مدل‌سازی ریاضی و اهمیت آن برای برنامه‌نویسی

🎨🔢 آیا می‌دانستید پیش از شروع هر پروژه کدنویسی در حوزه بهینه‌سازی، باید گامی اساسی و مهم بردارید؟ 🤔

🏗 درست مانند ساخت یک بنای باشکوه که نیازمند نقشه‌ای دقیق است، پیش از پیاده‌سازی هر برنامه یا الگوریتمی، باید با مدل‌سازی ریاضی، شالوده‌ای مستحکم بنا کنیم. این یادداشت را به‌عنوان مرجع فارسی مدل‌سازی ریاضی نوشته‌ام: از تعریف دقیق مفهوم و اجزای یک مدل، تا یک مثال کامل گام‌به‌گام، معرفی خانواده‌های اصلی مدل (LP، MILP، NLP و CP)، رایج‌ترین اشتباهات مدل‌سازی، و در نهایت مسیر رسیدن از فرمول ریاضی به کد قابل‌اجرا در Pyomo و OR-Tools. 📏📉

مدل‌سازی ریاضی چیست؟

مدل‌سازی ریاضی یعنی ترجمه‌ی یک مسئله واقعی و معمولاً مبهم زبانی، به زبان دقیق و بدون ابهام ریاضیات. وقتی مدیر یک کارخانه می‌گوید «می‌خواهیم با کمترین هزینه، تقاضای همه مشتری‌ها را برآورده کنیم»، این جمله برای کامپیوتر هیچ معنایی ندارد. کامپیوتر فقط اعداد، متغیرها و رابطه‌های ریاضی را می‌فهمد. کار مدل‌ساز این است که این جمله‌ی فارسی (یا هر زبان دیگری) را به یک ساختار ریاضی دقیق تبدیل کند که هم کامپیوتر آن را بفهمد و هم جوابش، همان جوابی باشد که مدیر کارخانه واقعاً به دنبالش است.

هر مدل بهینه‌سازی، صرف‌نظر از حوزه کاربرد (زنجیره تأمین، زمان‌بندی، انرژی، سلامت)، از سه رکن اصلی ساخته می‌شود:

1. متغیرهای تصمیم (Decision Variables): مقادیری که ما اجازه داریم تغییرشان دهیم تا به بهترین نتیجه برسیم. مثلاً چند واحد از هر محصول تولید شود، کدام پرستار در کدام شیفت کار کند، یا چه مسیری برای هر کامیون انتخاب شود.
2. تابع هدف (Objective Function): معیاری عددی که می‌خواهیم کمینه یا بیشینه‌اش کنیم؛ مثل هزینه کل، سود کل، یا طول کل مسیر.
3. قیدها (Constraints): محدودیت‌های واقعی که هر جواب قابل‌قبول باید رعایت کند؛ مثل ظرفیت تولید، بودجه، یا ساعات کاری مجاز.

نکته‌ی مهم این است که مدل‌سازی ریاضی، یک مهارت جداگانه از برنامه‌نویسی است. می‌توانید پایتون را عالی بلد باشید، اما اگر مسئله را درست مدل نکنید، کدتان چیزی را حل می‌کند که اصلاً مسئله واقعی شما نیست. برعکسش هم صادق است: مدلی که روی کاغذ بی‌نقص است، اگر در کد درست پیاده نشود، جواب غلط می‌دهد. برای همین، مدل‌سازی و کدنویسی باید دست‌به‌دست هم پیش بروند.

چرا مدل‌سازی ریاضی تا این حد اهمیت دارد؟ 🧐

1. درک عمیق مسئله و تعریف دقیق اجزای آن؛ خیلی وقت‌ها همین فرآیند نوشتن مدل، نشان می‌دهد که خود مسئله هم برای ما به‌روشنی مشخص نبوده است.
2. صرفه‌جویی در زمان، هزینه و جلوگیری از خطا؛ اصلاح یک قید اشتباه روی کاغذ، چند دقیقه طول می‌کشد؛ اصلاح همان اشتباه بعد از نوشتن هزاران خط کد، می‌تواند روزها وقت بگیرد.
3. امکان تحلیل، بهینه‌سازی و بهبود مدل؛ وقتی مسئله به‌صورت ریاضی نوشته شود، می‌توان پرسید «اگر ظرفیت ۱۰٪ بیشتر شود چه اتفاقی می‌افتد؟» بدون آنکه کل کد از نو نوشته شود.
4. برقراری ارتباط شفاف و مؤثر با مخاطب؛ یک فرمول ریاضی، زبان مشترکی است که هم مهندس صنایع، هم برنامه‌نویس و هم مدیر پروژه می‌توانند آن را بفهمند و درباره‌اش بحث کنند.
5. ایجاد پایه‌ای منعطف و مستحکم برای توسعه برنامه در آینده؛ وقتی ساختار مدل مشخص باشد، افزودن یک قید جدید یا یک محصول جدید، تغییری کوچک در مدل است، نه بازنویسی کامل سیستم.

