yalmip决策变量

yalmip一共有三种方式创建决策变量，分别为:

sdpvar-创建实数型决策变量

intbar-创建整数型决策变量

binvar-创建0/1型决策变量

sdpvar:定义象征变量。

语法：

x=sdpvar(n)

x=sdpvar(n,m)

x=sdpvar(n,m,'type')

x=sdpvar(n,m,'type','field')

x=sdpvar(dim1,dim2,dim3,...,dimn,'type','field')

sdpvar x

例子：

定义正方形的实数对阵矩阵如下：

P=sdpvar(n,n)% SYMMETRIC!

若是需要定义一个对阵矩阵或是标量，上面的命令也可以通过一个参数进行简化定义：

P=sdpvar(n)% SYMMETRIC!

通过使用详细的注释也可定义同样的矩阵：

P=sdpvar(n,n,'symmetric')

定义全参数矩阵（非必须对阵）需要给定第三个参数：

P=sdpvar(n,n,'full')

定义一个正方形复数全参数矩阵：

P=sdpvar(n,n,'full','complex')

第三个和第四个参数可以简化为如下形式：

P=sdpvar(n,n,'sy','co')

很多用户在一开始很简单的事情上，比如定义一个对角变量，遇到困难。请记住在使用yalmip时几乎所有matlab操作符都适用于sdpvar对象。今后，用如下命令定义对角变量：

sdpvar x y z(1,1) u(2,2) v(2,3,'full','complex')

或是 汉克矩阵：

X=hankel(sdpvar(n,1));

特定情况下需要几个相同变量，通常的方式市使用循环语句实现：

fori=1:100;

X{i}=sdpvar(5,5);

end

更方便的方式是使用维度赋值了的向量（不会翻译：vector valued dimensions）

X=sdpvar(5*ones(1,100),5*ones(1,100));

定义一个3维变量，其中每一个面的2个维度都是对称的：

X=sdpvar(3,3,3)

X(:,:,1)

Linear matrix variable 3x3 (symmetric,real,6 variables)

定义一个4维变量，其中第一个2维的每个面都是全参数化。

X=sdpvar(3,3,3,3,'full')

X(:,:,1,1)

Linear matrix variable 3x3 (full,real,9 variables)

作者：keyliva
链接：https://www.jianshu.com/p/558cdfd4196f
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。