L'ottimizzazione convessa è un caso speciale di ottimizzazione matematica in cui la regione ammissibile è convessa e l'obiettivo è ridurre al minimo una funzione convessa o massimizzare una funzione concava.
Ho diversi problemi di ottimizzazione globale non convessi da risolvere. Attualmente uso MATLAB's Optimization Toolbox (in particolare, fmincon()con algoritmo = 'sqp'), che è abbastanza efficace . Tuttavia, la maggior parte del mio codice è in Python e mi piacerebbe fare l'ottimizzazione anche in Python. Esiste un solutore NLP con attacchi …
Vorrei sapere se esiste un modo rapido per calcolare la distanza euclidea di due vettori in Ottava. Sembra che non ci sia una funzione speciale per questo, quindi dovrei semplicemente usare la formula con sqrt?
Ho un set di dati e voglio trovare il parametro modo tale da ridurre al minimo la somma questo èx1,x2,…,xkx1,x2,…,xkx_{1}, x_{2}, \ldots, x_{k}mmm∑i=1k∣∣m−xi∣∣.∑i=1k|m−xi|.\sum_{i=1}^{k}\big|m-x_i\big|. minm∑i=1k∣∣m−xi∣∣.minm∑i=1k|m−xi|.\min_{m}\sum_{i=1}^{k}\big|m-x_i\big|.
A quanto ho capito, poiché una soluzione a un programma lineare si presenta sempre a un vertice del suo insieme poliedrico (se esiste una soluzione e il valore della funzione obiettivo ottimale è limitato dal basso, ipotizzando un problema di minimizzazione), come può una ricerca attraverso l'interno della regione fattibile …
Ho bisogno di risolvere s.t.minx∥Ax−b∥22,∑ixi=1,xi≥0,∀i.minx‖Ax−b‖22,s.t.∑ixi=1,xi≥0,∀i.\begin{alignat}{1} & \min_{x}\|Ax - b\|^2_{2}, \\ \mathrm{s.t.} & \quad\sum_{i}x_{i} = 1, \\ & \quad x_{i} \geq 0, \quad \forall{i}. \end{alignat} Io penso che sia un problema di secondo grado che dovrebbe essere risolvibile con CVXOPT , ma non riesco a capire come.
CVXOPT: http://abel.ee.ucla.edu/cvxopt/index.html OpenOpt: http://openopt.org/Benvenuto Qual è la relazione tra loro? Quali sono i vantaggi / gli svantaggi di questi, rispettivamente? A proposito, c'è qualche altra libreria di ottimizzazione convessa di alta qualità per Python / C ++ degna di nota?
Non riesco a vederne alcun riferimento negli elenchi di lavoro. Ho visto la programmazione di numeri interi, MIP, programmazione non lineare di numeri misti, LP, programmazione dinamica ecc., Ma nessun SDP. È molto più trendy nell'accademia che nell'industria? Dalla mia esposizione limitata a accademici e operatori del settore nei sistemi …
Ho un problema di ottimizzazione simile al seguente minJ,Bs.t.∑ij|Jij|MJ+BY=XminJ,B∑ij|Jij|s.t.MJ+BY=X \begin{array}{rl} \min_{J,B} & \sum_{ij} |J_{ij}|\\ \textrm{s.t.} & MJ + BY =X \end{array} Qui, le mie variabili sono matrici e , ma l'intero problema è ancora un programma lineare; le restanti variabili sono fisse.JJJBBB Quando provo ad accedere a questo programma nei …
In che modo la programmazione geometrica (generalizzata) è diversa dalla programmazione convessa generale? Un programma geometrico può essere trasformato in un programma convesso ed è in genere risolto con un metodo a punti interni. Ma qual è il vantaggio di formulare direttamente il problema come programma convesso e risolverlo con …
Considera il problema di ottimizzazione senza strettamente convessoLascia che x_ \ text {opt} denoti i suoi minimi unici e x_0 sia una data approssimazione iniziale di x_ \ text {opt}. Chiameremo un vettore x una soluzione \ epsilon- close di \ mathcal {O} if \ begin {equation} \ frac {|| …
Voglio minimizzare una funzione oggettiva complicata e non sono sicuro che sia convessa. C'è un simpatico algoritmo che tenta di dimostrare che non è convesso? Naturalmente l'algoritmo potrebbe non riuscire a dimostrarlo, nel qual caso non saprei se è convesso o no, e questo è OK; Voglio solo provare a …
We use cookies and other tracking technologies to improve your browsing experience on our website,
to show you personalized content and targeted ads, to analyze our website traffic,
and to understand where our visitors are coming from.
By continuing, you consent to our use of cookies and other tracking technologies and
affirm you're at least 16 years old or have consent from a parent or guardian.