妈妈再也不用担心我的矩阵运算了！Mosek学习笔记5，矩阵。

Mosek学习笔记系列就要接近尾声了。

（Mosek学习笔记系列之前的链接：https://blog.csdn.net/aliexken/article/details/104443873）

之所以把矩阵放的比较靠后，是因为其重要性。作为优化过程中承载数据的载体，矩阵的相关运算直接决定了建立优化问题模型的方式。经过研究后，非常遗憾，我还是没能找到能够舍弃Eigen的Mosek矩阵运算方法。Expr提供的矩阵运算形式，更多的是一种方程约束形式的表示，而不是直接的矩阵运算。即你不能通过Expr直接算出两个矩阵的和，但是却可以表示两个矩阵的和，并放入约束中，使用优化来获取值。感觉很绕，我猜想这和mosek在设计之初，以优化为第一目的的设计理念有关。

尽管如此，我还是非常认真的做了mosek学习笔记的原因，该工具还是能够将矩阵与线性代数运算和优化系统结合在一起，提供了完备的解决方案，而且最重要的是，提供了良好的C++接口！对基于VS开发C++算法的我来说简直就是福音！

闲话少说，上干货。

1. 矩阵初始化

矩阵初始化可以分为稠密矩阵和稀疏矩阵两种

预定了shape形态的矩阵。

auto A = new_array_ptr<double,2>({ {1,2,3,4}, {5,6,7,8} });
auto Ad= Matrix::dense(A);

基于一维向量模式。

auto Af = new_array_ptr<double,1>({ 1,2,3,4,5,6,7,8 });
auto Aff= Matrix::dense(2,4,Af);

稀疏矩阵

 auto rows   = new_array_ptr<int,1>({ 0, 0, 1, 1 });
 auto cols   = new_array_ptr<int,1>({ 0, 3, 1, 3 });
 auto values = new_array_ptr<double,1>({ 1.0, 2.0, 3.0, 4.0 });    
 auto ms = Matrix::sparse(rows->size(), cols->size(), rows, cols, values);

Members:
	Matrix.get – Get a single entry 获得唯一入口。 Matrix.getDataAsArray – Return a dense array of values 返回一个稠密数组的值。 Matrix.getDataAsTriplets – Return the matrix data in sparse triplet format 返回矩阵数据的稀疏三重格式。 Matrix.isSparse – Returns true if the matrix is sparse. 判断是否稀疏。 Matrix.numColumns – Returns the number of columns in the matrix 返回矩阵中的列。 Matrix.numNonzeros – Returns the number of non-zeros in the matrix 返回矩阵中非0的数目。 Matrix.numRows – Returns the number of rows in the matrix 返回矩阵中的行。 Matrix.toString – Get a string representation of the matrix 获得。 Matrix.transpose – Transpose the matrix 转置. 矩阵转置的方法有点怪，给一个实例 //vector<vector<double>> LX auto LX_Ma = monty::new_array_ptr<double>(LX);          auto LX_M = mosek::fusion::Matrix::dense(LX_Ma); auto LX_M_T = mosek::fusion::Matrix::t(LX_M)->transpose();
Static members:
	Matrix.antidiag – Create a sparse square matrix with a given vector as anti-diagonal 用给定的矢量创建一个稀疏的正方形矩阵作为对角线。 Matrix.dense – Create a dense matrix from the given data. 从提供的数据中创建一个稠密矩阵。 Matrix.diag – Create a sparse square matrix with a given vector as diagonal. 用给定的矢量创建一个稀疏的正方形矩阵作为对角线 Matrix.eye – Create the identity matrix. 创建单位矩阵 Matrix.ones – Create a matrix filled with all ones. 创建一个全是1的矩阵 Matrix.sparse – Create a sparse matrix from the given data. 利用给定数据创建一个稀疏矩阵

总结起来，也就是一个转置矩阵操作。

2. 结合线性代数的运算

Expr.add	Element-wise addition of two matrices 加法
Expr.sub	Element-wise subtraction of two matrices 减法
Expr.mul	Matrix or matrix-scalar multiplication 乘法
Expr.neg	Sign inversion 符号反转
Expr.outer	Vector outer-product  适量外积
Expr.dot	Dot product 点积
Expr.sum	Sum over a given dimension 给定维度的总和
Expr.mulElm	Element-wise multiplication 逐元素乘法
Expr.mulDiag	Sum over the diagonal of a matrix which is the result of a matrix multiplication  矩阵对角线的总和，这是矩阵相乘的结果
Expr.constTerm	Return a constant term 返回常数项

Expr::add(Expr::mul(A,x), Expr::mul(B,y));
Expr::add(new_array_ptr<Variable::t,1>({x, y, z, w}));

3. 约束域Domain的运算

*Domain.equalsTo – Defines the domain consisting of a fixed point. 创建一个等式 *Domain.greaterThan – Defines the domain specified by a lower bound in each dimension. 创建一个大于不等式 *Domain.lessThan – Defines the domain specified by an upper bound in each dimension. 建一个小于不等式 Domain.axis – Set the dimension along which the cones are created. 在建立锥优化时设置维度 Domain.binary – Creates a domain of binary variables. 创建一个二进制变量域 Domain.inDExpCone – Defines the dual exponential cone. 定义双指数锥 Domain.inDPowerCone – Defines the dual power cone.  定义双幂锥 Domain.inPExpCone – Defines the primal exponential cone. 定义原始指数锥 Domain.inPPowerCone – Defines the primal power cone. 定义原始幂锥 Domain.inPSDCone – Creates a domain of Positive Semidefinite matrices. 创建一个正半定矩阵的域 Domain.inQCone – Defines the domain of quadratic cones. 定义二次锥的域 Domain.inRange – Creates a domain specified by a range in each dimension. 创建一个由每个维度中的范围指定的域 Domain.inRotatedQCone – Defines the domain of rotated quadratic cones. Domain.integral – Creates a domain of integral variables. Domain.isLinPSD – Creates a domain of Positive Semidefinite matrices. Domain.isTrilPSD – Creates a domain of Positive Semidefinite matrices. Domain.sparse – Use a sparse representation. Domain.symmetric – Impose symmetry on a given linear domain. Domain.unbounded – Creates a domain in which variables are unbounded.

有了矩阵的初始化，线性代数计算以及约束域方法，我们就可以建立相应的约束规则。

在实际编程的时候，发现这个矩阵计算还是有点问题，Expr这个线性代数的计算不是直接针对矩阵的，看起来像是针对优化问题的，所以还是不能像eigen一样那么方便，除非是所有的矩阵都求好了才能够列在限制条件里，这个确实有点坑。如果有空的话，在补一期mosek与eigen配合使用的说明教程。

上面所有的Mosek介绍全部都是基于Fusion Model来进行的，也就是：MOSEK Fusion API for C++ 9.1.13。当我真正使用这套工具来做多元优化问题的时候，我傻了！使用几何规划实在是非常麻烦，在经过一天半的努力尝试后，我几乎要放弃了，都准备要转qpOASES学习。所谓踏破铁鞋无觅处，我找到了MOSEK Optimizer API for C 9.1.13。我原来以为Mosek的功能实现是相同的，只不过是基于C++或C的编译器，做不同的接口罢了，但是！我看了MOSEK Optimizer API for C 9.1.13，这里分明有多元优化问题的成熟解决方案！好吧，哥们今天就跟你干上了，新开一个mosek学习笔记！