使用python求解二次规划的问题-创新互联
Python中支持Convex Optimization(凸规划)的模块为CVXOPT,其安装方式为:
pip install cvxopt
一、数学基础
二次型
二次型(quadratic form):n个变量的二次多项式称为二次型,即在一个多项式中,未知数的个数为任意多个,但每一项的次数都为2的多项式。其基本形式如下
亦可写作, ,称作二次型的矩阵表示,其中A是对称矩阵。仿照如下的定义,我们可以直接在其基本形式和矩阵表示之间相互转化。
2.正定矩阵
设A是n阶实对称矩阵, 如果对任意一非零实向量X,都使二次型 成立,则称f(X)为正定二次型,矩阵A称为正定矩阵(Positive Definite),A为正定矩阵。
相应的,如果对任意一非零实向量X,都使二次型成立,则称f(X)为半正定二次型,A为半正定矩阵。
3.二次规划问题
二次规划是指,带有二次型目标函数和约束条件的最优化问题。其标准形式如下:
即在Gx
二、python程序求解
工具包:Cvxopt python 凸优化包
函数原型:Cvxopt.solvers.qp(P,q,G,h,A,b)
P,q,G,h,A,b的含义参见上面的二次规划问题标准形式。
编程求解思路:
1.对于一个给定的二次规划问题,先转换为标准形式(参见数学基础中所讲的二次型二中形式转换)
2.对照标准形势,构建出矩阵P,q,G,h,A,b
3.调用result=Cvxopt.solvers.qp(P,q,G,h,A,b)求解
4.print(result)查看结果,其中result是一个字典,我们可直接获得其某个属性,e.g. print(result['x'])
下面我们来看一个例子
import pprint from cvxopt import matrix, solvers P = matrix([[4.0,1.0],[1.0,2.0]]) q = matrix([1.0,1.0]) G = matrix([[-1.0,0.0],[0.0,-1.0]]) h = matrix([0.0,0.0]) A = matrix([1.0,1.0],(1,2))#原型为cvxopt.matrix(array,dims),等价于A = matrix([[1.0],[1.0]]) b = matrix([1.0]) result = solvers.qp(P,q,G,h,A,b) print('x\n',result['x'])
另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
当前文章:使用python求解二次规划的问题-创新互联
当前路径:http://myzitong.com/article/dgcjgi.html