پس یادگیری مدل‌سازی ریاضی برای موفقیت در دنیای پر چالش و رقابتی امروز، یک ضرورت انکارناپذیر است. 💪🚀

اجزای یک مدل بهینه‌سازی: یک مثال کامل گام‌به‌گام

برای اینکه این سه رکن (متغیر، هدف، قید) انتزاعی نماند، یک مثال واقعی و کامل را از صفر تا حل نهایی با هم پیش می‌بریم.

گام ۱: صورت مسئله به زبان ساده

یک کارگاه کوچک، دو محصول تولید می‌کند: محصول A و محصول B. هر واحد از محصول A، ۳ هزار تومان و هر واحد از محصول B، ۵ هزار تومان سود دارد. تولید این دو محصول از سه خط تولید عبور می‌کند:

• خط اول فقط محصول A را پردازش می‌کند و ظرفیت کلی‌اش ۴ واحد در روز است.
• خط دوم فقط محصول B را پردازش می‌کند و ظرفیت کلی‌اش معادل ۶ واحد در روز است.
• خط سوم هر دو محصول را پردازش می‌کند؛ هر واحد A سه ساعت و هر واحد B دو ساعت از این خط وقت می‌گیرد، و کل زمان در دسترس این خط ۱۸ ساعت در روز است.

سؤال: کارگاه چند واحد از هر محصول تولید کند تا سود کل روزانه بیشینه شود؟

گام ۲: تعریف متغیرهای تصمیم

$x_1$ را تعداد واحدهای تولیدی محصول A و $x_2$ را تعداد واحدهای تولیدی محصول B در نظر می‌گیریم. فعلاً فرض می‌کنیم این مقادیر می‌توانند هر عدد حقیقی نامنفی باشند (در ادامه خواهیم دید این فرض چه زمانی درست و چه زمانی اشتباه است).

گام ۳: نوشتن تابع هدف

هدف، بیشینه‌کردن سود کل است:

$$\max \; Z = 3x_1 + 5x_2$$

گام ۴: نوشتن قیدها

هر یک از سه خط تولید، یک قید جداگانه می‌سازد:

$$x_1 \le 4 \qquad \text{(ظرفیت خط اول)}$$ $$x_2 \le 6 \qquad \text{(ظرفیت خط دوم)}$$ $$3x_1 + 2x_2 \le 18 \qquad \text{(ظرفیت زمانی خط سوم)}$$ $$x_1, x_2 \ge 0$$

همین چهار رابطه به‌همراه تابع هدف، کل مدل ریاضی این مسئله هستند. مسئله از زبان فارسی مبهم، به یک مدل برنامه‌ریزی خطی (LP) دقیق تبدیل شد.

گام ۵: پیاده‌سازی و حل با Pyomo

from pyomo.environ import *

model = ConcreteModel()

# متغیرهای تصمیم
model.x1 = Var(within=NonNegativeReals)
model.x2 = Var(within=NonNegativeReals)

# تابع هدف
model.profit = Objective(
    expr=3 * model.x1 + 5 * model.x2,
    sense=maximize,
)

# قیدها
model.line1 = Constraint(expr=model.x1 <= 4)
model.line2 = Constraint(expr=model.x2 <= 6)
model.line3 = Constraint(expr=3 * model.x1 + 2 * model.x2 <= 18)

solver = SolverFactory('cbc')
solver.solve(model)

print(f"x1 = {value(model.x1):.1f}")
print(f"x2 = {value(model.x2):.1f}")
print(f"سود بهینه = {value(model.profit):.1f}")

