1 Python概述与编程基础
1.1 历史与特点
1.1.1 Python的历史
1.1.2 Python的特点
1.2 安装和运行
1.2.1 Python安装
1.2.2 Python 运行
1.3 基础语法
1.3.1 基本格式
1.3.2 变量
1.3.3 数据类型
1.3.4 数据结构
1.3.5 常用运算符
1.4 流程控制
1.4.1 选择结构
1.4.2 循环结构
1.4.3 break 语句和continue语句
1.5 函数
1.5.1 函数定义、参数与调用
1.5.2 函数返回值与匿名函数
1.5.3 常用内置函数
1.6 类和对象
1.6.1 类的定义
1.6.2 对象
1.6.3 继承
1.7 模块和库
1.7.1 模块导入
1.7.2 math 模块
1.7.3 常用科学计算库
1.7.4 第三方库
2 Python常用优化库
2.1 概述
2.2 PulP
2.2.1 安装与主要类
2.2.2 求解过程
2.2.3 求解示例
2.3 SeiPy.optimize
2.3.1 安装与优化模块介绍
2.3.2 scipy.optimize.minimize
2.3.3 scipy.optimize.linprog
2.3.4 scipy.optimize.linear_sum_assignment
2.4 Google Optimization Tools
2.4.1 OR-Tools 概述
2.4.2 线性规划
2.4.3 整数规划
2.4.4 约束优化
2.4.5 指派问题
2.4.6 装箱问题
2.4.7 网络流问题
2.4.8 路径优化问题
2.5 MIP
2.5.1 安装与主要功能
2.5.2 求解步骤
2.5.3 求解示例
2.6 Gurobipy
2.6.1 安装与主要功能
2.6.2 基本用法
2.6.3 求解示例
2.7 Pymprog
2.7.1 安装与主要功能
2.7.2 基本用法
2.7.3 求解示例
2.8 NetworkX
2.8.1 安装与主要功能
2.8.2 基本用法
2.8.3 经典图论问题求解
2.8.4 NetworkX基本操作总结
2.9 APM 与GEKKO
2.9.1 安装与主要功能
2.9.2 基本用法
2.9.3 求解示例
3 线性规划及灵敏度分析
3.1 线性规划数学模型与求解
3.1.1 线性规划数学模型
3.1.2 线性规划的基本概念
3.1.3 求解方法
3.1.4 求解示例
3.2 线性规划灵敏度分析示例
4 运输问题
4.1 数学模型
4.2 求解方法
4.2.1 基本思想
4.2.2 算法步骤
4.3 求解示例
4.3.1 产销平街的运输问题
4.3.2 产销不平街的运输问题
4.3.3 产销不确定的运输问题
4.3.4 带转运的运输问题
5 整数规划
5.1 数学模型
5.2 求解方法
5.2.1 分支定界法
5.2.2 割平面法
5.3 整数规划求解示例
5.4 指派问题求解示例
6 目标规划
6.1 数学模型
6.2 求解方法
6.3 目标规划求解示例
7 图与网络分析
7.1 最小生成树问题
7.1.1 求解方法
7.1.2 求解示例
7.2 最短路问题
7.2.1 求解方法
7.2.2 求解示例
7.3 最大流量问题
7.3.1 基本概念
7.3.2 求解方法
7.3.3 求解示例
7.4 最小费用最大流问题
7.4.1 求解方法
7.4.2 求解示例
7.5 中国邮路问题
7.5.1 求解方法
7.5.2 求解示例
8 非线性规划
8.1 数学模型与基本概念
8.1.1 数学模型
8.1.2 基本概念与基础知识
8.2 一维搜索
8.2.1 问题描述
8.2.2 斐波那契法
8.2.3 黄全分割法
8.2.4 一维搜索求解示例
8.3 无约束非线性规划
8.3.1 最速下降法
8.3.2 牛顿法（Newton Method）
8.3.3 DFP法
8.3.4 BFGS算法
8.3.5 无约束非线性规划求解示例
8.4 有约束非线性规划
8.4.1 最优性条件
8.4.2 惩罚函数法
8.4.3 有约束非线性规划求解示例
9 启发式算法
9.1 模拟退火算法
9.1.1 基本思想
9.1.2 算法流程与步骤
9.1.3 算法的特点与改进
9.1.4 求解示例
9.2 遗传算法
9.2.1 基本思想
9.2.2 算法流程与步骤
9.2.3 算法特点与改进
9.2.4 求解示例
9.3 启发式算法求解模块
9.3.1 Scikit–opt
9.3.2 Geatpy
参考文献
附录l contour图的绘制
附录2 3D Surface 图的绘制
附录3 SymPy
展开
