دوره مقدمه‌ای بر الگوریتم‌های بهینه‌سازی

آنچه یاد خواهید گرفت: مفهوم P-NP اصول و شهود الگوریتم‌های بهینه‌سازی الگوریتم‌های اصلی مورد استفاده در مسائل ترکیبی می‌توانید درباره‌ی بسیاری از مسائل به‌صورت محاسباتی فکر کنید. پیش‌نیازهای دوره دانش اولیه ریاضی توضیحات دوره بررسی: این دوره‌ی فشرده‌ی 90 دقیقه‌ای، یک سفر نظری جامع در دنیای بهینه‌سازی عددی و محاسباتی ارائه می‌دهد. این سمینار برای کسانی طراحی شده است که می‌خواهند بفهمند ماشین‌ها چگونه مسائل پیچیده را حل می‌کنند و شکاف میان متدهای کلاسیک مبتنی بر حساب دیفرانسیل و الگوریتم‌های تکاملی مدرن را پر می‌کند. کار را با پیچیدگی محاسباتی (مسائل P در برابر NP) و نمادگذاری Big-O آغاز می‌کنیم تا درک محکمی از کارایی و محدودیت‌های عملکرد الگوریتم‌ها به دست آوریم. محتوای دوره: این درس به‌گونه‌ای ساختاربندی شده است که از متدهای قطعی به سمت جست‌وجوی تصادفی حرکت کند. ابتدا با بهینه‌سازی با مشتق‌ها شروع می‌کنیم و بررسی می‌کنیم که چگونه شیب یک تابع ما را به سمت نقاط بهینه هدایت می‌کند. با این حال، از آنجا که مسائل دنیای واقعی اغلب شامل بُعد بالا و فضاهای جست‌وجوی ناپیوسته هستند، به بهینه‌سازی عددی می‌رسیم و درباره‌ی مرزها، قیود و تفاوت میان مسائل گسسته و پیوسته صحبت می‌کنیم. یکی از محورهای اصلی این دوره، تعادل میان بررسی و بهره‌برداری است. بررسی می‌کنیم که ابتکاری‌ها چگونه در فضای جست‌وجو حرکت می‌کنند تا در بهینه‌های محلی گرفتار نشوند و در عوض به بهینه‌ی سراسری برسند. این برنامه‌ی آموزشی، طراحی تابع‌های برازندگی و نقش ابرپارامترها در تنظیم رفتار الگوریتم را نیز پوشش می‌دهد. همچنین به «هوشمندی» متدهای الهام‌گرفته از طبیعت، مانند الگوریتم‌های تصادفی و محاسبات تکاملی می‌پردازیم و توضیح می‌دهیم که این فرا ابتکاری‌ها چگونه مسائلی را حل می‌کنند که مشتق‌های سنتی در آن‌ها کارایی ندارند. این دوره، مقدمه‌ای ضروری برای هر کسی است که به اصول ریاضی هوش مصنوعی، تحقیق در عملیات و شبیه‌سازی‌های پیشرفته‌ی مهندسی علاقه‌مند است. این دوره برای چه کسانی مناسب است؟ افرادی که به الگوریتم‌های بهینه‌سازی علاقه‌مند هستند.