Faradars Discount
x عدم نمایش ۴۱٪ تخفیف جشنواره تخفیف، ویژه تابستان کد تخفیف: SMR98
Faradars Discount
فرصت باقیمانده

آموزش الگوریتم تجزیه بندرز با پیاده سازی در GAMS

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها
آموزش الگوریتم تجزیه بندرز با پیاده سازی در GAMS

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

دکتر محمد روحانی نژاد
دکتر محمد روحانی نژاد

شرکت مپصا- سرپرست واحد R&D

دکترای تخصصی مهندسی صنایع


دکتر محمد روحانی نژاد فارغ التحصیل دکترای تخصصی مهندسی صنایع از دانشگاه بوعلی سینا هستند. حوزه پژوهشی وی عمدتا معطوف به طراحی شبکه های پایا و قابل اطمینان در زنجیره تامین، زمان بندی و برنامه ریزی تولید در شرایط ریسک و همچنین نظریه بازی ها بوده و مقالات متعددی در این زمینه ها به تالیف رسانده اند. (+)



الگوریتم تجزیه بندرز یک روش قدرتمند برای حل مسائل بهینه سازی ریاضی در فرم های (IP/MIP/MILP/MINLP) است که در سال ۱۹۶۲ توسط آقای بندرز ارائه شد. این الگوریتم یک روش ساختار یافته و هوشمندانه برای مواجه با متغیرهای سخت و پیچیده مدل های ریاضی است. این الگوریتم مبتنی بر تجزیه مساله اولیه به دو مساله اصلی و زیر مساله و با ثابت کردن بردار متغیرهای سخت مساله پیچیدگی محاسباتی مساله را بطور قابل توجهی کاهش می دهد و سپس بردار متغیرهای سخت مساله را با اعمال صفحات برشی اصلاح و به سمت مقادیر بهینه شان همگرا می نماید.

👤 مدرس: دکتر محمد روحانی نژاد
🕓 مدت زمان: ۵ ساعت و ۹ دقیقه
🎓 تعداد دانشجو: ۸۰۷ نفر این آموزش را تهیه کرده اند. — ۲۶ نفر در یک ماه اخیر
روش دریافت: لینک دانلود و/یا ارسال فیزیکی

هزینه آموزش: ۱۹,۰۰۰ تومان


آنچه شما در این فرادرس خواهید دید:
آموزش ویدئویی مورد تایید فرادرس
فایل برنامه ها و پروژه های اجرا شده در حین آموزش
فایل PDF یادداشت های مدرس در حین آموزش
مراجع و فایل های جانبی مرتبط با آموزش

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • به صورت رایگان یک یا چند آموزش معادل دیگر دریافت می کنید.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می شود.
    (توضیحات بیشتر +)
دانلود آنی و ارسال سریع
فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش
ارسال پستی به همراه کد رهگیری مرسوله در اولین ساعت اداری روز

(توضیحات بیشتر +)



    توضیحات

    الگوریتم تجزیه بندرز یک روش قدرتمند برای حل مسائل بهینه سازی ریاضی در فرم های (IP/MIP/MILP/MINLP) است که در سال ۱۹۶۲ توسط آقای بندرز ارائه شد. این الگوریتم یک روش ساختار یافته و هوشمندانه برای مواجه با متغیرهای سخت و پیچیده مدل های ریاضی است. این الگوریتم مبتنی بر تجزیه مساله اولیه به دو مساله اصلی و زیر مساله و با ثابت کردن بردار متغیرهای سخت مساله پیچیدگی محاسباتی مساله را به طور قابل توجهی کاهش می دهد و سپس بردار متغیرهای سخت مساله را با اعمال صفحات برشی اصلاح و به سمت مقادیر بهینه شان همگرا می نماید. ما در این آموزش ضمن بیان مفاهیم و جزئیات این الگوریتم در قالب نرم افزار GAMS (گمز) بررسی می نماییم چگونه می توان با استفاده از این تکنیک زمان دستیابی به جواب های بهینه را کوتاه نماییم.