گام ۶: تفسیر جواب

حل این مدل نشان می‌دهد جواب بهینه $x_1^\*=2$ و $x_2^\*=6$ است و سود بهینه برابر $Z^\*=36$ هزار تومان می‌شود. نکته جالب اینجاست که خط اول (با ظرفیت ۴ واحد A) اصلاً کامل استفاده نشده؛ یعنی این خط گلوگاه تولید نیست. اما خط دوم و خط سوم، هر دو دقیقاً تا سقف ظرفیت‌شان درگیر شده‌اند. اگر بخواهیم سود بیشتری به دست آوریم، باید ظرفیت یکی از همین دو خط را افزایش دهیم؛ افزایش ظرفیت خط اول، فعلاً هیچ تأثیری روی سود نخواهد داشت. این دقیقاً همان نوع بینشی است که مدل‌سازی ریاضی، فراتر از یک «عدد جواب»، در اختیار تصمیم‌گیرنده قرار می‌دهد.

اگر فرض کنیم محصولات فقط به‌صورت واحد کامل (نه کسری) قابل‌فروش هستند، کافی است در کد بالا within=NonNegativeReals را به within=NonNegativeIntegers تغییر دهیم؛ در این مثال خاص جواب تغییری نمی‌کند چون جواب بهینه از قبل هم عدد صحیح بود، اما در بسیاری از مسائل واقعی، همین یک تغییر کوچک، کل ماهیت مدل و زمان حل آن را عوض می‌کند. این دقیقاً مرز میان LP و MILP است که در بخش بعد به آن می‌پردازیم.

انواع مدل‌های بهینه‌سازی: LP، MILP، NLP و CP

نوع متغیرها و شکل تابع هدف و قیدها، مشخص می‌کند مدل شما در کدام خانواده قرار می‌گیرد. دانستن این دسته‌بندی مهم است چون مستقیماً تعیین می‌کند کدام سالور و کدام ابزار برای حل آن مناسب است.

برنامه‌ریزی خطی (LP — Linear Programming)

در LP، تابع هدف و همه‌ی قیدها خطی هستند و متغیرها پیوسته‌اند (می‌توانند هر عدد اعشاری در یک بازه باشند). مثال بالا، یک LP کامل بود. LP سریع‌ترین خانواده برای حل است؛ حتی مسائل با میلیون‌ها متغیر هم در زمان معقول حل می‌شوند. مسئله حمل‌ونقل که در یادداشت بهینه‌سازی با Pyomo به‌طور کامل حل شده، یکی از معروف‌ترین نمونه‌های LP است. LP معمولاً جایی به کار می‌رود که تصمیم‌ها ماهیتاً پیوسته‌اند: مقدار حمل، مقدار تولید، میزان تخصیص بودجه.

برنامه‌ریزی عدد صحیح مختلط (MILP — Mixed-Integer Linear Programming)

وقتی حداقل یکی از متغیرهای تصمیم باید عدد صحیح باشد (یا حتی فقط ۰ و ۱، برای تصمیم‌های دودویی مثل «بله/خیر»)، مدل به MILP تبدیل می‌شود. تصمیم‌هایی مثل «آیا این انبار را بسازیم یا نه؟» یا «آیا این وظیفه به این کارگر اختصاص یابد یا نه؟» طبیعتاً متغیر صفر-و-یک می‌خواهند. مسائل مکان‌یابی تسهیلات، زمان‌بندی پروژه و بسیاری از مسائل تخصیص، از جنس MILP هستند. نکته مهم این است که MILP معمولاً بسیار سخت‌تر از LP حل می‌شود؛ افزودن قید صحیح‌بودن، فضای جست‌وجو را به‌شدت پیچیده می‌کند، حتی اگر تعداد متغیرها کم باشد.

برنامه‌ریزی غیرخطی (NLP — Nonlinear Programming)

اگر تابع هدف یا حداقل یکی از قیدها غیرخطی باشد (مثلاً شامل توان دوم، ضرب دو متغیر در هم، یا توابع نمایی و لگاریتمی)، با NLP طرف هستیم. مسائل مربوط به جریان توان در شبکه برق، برخی مدل‌های قیمت‌گذاری با تابع تقاضای غیرخطی، و بسیاری از مسائل مهندسی فیزیکی، NLP هستند. حل NLP معمولاً به روش‌های مبتنی بر گرادیان نیاز دارد و برخلاف LP، تضمینی برای یافتن جواب سراسری (Global Optimum) وجود ندارد مگر آنکه مسئله محدب (Convex) باشد. برای درک شرایط بهینگی در این نوع مسائل، یادداشت شرایط KKT با مثال پایه نظری لازم را می‌دهد.

