cvxpy: Python优化库
对于如下所示的线性规划问题:
首先,定义变量
import cvxpy as cp
x = cp.Variable()
y = cp.Variable()
然后,定义目标函数和约束条件:
objective = cp.Minimize(2*x + 3*y)
constraint = [x + y >= 10, x >= 0, y >= 0]
最后,求解问题并输出结果:
problem = cp.Problem(objective, constraint)
problem.solve(solver=cp.ECOS)
print("Optimal value:", problem.value)
print("Optimal variable x:", x.value)
print("Optimal variable y:", y.value)
定义变量:
import cvxpy as cp
help(cp.Variable)
cp.Variable(shape=(), name=None, var_id=None, **kwargs)
基本属性
shape: 表示形状, 可以使用元组 (3,2) 表示 3 × 2的矩阵
name: 变量名字, 可以使用字符串
数学性质
例如
x=cp.Variable(shape=(3,3), name='cov', symmetric=True)
数域
boolean 布尔型, integer 整数型
x=cp.Variable(shape=(1),boolean=True)
y=cp.Variable(shape=(1),integer=True)
neg 负数 nonneg 非负
x=cp.Variable(shape=(1),nonneg=True)
pos 正数 nonpos 非正
x=cp.Variable(shape=(1),nonpos=True)
complex 复数 imag 虚数
矩阵
hermitian 共轭对称性
NSD 半负定矩阵 PSD 半正定矩阵
symmetric 对称矩阵
注意:
1.Problems 是不可变的,这意味着它们在创建后不能更改。要更改目标或约束,请创建一个新问题。
2.对于最小化问题,如果问题无法实现,则最优值为 inf ;如果问题无界,则最优值为 -inf 。对于最大化问题来说,情况正好相反。
3.Variables 可以是标量、向量或矩阵,即它们可以是 0、1 或 2 维的。
目前可以使用以下类型作为常数:
NumPy的ndarrays(NumPy的多维数组)
NumPy的matrices(NumPy的矩阵)
SciPy的sparse matrices(SciPy的稀疏矩阵)
# 标量变量。
a = cp.Variable()
# 形状为 (5,) 的向量变量。
x = cp.Variable(5)
# 形状为 (5, 1) 的矩阵变量。
x = cp.Variable((5, 1))
# 形状为 (4, 7) 的矩阵变量。
A = cp.Variable((4, 7))
参考:https://www.wuzao.com/document/cvxpy/tutorial/intro/index.html
https://www.bilibili.com/read/cv8180627/
https://blog.51cto.com/u_16213400/7499611
官方文档:
https://www.cvxpy.org/examples/index.html