python的cvxopt线性约束用法

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'])