Python и исследование операций

Сергей Сундуков @ Moscow Python Meetup 44

"Хочу рассказать об успешном опыте применения питона и опен-сорсных библиотек при решении реальных бизнес-задач планирования и оптимизации".

Видео: http://www.moscowpython.ru/meetup/44/python-i-issledovanie-operacij/

Transcript

1. Python и исследование операций
   Спикер: Сергей Сундуков
   Компания: Консалтинговая группа Борлас
   Twitter: @alwaysallright
   

   View Slide

2. Введение
   • Исследование операций (Operations Research) – теория о
   применении математических методов для принятия
   оптимальных решений
   

   View Slide

3. Введение
   • Исследование операций (Operations Research) – теория о
   применении математических методов для принятия
   оптимальных решений
   • В современном виде начала формироваться во время
   WWII
   

   View Slide

4. Введение
   • Исследование операций (Operations Research) – теория о
   применении математических методов для принятия
   оптимальных решений
   • В современном виде начала формироваться во время
   WWII
   • Используемые методы: математическая оптимизация,
   математическое моделирование, статистический анализ
   

   View Slide

5. Примеры
   • Планирование производства
   

   View Slide

6. Примеры
   • Планирование производства
   • Составления расписания игр и тренировок для детской
   спортивной лиги
   

   View Slide

7. Примеры
   • Планирование производства
   • Составления расписания игр и тренировок для детской
   спортивной лиги
   • Распределение персонала промоушен-агентства
   

   View Slide

8. Примеры
   • Планирование производства
   • Составления расписания игр и тренировок для детской
   спортивной лиги
   • Распределение персонала промоушен-агентства
   • Распределение товаров в торговой сети
   

   View Slide

9. Примеры
   • Планирование производства
   • Составления расписания игр и тренировок для детской
   спортивной лиги
   • Распределение персонала промоушен-агентства
   • Распределение товаров в торговой сети
   • Планирование посевных площадей агрохолдинга
   

   View Slide

10. Готовые решения
    • APO
    • MOPZ
    SAP
    • Demand-Driven Planning
    and Optimization
    SAS
    • ASCP
    • SNO
    Oracle
    • Operational Decision
    Manager
    IBM
    

    View Slide

11. Недостатки готовых решений
    • Отсутствие необходимого функционала
    • Недостаточная гибкость
    • Проекты по внедрению трудозатратны или
    проваливаются
    

    View Slide

12. Построение кастомных приложений
    Входные данные
    • Спрос на товары
    или услуги
    • Доступные
    ресурсы и
    мощности
    • Затраты,
    спецификации,
    технологии
    • Операционные
    ограничения,
    предпочтения
    клиентов
    • Бизнес-цели
    Преобразование данных
    в математическую
    модель
    Поиск оптимального
    решения
    математической модели
    Выходные
    данные
    • Интерпретация
    полученного
    решения
    • Построение
    отчетов
    • Формулировани
    е рекомендаций
    

    View Slide

13. Математическая оптимизация
    • Задача линейного программирования (LP)
    

    View Slide

14. Математическая оптимизация
    • Задача линейного программирования (LP)
    • Переменные
    
    ,
    , … ,
    

    View Slide

15. Математическая оптимизация
    • Задача линейного программирования (LP)
    • Переменные
    
    ,
    , … ,
    • Целевая функция
    = ෍
    =
    
    
    
    =
    
    +
    
    + … +
    
    

    View Slide

16. Математическая оптимизация
    • Задача линейного программирования (LP)
    • Переменные
    
    ,
    , … ,
    • Целевая функция
    • Ограничения
    = ෍
    =
    
    
    
    =
    
    +
    
    + … +
    
    ෍
    =
    
    
    
    ≥
    = , , … ,
    

    View Slide

17. Математическая оптимизация 2
    • Задача смешанно-целочисленного линейного
    программирования (MILP)
    

    View Slide

18. Математическая оптимизация 2
    • Задача смешанно-целочисленного линейного
    программирования (MILP)
    • Нелинейное программирование (NLP)
    

    View Slide

19. Математическая оптимизация 2
    • Задача смешанно-целочисленного линейного
    программирования (MILP)
    • Нелинейное программирование (NLP)
    • Квадратичное программирование (QP)
    

    View Slide

20. Математическая оптимизация 2
    • Задача смешанно-целочисленного линейного
    программирования (MILP)
    • Нелинейное программирование (NLP)
    • Квадратичное программирование (QP)
    • Смешанно-целочисленное квадратичное
    программирование (MIQP)
    