برنامه‌ریزی محدودیت (CP — Constraint Programming)

CP رویکردی متفاوت دارد: به‌جای تمرکز روی یک تابع هدف پیوسته، تمرکزش روی یافتن مقادیری از متغیرهای گسسته است که همه‌ی قیدها را هم‌زمان ارضا کنند. CP به‌خصوص برای مسائل زمان‌بندی، چیدمان و پازل‌های ترکیبیاتی عالی عمل می‌کند؛ جایی که قیدهای منطقی پیچیده (مثل «این دو وظیفه نباید هم‌زمان روی یک ماشین اجرا شوند») بیشتر از رابطه‌های جبری اهمیت دارند. یادداشت حل همه جواب‌ها با OR-Tools مفهوم پایه CP را با یک مثال ساده نشان می‌دهد، و آموزش کامل CP-SAT همین ایده را تا سطح مسائل واقعی زمان‌بندی مثل جاب‌شاپ گسترش می‌دهد.

جدول مقایسه سریع

نوع مدل	متغیرها	تابع هدف/قیدها	ابزار رایج	مثال کاربرد
LP	پیوسته	خطی	Pyomo + CBC/HiGHS	مسئله حمل‌ونقل
MILP	صحیح یا مختلط	خطی	Pyomo + CBC/HiGHS	مکان‌یابی تسهیلات
NLP	پیوسته	غیرخطی	Pyomo + Ipopt	جریان توان در شبکه برق
CP	گسسته	منطقی/ترکیبیاتی	OR-Tools CP-SAT	زمان‌بندی پرستار، جاب‌شاپ

در عمل، بسیاری از مسائل واقعی ترکیبی از این خانواده‌ها هستند؛ مثلاً یک مسئله زمان‌بندی تولید می‌تواند هم قید منطقی (از جنس CP) و هم هزینه خطی (از جنس LP) داشته باشد. تشخیص اینکه کدام بخش از مسئله غالب است، خودش بخشی از مهارت مدل‌سازی است.

اشتباهات رایج در مدل‌سازی ریاضی

یادگیری از اشتباهات دیگران، سریع‌تر از تکرار همان اشتباهات است. این‌ها رایج‌ترین خطاهایی هستند که در مدل‌سازی ریاضی، به‌خصوص برای افراد تازه‌کار، دیده می‌شوند:

نوع متغیر را اشتباه انتخاب‌کردن. تعریف یک متغیر به‌صورت پیوسته، درحالی‌که در واقعیت فقط مقدار صحیح معنا دارد (مثل تعداد کارگر یا تعداد کامیون)، می‌تواند جوابی تولید کند که روی کاغذ زیباست اما در عمل قابل‌اجرا نیست. برعکسش هم مشکل‌ساز است: تعریف بیش‌ازحد متغیر به‌صورت صحیح وقتی نیازی نیست، مدل را بی‌دلیل کند می‌کند.

فراموش‌کردن قید عدم‌منفی بودن یا محدوده واقعی متغیر. اگر فراموش کنید بگویید مقدار تولید نمی‌تواند منفی باشد، سالور ممکن است جوابی برگرداند که از نظر ریاضی بهینه است اما از نظر فیزیکی بی‌معناست.

ناسازگاری واحدها. مخلوط‌کردن ساعت و دقیقه، یا تن و کیلوگرم، در یک مدل، یکی از رایج‌ترین منابع خطای خاموش است؛ مدل اجرا می‌شود، جواب هم می‌دهد، اما جواب چند برابر غلط است. همیشه پیش از نوشتن کد، واحد هر پارامتر و متغیر را روی کاغذ مشخص کنید.

قید اضافه یا قید ناقص. افزودن قیدی که در واقعیت وجود ندارد، می‌تواند مدل را به‌اشتباه INFEASIBLE کند؛ و حذف قیدی که واقعاً لازم است، می‌تواند جوابی تولید کند که در عمل قابل‌اجرا نیست، حتی اگر سالور بگوید OPTIMAL. اگر با پیام INFEASIBLE مواجه شدید، یادداشت مدل غیرقابل‌اجرا: چطور قید مقصر را پیدا کنیم؟ روش سیستماتیک پیداکردن قید مقصر را نشان می‌دهد.