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این فرادرس، در ادامه آمده است:
    • مقدمه ای بر روش های بهینه سازی دقیق
    • معرفی تکنیک های تجزیه در بهینه سازی
    • معرفی متغیرهای سخت
    • معرفی فرآیند الگوریتم تجزیه بندرز (Benders Decomposition)
    • معرفی Master Problems-MP و نقش آن در فرآیند بهینه سازی الگوریتم
    • معرفی Dual Sub Problems-DSP و نقش آن در فرآیند بهینه سازی الگوریتم
    • معرفی شعاع حدی DSP و نحوه تعیین آن
    • معرفی برش بهینگی
    • معرفی برش شدنی
    • محاسبه کران بالا
    • روش بندرز Accelerated شده و L-Shape
    • حل چند مثال در قالب نرم افزار  GAMS (گمز)
    این آموزش برای رشته های زیر مفید است:
    • کلیه رشته های فنی مهندسی
    • رشته ریاضی
    • شیمی

    نرم افزارهای مرتبط با آموزش

    GAMS Distribution v24

    پیش نیاز

    • آشنایی با مدل سازی ریاضی
    • مسائل بهینه سازی
    • برنامه ریزی خطی و غیر خطی

    پیش نمایش

    پیش نمایش ۱ : الگوریتم بندرز - درس یکم - ۱۷ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۵۹ مگابایت (کلیک کنید +)


    پیش نمایش ۲ : الگوریتم بندرز - درس دوم - ۱۷ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۱۵ مگابایت (کلیک کنید +)


    پیش نمایش ۳ : الگوریتم بندرز - درس سوم - ۲۰ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۴ : الگوریتم بندرز - درس چهارم - ۱۳ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۵ : الگوریتم بندرز - درس پنجم - ۱۰ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.


    آموزش‌های پیشنهادی و مرتبط




    اطلاعات تکمیلی

    نام آموزش آموزش الگوریتم تجزیه بندرز با پیاده سازی در GAMS
    ناشر فرادرس
    شناسه اثر ۸-۱۲۴۵۲-۰۵۱۸۶۴ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش FVBD9408
    مدت زمان ۵ ساعت و ۹ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۴۲۸ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)
    تعداد DVD یک عدد (در صورت دریافت غیر آنلاین)


    ​راهنمای تهیه آموزش ها

    آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

    راهنمایی بیشتر ( +)

    در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟ 
    • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
    • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه

    با شروع یادگیری، یک کلیک فاصله دارید. همین حالا شروع کنید.

    آموزش الگوریتم تجزیه بندرز با پیاده سازی در GAMS

    هزینه آموزش: ۱۹,۰۰۰ تومان



    سایر آموزش های دکتر محمد روحانی نژاد




    دیدگاه ها

    ( امتیاز ۴٫۹ از ۵ )
    4.9 از 5


    تا کنون ۸۰۷ نفراز این آموزش استفاده کرده اند و ۱۰ نظر ثبت شده است.
    1. 5 از 5

      :

      خیلی وقت بود منتظر این آموزش بودم. عالیه

    2. 5 از 5

      :

      فوق العاده بود چند وقتیه درگیر این الگوریتم بودم ابهامات زیادی داشتم نتیجه ای هم که انتظار داشتم نمی گرفتم، اما جواب تمام سوالات مو دکتر روحانی نژاد دادند. بالاخره هم با شتاب دهنده هایی که آموزش دادند مشکل همگرایی الگوریتمم حل شد. ایشان فوق العاده درس میده به نظر من هنر ایشون اینه که موضوعات پیچیده رو خیلی به زبان ساده توضیح میده. لطفا از ایشون برای دوره های آموزشی بیشتر دعوت کنید. باز هم ممنونم.

    3. 5 از 5

      :

      سلام.
      در مجموع تدریس استاد خیلی خوب بود. البته اگر توسعه الگوریتم پایه برای شتابدهی رو از اول توضیح می‌دادند و روی کد پایه تغییر ایجاد نمی‌کردند، دنبال کردن مطالب خیلی ساده‌تر انجام می‌شد.
      همچنین یک مورد قابل ذکر هست که البته در کلیت کیفیت آموزش خصوصاً برای افراد تازه کار خللی ایجاد نمی‌کنه، اون هم اینکه روش L-Shape یک توسعه روش بندرز برای حل مسایل برنامه‌ریزی تصادفی دو مرحله‌ ای هست و اسم دیگه‌ ای برای بندرز چند برشی (Multi-Cut) نیست و اصلاً خود روش L-Shape در حالت پایه‌ اش یک روش تک برشی هست که البته می‌شه اون رو هم به صورت چند برشی توسعه داد.