    View Slide

21. Математическая оптимизация 3
    • Опенсорсные солверы: COIN-OR, GLOP, GLPK, lp_solve,
    APOPT
    

    View Slide

22. Математическая оптимизация 3
    • Опенсорсные солверы: COIN-OR, GLOP, GLPK, lp_solve,
    APOPT
    • Коммерческие солверы: CPLEX, Gurobi, SCIP, LINDO,
    XPRESS, Matlab solver
    

    View Slide

23. Математическая оптимизация 3
    • Опенсорсные солверы: COIN-OR, GLOP, GLPK, lp_solve,
    APOPT
    • Коммерческие солверы: CPLEX, Gurobi, SCIP, LINDO,
    XPRESS, Matlab solver
    • Фреймворки для разработки оптимизационных моделей:
    • GMPL, lp_solve IDE, opensolver
    • AMPL, AIMMS, CPLEX Optimization Studio,
    MATLAB, LINDO
    

    View Slide

24. Математическая оптимизация в python
    • Все основные солверы имеют API
    

    View Slide

25. Математическая оптимизация в python
    • Все основные солверы имеют API
    • Библиотеки, позволяющие разрабатывать
    оптимизационные модели.
    

    View Slide

26. Математическая оптимизация в python
    • Все основные солверы имеют API
    • Библиотеки, позволяющие разрабатывать
    оптимизационные модели.
    • Основные библиотеки: openopt, PuLP, google ortools,
    pyomo, scipy.optimize
    

    View Slide

27. Пример разработки модели
    

    View Slide

28. Пример разработки модели
    Входные данные
    

    View Slide

29. Пример разработки модели
    Входные данные
    Преобразование
    

    View Slide

30. Пример разработки модели 2
    Инициализация
    модели
    

    View Slide

31. Пример разработки модели 2
    Инициализация
    модели
    Переменные
    Отправляем на решение
    

    View Slide

32. Пример разработки модели 2
    Инициализация
    модели
    Переменные
    Целевая функция
    

    View Slide

33. Пример разработки модели 2
    Инициализация
    модели
    Переменные
    Целевая функция
    Ограничения
    

    View Slide

34. Пример разработки модели 2
    Инициализация
    модели
    Переменные
    Целевая функция
    Ограничения
    Отправляем на решение
    

    View Slide

35. Пример разработки модели 3
    Интерпретация
    

    View Slide

36. Пример разработки модели 3
    Интерпретация
    Выходные данные
    

    View Slide

37. Преимущества python для разработки ОМ
    • Почему я рекомендую кастомные оптимизационные
    приложения?
    

    View Slide

38. Преимущества python для разработки ОМ
    • Почему я рекомендую кастомные оптимизационные
    приложения?
    - Скорость разработки
    

    View Slide

39. Преимущества python для разработки ОМ
    • Почему я рекомендую кастомные оптимизационные
    приложения?
    - Скорость разработки
    - Эффективность
    

    View Slide

40. Преимущества python для разработки ОМ
    • Почему я рекомендую кастомные оптимизационные
    приложения?
    - Скорость разработки
    - Эффективность.
    - Низкая стоимость
    

    View Slide

41. Преимущества python для разработки ОМ
    • Почему я рекомендую кастомные оптимизационные
    приложения?
    - Скорость разработки
    - Эффективность.
    - Низкая стоимость
    • Почему я рекомендую python для разработки?
    

    View Slide

42. Преимущества python для разработки ОМ
    • Почему я рекомендую кастомные оптимизационные
    приложения?
    - Скорость разработки
    - Эффективность.
    - Низкая стоимость
    • Почему я рекомендую python для разработки?
    • Почему я рекомендую мультисолверные библиотеки?
    

    View Slide

43. Преимущества python для разработки ОМ 2
    • Огромное количество возможностей для
    загрузки/выгрузки, преобразования, анализа данных
    

    View Slide

44. Преимущества python для разработки ОМ 2
    • Огромное количество возможностей для
    загрузки/выгрузки, преобразования, анализа данных
    • Возможность использовать ML
    

    View Slide

45. Преимущества python для разработки ОМ 2
    • Огромное количество возможностей для
    загрузки/выгрузки, преобразования, анализа данных
    • Возможность использовать ML
    • Возможность быстрого прототипирования
    

    View Slide

46. Сергей Сундуков
    sergei.sundukov@gmail.com
    Пример: https://github.com/sergeisundukov/app_scheduling
    

    View Slide