseaux de communication.

Leçon 4 • Plus court chemin et flux maximum

Applique l'algorithme de Dijkstra pour l'acheminement et le théorème du flot maximum-coupe minimum pour l'analyse de capacité. Les deux sous-tendent les décisions de logistique et de conception de réseaux.

Leçon 1 • Convexité et optima globaux

Définit les fonctions et ensembles convexes, garantissant que les optima locaux sont globaux. Reconnaître la convexité détermine si un résultat de solveur est fiable.

Leçon 2 • Optimisation non linéaire sous contraintes

Introduit les multiplicateurs de Lagrange et les conditions KKT pour la PNLC. Ces conditions identifient les candidats pour les optima contraints dans les modèles d'entreprise.

Leçon 3 • Révision du calcul différentiel pour l'optimisation

Rafraîchit les dérivées, les gradients et les hessiennes en tant qu'outils pour localiser les optima. Les conditions du calcul différentiel sous-tendent chaque algorithme d'optimisation non linéaire.

Leçon 4 • Solveurs PNLC et applications métier

Applique les solveurs PNLC aux problèmes de tarification, de portefeuille et de mix de production. Les étudiants configurent les options du solveur et valident les solutions non linéaires.

Leçon 1 • Algorithmes génétiques

Fait évoluer une population de solutions à l'aide d'opérateurs de sélection, de croisement et de mutation. Les AG gèrent des espaces de recherche complexes et discontinus courants dans les problèmes d'entreprise.

Leçon 2 • Recherche taboue et comparaison

Utilise une structure de mémoire pour interdire les solutions récemment visitées et guider la recherche. La comparaison des métaheuristiques sur des problèmes de référence développe un jugement pratique de sélection.

Leçon 3 • Quand les méthodes exactes sont insuffisantes

Explique la complexité computationnelle et les classes de problèmes NP-difficiles qui motivent les heuristiques. Comprendre les limites des solveurs exacts justifie les méthodes approchées.

Leçon 4 • Recuit simulé

Applique l'acceptation probabiliste de solutions moins bonnes pour échapper aux optima locaux. Le réglage du programme de refroidissement contrôle l'équilibre entre l'exploration et l'exploitation.

Leçon 1 • Incertitude dans l'optimisation d'entreprise

Distingue le risque, l'incertitude et la variabilité comme sources d'erreur de modèle. Cadrer correctement l'incertitude détermine la méthode stochastique à appliquer.

Leçon 2 • Notions de base de la programmation stochastique

Formule des programmes stochastiques à deux étapes avec recours pour l'incertitude de la demande et de l'offre. Les références de la valeur espérée et de l'attente-observation mesurent la valeur des solutions stochastiques.

Leçon 3 • Cadre d'optimisation robuste

Construit des ensembles d'incertitude et des contreparties robustes qui immunisent les solutions contre les scénarios les plus défavorables. Les modèles robustes échangent la performance moyenne contre la fiabilité.

Leçon 4 • Intégration simulation-optimisation

Combine la simulation de Monte Carlo avec l'optimisation pour évaluer des solutions stochastiques. Cette approche hybride gère des distributions complexes qui résistent au traitement analytique.