دوره مدل‌سازی مسائل بهینه‌سازی

چرا مدل‌سازی مهم‌تر از کدنویسی است؟

یک solver قدرتمند مانند Gurobi تنها زمانی مفید است که مسئله به‌درستی فرموله شده باشد. اگر متغیر تصمیم، تابع هدف یا قیود اشتباه تعریف شوند، هیچ سالورای جواب درست نمی‌دهد. در این دوره ابتدا زبان مدل‌سازی را می‌آموزید و سپس با ذهنیت درست وارد کدنویسی می‌شوید.

پیش از آن‌که کارگر و بتون و آجر بیاید، نقشه روی کاغذ می‌آید. هیچ معمار عاقلی سراغ خرید مصالح یا ساخت‌وساز نمی‌رود پیش از آن‌که بداند دقیقاً چه چیزی می‌سازد، ابعادش چیست و در برابر چه بارهایی باید مقاوم باشد. بهینه‌سازی هم دقیقاً همین ترتیب را دارد؛ سه گام پشتِ‌سرِ هم:

۱. نقشه (مدل ریاضی): متغیر تصمیم، تابع هدف و قیود را روی کاغذ می‌نویسید. این همان نقشهٔ معماری است؛ اگر اینجا اشتباه کنید، تا آخر پروژه اشتباه می‌مانید.

۲. انتخاب ساختمان (سالور): بسته به این‌که مدل شما LP است یا MILP یا NLP، سالورِ مناسب را انتخاب می‌کنید — همان‌طور که برای یک ویلای یک‌طبقه سازهٔ فلزی سنگین نمی‌سازید و برای برج، دیوار خشتی نمی‌چینید.

۳. ساخت (کدنویسی): حالا نوبت اجراست. کد فقط ترجمهٔ نقشه به زبانی است که سالور می‌فهمد؛ نه بیشتر، نه کمتر.

بیشترِ پروژه‌های شکست‌خوردهٔ بهینه‌سازی، پروژه‌هایی هستند که مستقیم از گام سوم شروع شده‌اند: کد زده‌اند بدون این‌که نقشه‌ای در کار باشد. این دوره دقیقاً همان گام اول را به شما یاد می‌دهد.

هدف دوره

• تبدیل مسائل واقعی به مدل ریاضی دقیق و قابل حل
• شناخت متغیرهای تصمیم، تابع هدف و قیود
• تشخیص نوع مسئله (LP، MILP، NLP) و انتخاب رویکرد مناسب
• آمادگی برای کدنویسی با ابزارهای بهینه سازی

یک نمونه ساده: از مسئله تا مدل

فرض کنید می‌خواهیم با کمترین هزینه، تقاضای یک شبکه را از چند منبع تأمین کنیم. سه رکن مدل چنین می‌شوند:

# نمونه مدل‌سازی یک مسئله تخصیص ساده با Pyomo
from pyomo.environ import (ConcreteModel, Set, Var, Objective, Constraint,
                           NonNegativeReals, minimize, SolverFactory, value)

sources = {'A': {'cost': 4, 'cap': 100},
           'B': {'cost': 6, 'cap': 80},
           'C': {'cost': 3, 'cap': 60}}
demand = 180

m = ConcreteModel()
m.S = Set(initialize=list(sources.keys()))

# متغیر تصمیم: مقدار تأمین از هر منبع
m.x = Var(m.S, domain=NonNegativeReals,
          bounds=lambda m, s: (0, sources[s]['cap']))

# تابع هدف: کمینه‌کردن هزینه کل
m.cost = Objective(
    rule=lambda m: sum(sources[s]['cost'] * m.x[s] for s in m.S),
    sense=minimize)

# قید: تأمین کامل تقاضا
m.meet = Constraint(rule=lambda m: sum(m.x[s] for s in m.S) == demand)

SolverFactory('glpk').solve(m)
for s in m.S:
    print(f"{s}: {value(m.x[s]):.1f}")
print(f"هزینه کل: {value(m.cost):.1f}")

همین ساختار سه‌بخشی (متغیر، هدف، قید) در تمام مسائل پیچیده‌تر — از سیستم قدرت تا مسیریابی — تکرار و گسترش می‌یابد. برای اجرای این کد بدون نصب چیزی روی سیستم خودتان، راهنمای Google Colab کمک می‌کند؛ و برای مرور روش‌های مختلف فراخوانی سالور در Pyomo، یادداشت سه روش عملی استفاده از سالورها را ببینید.

این دوره برای چه کسانی است؟

• دانشجویان و پژوهشگرانی که تازه وارد بهینه‌سازی می‌شوند
• مهندسان و تحلیل‌گرانی که مسئله واقعی دارند اما نمی‌دانند چطور فرموله‌اش کنند
• کسانی که می‌خواهند پیش از دوره‌های تخصصی (سیستم قدرت، عدم قطعیت، VRP) پایه محکمی بسازند

سوالات متداول درباره دوره

پیش‌نیاز این دوره چیست؟

این دوره پایه است و پیش‌نیاز خاصی ندارد. آشنایی مقدماتی با ریاضیات دبیرستانی و کمی برنامه‌نویسی برای بخش عملی کافی است.

آیا این دوره کدنویسی هم دارد؟

تمرکز اصلی بر مدل‌سازی است تا آماده ورود به دوره‌های تخصصی کدنویسی شوید.

بعد از این دوره چه مسیری را ادامه دهم؟

بسته به علاقه، می‌توانید وارد دوره مقدماتی و پیشرفته سیستم‌های قدرت، دوره مدل‌سازی عدم قطعیت یا دوره VRP در Python شوید.