استفاده نادرست از Big-M. در بسیاری از مدل‌های MILP، برای فعال یا غیرفعال‌کردن یک قید با یک متغیر دودویی، از یک عدد بزرگ به نام Big-M استفاده می‌شود. اگر این عدد خیلی بزرگ انتخاب شود، مدل عددی (Numerically) ناپایدار و کند می‌شود؛ اگر خیلی کوچک انتخاب شود، ممکن است برخی جواب‌های معتبر از مدل حذف شوند. انتخاب Big-M باید بر اساس کران واقعی مسئله باشد، نه یک عدد دلبخواهی مثل یک میلیون.

مقیاس‌نبودن پارامترها. وقتی برخی پارامترهای مدل در حد یک و برخی دیگر در حد یک میلیون باشند، بسیاری از سالورهای عددی دچار مشکل همگرایی می‌شوند؛ به‌خصوص در NLP. نرمال‌سازی یا تغییر واحد پارامترها پیش از مدل‌سازی، می‌تواند زمان حل را به‌شدت کاهش دهد.

تست‌نکردن روی یک نمونه کوچک. بسیاری از باگ‌های مدل، فقط در مقیاس کوچک قابل‌کشف‌اند. پیش از اجرای مدل روی داده واقعی با هزاران متغیر، همیشه آن را روی یک نمونه کوچک و دستی‌قابل‌بررسی اجرا کنید و جواب را با منطق انسانی مقایسه کنید.

از مدل ریاضی تا کد: Pyomo و OR-Tools

بعد از نوشتن مدل روی کاغذ، نوبت پیاده‌سازی آن می‌رسد. دو ابزار اصلی که در این سایت پوشش داده شده‌اند، Pyomo و OR-Tools هستند، و انتخاب میان آن‌ها به نوع مدل بستگی دارد.

Pyomo یک زبان مدل‌سازی جبری (Algebraic Modeling Language) است؛ یعنی مدل را تقریباً به همان شکلی که روی کاغذ می‌نویسید، در پایتون تعریف می‌کنید و سپس یک سالور خارجی (مثل CBC، HiGHS یا Ipopt) آن را حل می‌کند. Pyomo برای LP، MILP و NLP گزینه طبیعی است، چون این سالورها دقیقاً برای همین نوع مسائل ساخته شده‌اند. یادداشت سه روش عملی استفاده از Solverها در Pyomo نشان می‌دهد چطور بدون نیاز به نصب پیچیده، یک سالور رایگان راه‌اندازی کنید، و یادداشت بهینه‌سازی با Pyomo یک مثال کامل‌تر از ساخت تا تحلیل حساسیت را پوشش می‌دهد.

OR-Tools ابزاری متن‌باز از گوگل است که سالور CP-SAT را به‌همراه دارد؛ سالوری که مخصوص مسائل گسسته و ترکیبیاتی طراحی شده و نیازی به نصب جداگانه ندارد. برای مسائلی که ماهیت CP یا MILP ترکیبیاتی سنگین دارند، مثل زمان‌بندی پرستار، جاب‌شاپ یا مسیریابی وسایل نقلیه، CP-SAT معمولاً از سالورهای عمومی MILP سریع‌تر عمل می‌کند. برای شروع، یادداشت حل همه جواب‌ها با OR-Tools نقطه ورود خوبی است.

قاعده عملی ساده این است: اگر مسئله شما عمدتاً از جنس تخصیص منابع پیوسته و رابطه‌های خطی است، با Pyomo شروع کنید. اگر مسئله شما عمدتاً از جنس چیدمان، توالی و قیدهای منطقی گسسته است (کدام کار قبل از کدام کار، کدام منبع به کدام زمان اختصاص یابد)، CP-SAT در OR-Tools را امتحان کنید. در بسیاری از پروژه‌های واقعی، حتی می‌توان هر دو ابزار را روی یک مسئله امتحان کرد و سرعت حل را مقایسه کرد؛ چون گاهی پیش‌بینی اینکه کدام سالور سریع‌تر عمل می‌کند، پیش از آزمایش عملی ممکن نیست.

