这个函数是用来求解双重线性约束问题的,满足公式如下
其中 minimize 部分中约束条件的第一和第三条可以推导出:Gx <= h,而这种形式也是我们在日常应用中会遇到的最常见的形式,有了这种不等关系,我们就可以将遇到的约束问题,对号入座找到上图中所示的 c,G,h,A,b 即可。
例如我们有这样一个例子:
c:就是我们要优化的目标方程的系数,此例中就是 [-4., -5.]
A,b:在这个例子中没有这两项,因为它们分别代表的是一个等式条件的系数和偏置,在上例中没有等式约束条件。
接下来要获得 G 和h,首先要将所有的不等号都转化为 <=,然后提取出 x 的系数矩阵就是 G,偏置就是 h,在上图例子中得到的结果就是:
G:[ [2.,1., -1., 0.], [1., 2., 0., -1.] ],其中 [2., 1., -1., 0.] 为 x1 的系数,[1., 2., 0., -1.] 为 x2 的系数
h:[3., 3., 0., 0.]
有了这几个系数后,就可以调用 solvers.lp 进行求解:
import numpy as np
from cvxopt import matrix, solvers
c = matrix([-4., -5.])
G = matrix([[2., 1., -1., 0.], [1., 2., 0., -1.]])
h = matrix([3., 3., 0., 0.])
sol = solvers.lp(c, G, h)
print(sol['x'])
输出结果:
[ 1.00e+00]
[ 1.00e+00]
如果有等式约束,则使用参数A,b
A为等式左边变量的系数,b为等式右边值,使用方法参考如下
if __name__ == "__main__":
df = pd.read_excel(equ_var_dir)
df = df.loc[(df['cla'].isin(cla_oth))]
G, h = get_G_h(df)
G1 = matrix(G)
h1 = matrix(h)
c1 = matrix(get_c(df))
A, b = get_A_b(df)
A1 = matrix(A, (len(A), len(A[0])))
b1 = matrix(b)
sol = solvers.lp(c1, G1, h1, A1, b1)
print(sol['x'])