    4. 5 از 5

      :

      بسیار سپاسگزار از فرادرس بابت این دوره.
      تا کنون هیچ پکیج آموزشی در خصوص الگوریتم تجزیه بندرز با این جامعیت وجود نداشت و بسیاری از دانشجویان علاقه مند معمولاً در متون خارجی نصف و نیمه سردرگم بودند؛ واقعا در جمع آوری این پکیج با تدریس عالی دکتر کار با ارزشی انجام دادید و کار دانشجوها را راحت کردید.
      فکر می کنم از این به بعد شاهد پژوهش ها و مقالات بیشتری از دانشجویان ایرانی با تیتر الگوریتم تجزیه بندرز باشیم.
      در مورد کامنت آقای احسان هم اینطور که من می دونم و فهمیدم l-shape و multi cut در پایه و اساس از یک منطق استفاده می کنند و آن تجزیه زیر مسئله یا مسئله مرحله دوم به مسائل کوچکتر است و از آنجایی که مدل های تصادفی سناریو بیس با توجه به ساختار مدل سازی شان این امکان را به ما می دهند یکی از زمینه های پر کاربرد برای این نوع از توسعه الگوریتم بندرز هستند که آقای دکتر به این موضوع در اواخر فیلم اشاره کردند. البته همانطور که آقای دکتر گفتند این منطق هم بصورت تک برشی قابل پیاده سازی است و هم بصورت چند برشی؛ با این فرق که در حالت تک برشی ما شاهد کاهش در زمان هر تکرار خواهیم بود ولی در حالت چند برشی علاوه بر کاهش در زمان تکرار، ممکن است شاهد کاهش در تعداد تکرار هم باشیم ولی از آنجایی که توسعه مدل تک برشی به چند برشی هزینه محاسباتی زیادی را ایجاد نمی کند حالت چند برشی l-shape مطرح شد که البته ما در مراجع بسیاری شاهد multi cut l-shape نیز هستیم.

    5. 0 از 5

      :

      amuzesh khubi ast, be onvne ye startpoint, ama be nazaram vase reshtehay dg ziad karbordi nist.
      dar majmoe khub va ghabele tosihe ast.

    6. 0 از 5

      :

      من هنوز آموزش رو ندیدم اما فکر می کنم فیلم خوبی باشه… البته که نیاز هست از قبل مطالعه داشته باشیم و نسبت به مفهوم بندرز شناخت داشته باشیم. در ارتباط با فرق بندرز و l-shape هم باید گفت که اساسا l-shape واسه مسائل تصادفی و جایی که زیر مسئله رو بخوایم (مثلا بر اساس سناریو ها یا محصولات مختلف یا دوزه های مختلف تجزیه کنیم) به کار میره و فرق اساسی بندرز با این روش اینه که در بندرز از دوگان زیر مسئله استفاده میشه در حالی که در l-shape از خود زیر مسئله برای ساخت برش ها استفاده میشه… مثلا واسه مسائل غیر خطی که دوگان گیری سخت باشه… اما اساسا l-shape بر پایه همون بندرز و اولین بار با هدف اپلای کردن واسه مسائل تصادفی ارائه شد…

    7. 0 از 5

      :

      سلام و خسته نباشید
      آموزش خیلی خوبی بود ولی تنها اشکال آموزش های فرادرس عدم امکان پرسش از مدرس یا مطرح کردن پرسش به صورت کلی است. کاش امکانش وجود داشت.
      باز هم ممنون

    8. 5 از 5

      :

      سلام
      من این آموزش را ندیدم ولی با شناختی که از دکتر روحانی نژاد در کنفرانس مهندسی صنایع دانشگاه امیرکبیر دارم مطمئناً آموزش خوبی است. دیدم تو کامنت ها راجع به تفاوت multi-cut benders و multi-cut L-shape صحبت شد البته بهتره خود استاد در این خصوص توضیح بدهند اما به نظر من multi-cut L-shape با multi-cut benders در نحوه و رویکرد اجراء هیچ فرقی ندارند فقط L-shape برای مدل های تصادفی بکار میره یا بهتر بگم multi-cut benders وقتی در مسائل تصادفی بکار میره اسمش میشه multi-cut L-shape. البته یک اختلاف جزئی هست همانطور که سعید گفت L-shape همان زیر مسئله را بجای دوگانش حل میکنه ولی مجدداً وقتی میخواهیم برش ها را ایجاد کنیم از قیمت های سایه ای زیر مسئله که همان جواب بهینه دوگان هستند استفاده می کنیم. این یعنی با حل کردن دوگان هیچ فرقی نمی کنه و باز وابسته به دوگان زیر مسئله هستیم (به نظرم بد نیست به مراجع زیر نگاه بشه). اتفاقاً اگر مطمئن باشیم پیچیدگی دوگان زیر مسئله کمتر از خود زیر مسئله است بهتره در مدل های تصادفی هم همان دوگان زیر مسئله را حل کنیم البته فکر میکنم Solver های تجاری کنونی خودشون قبل حل این موضوع را کنترل می کنند که حل مسئله اولیه به صرفه تره یا دوگان اون و اگر حل دو گان راحت تر باشه بجای مسئله اولیه دوگانش را حل می کنند.
      http://www.amsterdamoptimization.com/pdf/stochbenders.pdf
      http://cgm.cs.mcgill.ca/~avis/courses/567/notes/stoch3.pdf

    9. 0 از 5

      :

      با سلام.