سوالات متداول

آیا برای مدل‌سازی ریاضی باید ریاضیات پیشرفته بلد باشم؟ نه لزوماً. برای شروع، آشنایی با جبر پایه (معادلات خطی، نامعادلات) کافی است. مفاهیم پیشرفته‌تر مثل KKT یا دوگانگی (Duality)، زمانی لازم می‌شوند که بخواهید مدل‌های پیچیده‌تر یا غیرخطی را تحلیل کنید.

یادگیری مدل‌سازی ریاضی چقدر طول می‌کشد؟ درک مفاهیم پایه (متغیر، هدف، قید) معمولاً چند روز طول می‌کشد. اما مهارت واقعی مدل‌سازی، یعنی توانایی ترجمه یک مسئله واقعی و پیچیده به یک مدل درست و کارآمد، نیاز به تمرین روی ده‌ها مسئله متنوع دارد؛ دقیقاً به همین دلیل، این مهارت بیشتر شبیه یک هنر است تا یک فرمول ثابت.

اول Pyomo یاد بگیرم یا OR-Tools؟ اگر پس‌زمینه‌تان بیشتر سمت برنامه‌ریزی خطی و تخصیص منابع است، Pyomo نقطه شروع طبیعی‌تری است. اگر مسئله‌تان بیشتر زمان‌بندی و چیدمان است، مستقیم سراغ OR-Tools و CP-SAT بروید. دانستن هر دو، در بلندمدت ارزش زیادی دارد چون هیچ ابزاری برای همه مسائل بهینه نیست.

چرا سالور من INFEASIBLE یا UNKNOWN برمی‌گرداند؟ این دو پیام معنای کاملاً متفاوتی دارند و راه‌حل‌شان هم متفاوت است. یادداشت مدل غیرقابل‌اجرا: چطور قید مقصر را پیدا کنیم؟ این تفاوت را به‌طور کامل توضیح می‌دهد.

آیا می‌توان به‌جای Pyomo یا OR-Tools، از Excel Solver استفاده کرد؟ برای مسائل بسیار کوچک و آموزشی، بله. اما برای مسائل واقعی با صدها یا هزاران متغیر، Excel Solver هم از نظر سرعت و هم از نظر دقت عددی محدودیت جدی دارد؛ ابزارهایی مثل Pyomo و OR-Tools برای این مقیاس طراحی شده‌اند.

اما آیا فراگیری این هنر ساده است؟ قطعاً نه! 🎨😓

همان‌طور که نمی‌شود با حرف‌زدن، نقاشی‌کشیدن را آموخت، برای تسلط بر فنون مدل‌سازی ریاضی هم نمی‌توان به چند فرمول اکتفا کرد. این مهارت، جنبه‌ای ذوقی و خلاقانه دارد و جز با تمرین فراوان و حل مسائل متنوع به دست نمی‌آید. 🎨🔢

پس ادای حال‌بدها را در نیار و کار را شروع کن.

برای شروع عملی، لازم نیست حتی چیزی روی سیستم خودتان نصب کنید؛ یادداشت Google Colab: مزایا و معایب نشان می‌دهد چطور مستقیم در مرورگر کدنویسی را شروع کنید، و سه روش عملی استفاده از سالورها در Pyomo گام بعدی طبیعی برای حل مدل‌هایی است که همین‌جا یاد گرفتید بسازید.

جمع‌بندی

مدل‌سازی ریاضی، پلی است میان یک مسئله واقعی و مبهم زبانی، و یک کد قابل‌اجرا و دقیق. در این یادداشت دیدیم که هر مدل از سه رکن متغیر، هدف و قید ساخته می‌شود، یک مثال کامل را از صورت مسئله تا کد و تفسیر جواب پیش بردیم، چهار خانواده اصلی مدل (LP، MILP، NLP، CP) را از هم تفکیک کردیم، رایج‌ترین اشتباهات مدل‌سازی را مرور کردیم، و دیدیم چطور بسته به نوع مدل، باید میان Pyomo و OR-Tools انتخاب کرد.

اگر می‌خواهید این مهارت را از پایه و به‌صورت ساخت‌یافته یاد بگیرید، دوره مدل‌سازی ریاضی و بهینه‌سازی با پایتون دقیقاً برای همین هدف طراحی شده است. و وقتی به مسائلی رسیدید که در آن‌ها پارامترها قطعی نیستند (مثل تقاضای نامشخص یا هزینه متغیر)، دوره مدل‌سازی عدم‌قطعیت گام منطقی بعدی خواهد بود.