      این آموزش بی نهایت عالی بود. از آقای دکتر روحانی نژاد تقاضا دارم که در صورت امکان یک آموزشی هم از تجزیه دانتزیج ولف ارائه بدهند تا اطلاعات ما در این زمینه هم کامل بشود.

      من یک سوالی داشتم و اینکه چه طور بفهمیم که مدل Dsp ما جواب چندگانه دارد که ما بتوانیم از روش پاراتو استفاده کنیم؟ آیا همیشه مدل Dsp ما جواب چندگانه دارد؟ آیا اگر مدل Dsp جواب چندگانه نداشت نمی توان از روش پاراتو استفاده کرد؟

      اگه کسی بتونه من را راهنمایی کنه ممنون میشم. با تشکر.

    10. 5 از 5

      :

      سلام
      خیلی آموزش خوبی بود و بسیار برای من مفید بود اول بسیار ممنونم از دکتر روحانی نژاد که بنظرم درک بالایی از OR دارند و دوم از فرادرس که چنین دوره های خوبی را برنامه ریزی می کنه. من هم تقاضا دارم در مورد دانتزیک ولف و کلاً column generation ها، و سایر روش های دقیق مثل B&B ، B&C ، B&P و … آموزش تهیه کنید. ممنونم

    11. 0 از 5

      :

      با سلام
      لطفا اموزش الگوریتم های Branch and Cut, و Branch and Price رو هم آماده کنین. مسلما تعداد زیادی از بچه ها به این آموزش ها نیاز دارند.
      ممنون

    12. 4 از 5

      :

      با سلام و تشکر ازآموزش خوب دکتر روحانی
      لطفا این آموزش ها را نیز ارایه دهید : Branch and Cut — Branch and Price — الگوریتم بالاس

    13. 0 از 5

      :

      سلام
      دوستان من کدها رو وقتی برای تجزیه بندرز در حالتی که از تسریع دهنده ها استفاده نمیشه اجرا میکنم جوابهای کران بالا و پایین با جوابی که تو فیلمه فرق داره. در واقع نقطه بهینه اصلی بدست نمیاد و جواب بهینه اصلی با مقدار کران بالا و پایین خیلی فرق داره. به نظرتون ممکنه کدهای تجزیه بندرز پایه مشکل داشته باشه؟ولی کدها رو با فیلم چک کردم دقیقا همون کدها بودن

    14. 4 از 5

      :

      تشکر از استاد –آموزش خیلی خوبیه
      اما به نظرم این الگوریتم طولانی و پیچیده ست و شاید یادگیری و استفاده از روش های دیگه (که ساده ترباشه) بهتر باشه

    15. 0 از 5

      :

      سلام کسی میدونه الگوریتم بندرز را به غیر از گمز باچه نرم افزاری میتونیم پیاده سازی کنیم؟

    16. 5 از 5

      :

      سلام
      بسیار ممنون از ویدیوی آموزشی بسیار خوبتون. الگوریتم تجزیه بندرز یکی از مواردی هست که هیچ جایی به این جامعیت در موردش توضیح داده نشده و خوشحالم که یک آموزش مخصوص این الگوریتم قرار داده شده. مدت زیادی بود که دنبالش بودم و خداروشکر تونستم پیداش کنم. البته اگه حل مثال های مربوط به این الگوریتم در متلب و یا زبان برنامه نویسی مثل پایتون برای مثالهای با حجم بالا اجرا بشه و آموزشش قرار داده بشه بسیار عالی میشه.
      با سپاس

    17. 0 از 5

      :

      سلام. از نظر بنده آموزش مناسبی می باشد. الگوریتم بسیار کار آمد می با شد. به عنوان پیشنهاد ترکیب این الگوریتم با دیگر الگوریتم ها به عنوان مثال الگوریتم لاگرانژ و یا الگوریتم های فرا ابتکاری نیز می تواند کاربردی بودن این الگوریتم را می تواند نشان دهد.

    18. 4 از 5

      :

      با سلام خدمت سایت فرادرس و استاد گرامی. آموزش این مبحث خیلی خوب بود.
      امیدوارم که در آینده ویدیو آموزشی تجزیه بندرز با روش sample average approximation در گمز را هم در سایت قرار دهید.
      خیلی ممنون


    نظر شما در مورد این فرادرس چیست؟

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

    امتیاز شما به این آموزش:



​همین امروز شروع به آموختن کنید​

آموزش الگوریتم تجزیه بندرز با پیاده سازی در GAMS

هزینه آموزش: ۱۹,۰۰۰ تومان


برچسب‌ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

دسته های مرتبط:


فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران