R - 优化 X,使得所有 n 的 min(sum(X_i)),其中 X_n + X_(n-1) + X_(n-2) >= Y_n,其中 Y 对于所有 n 都是已知的
R - Optimize X, such that min(sum(X_i)) for all n, where X_n + X_(n-1) + X_(n-2) >= Y_n, where Y is known for all n
我有一个长度为 50 的未知向量 X 和一个已知的常量向量 Y(长度为 50)。
我希望找到 X,使得对于 X_i>=0,sum(X_i) 最小化,约束条件为:
X_n + X_{n-1} >= Y_n
我不知道从哪里开始使用 R。
我想你可以尝试CVXR
解决优化问题。
- 首先,让我们定义一个矩阵
M
,如下所示
M <- matrix(0,nrow = 10,ncol = 11)
for (i in 1:nrow(M)) {
for (j in 1:ncol(M)) {
if (j %in% (i+(0:1))) M[i,j] <- 1
}
}
看起来像
> M
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11]
[1,] 1 1 0 0 0 0 0 0 0 0 0
[2,] 0 1 1 0 0 0 0 0 0 0 0
[3,] 0 0 1 1 0 0 0 0 0 0 0
[4,] 0 0 0 1 1 0 0 0 0 0 0
[5,] 0 0 0 0 1 1 0 0 0 0 0
[6,] 0 0 0 0 0 1 1 0 0 0 0
[7,] 0 0 0 0 0 0 1 1 0 0 0
[8,] 0 0 0 0 0 0 0 1 1 0 0
[9,] 0 0 0 0 0 0 0 0 1 1 0
[10,] 0 0 0 0 0 0 0 0 0 1 1
- 然后,我们构建objective函数以及约束
library(CVXR)
X <- Variable(11)
objective <- Minimize(sum(X))
constraints <- list( X>=0, M%*%X >= Y)
problem <- Problem(objective,constraints)
res <- solve(problem)
- 最后,我们可以通过
res$getValue(X)
看到X
的值
例子
给定 Y
如下
set.seed(1)
Y <- runif(10)
我们可以得到
Xopt <- res$getValue(X)
> Xopt
[,1]
[1,] 1.667850e-07
[2,] 3.072356e-01
[3,] 6.488860e-02
[4,] 6.214644e-01
[5,] 2.867441e-01
[6,] 1.486883e-02
[7,] 8.835218e-01
[8,] 7.476340e-02
[9,] 5.860353e-01
[10,] 5.264372e-02
[11,] 9.142897e-03
另一个可能的选项可能是 pracma::fmincon
,例如,
pracma:: fmincon(rep(0, 11),
function(x) sum(x),
A = -M,
b = -Y,
lb = 0,
)
这可以表示为线性规划
min 1'x
s.t. Ax >= y
x >= 0
我们可以使用lpSolve包来解决这个问题。令 n 为 x 的长度,k 为每个约束中 x 的数量。问题正文中定义的约束对应于 k=2,但问题的主题对约束的定义不同,对应于 k=3。将有 n-k+1 个约束条件。
embed(1:n,k)
创建一个 n-k+1 x k 矩阵,其中每一行是 A 的对应行中的列索引。例如,对于 k=2 第一行embed(...)
是 1:2 因为 A
第一行的元素 1 和 2 是 1,而 A 行的其余部分是零。 embed
输出的第二行是 2:3,第三行是 3:4,等等。然后我们在行上应用替换以替换零的 n-vector,numeric(n)
,在那些位置。 apply 的工作方式是它给出了我们想要的转置,所以我们将它转回得到 A
.
最后我们 运行 线性程序。我们可以使用 str(out)
检查返回的输出组件。特别是我们将解决方案显示为 out$solution
.
library(lpSolve)
# inputs - replace these three with your inputs
n <- 5 # no of x variables
k <- 2 # no of x's in each constraint
Y <- seq_len(n - k + 1)
A <- t(apply(embed(1:n, k), 1, replace, x = numeric(n), values = 1))
out <- lp("min", rep(1, n), A, ">=", Y)
out
## Success: the objective function is 6
out$solution
## [1] 0 2 0 4 0
我有一个长度为 50 的未知向量 X 和一个已知的常量向量 Y(长度为 50)。
我希望找到 X,使得对于 X_i>=0,sum(X_i) 最小化,约束条件为:
X_n + X_{n-1} >= Y_n
我不知道从哪里开始使用 R。
我想你可以尝试CVXR
解决优化问题。
- 首先,让我们定义一个矩阵
M
,如下所示
M <- matrix(0,nrow = 10,ncol = 11)
for (i in 1:nrow(M)) {
for (j in 1:ncol(M)) {
if (j %in% (i+(0:1))) M[i,j] <- 1
}
}
看起来像
> M
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11]
[1,] 1 1 0 0 0 0 0 0 0 0 0
[2,] 0 1 1 0 0 0 0 0 0 0 0
[3,] 0 0 1 1 0 0 0 0 0 0 0
[4,] 0 0 0 1 1 0 0 0 0 0 0
[5,] 0 0 0 0 1 1 0 0 0 0 0
[6,] 0 0 0 0 0 1 1 0 0 0 0
[7,] 0 0 0 0 0 0 1 1 0 0 0
[8,] 0 0 0 0 0 0 0 1 1 0 0
[9,] 0 0 0 0 0 0 0 0 1 1 0
[10,] 0 0 0 0 0 0 0 0 0 1 1
- 然后,我们构建objective函数以及约束
library(CVXR)
X <- Variable(11)
objective <- Minimize(sum(X))
constraints <- list( X>=0, M%*%X >= Y)
problem <- Problem(objective,constraints)
res <- solve(problem)
- 最后,我们可以通过
res$getValue(X)
看到
X
的值
例子
给定 Y
如下
set.seed(1)
Y <- runif(10)
我们可以得到
Xopt <- res$getValue(X)
> Xopt
[,1]
[1,] 1.667850e-07
[2,] 3.072356e-01
[3,] 6.488860e-02
[4,] 6.214644e-01
[5,] 2.867441e-01
[6,] 1.486883e-02
[7,] 8.835218e-01
[8,] 7.476340e-02
[9,] 5.860353e-01
[10,] 5.264372e-02
[11,] 9.142897e-03
另一个可能的选项可能是 pracma::fmincon
,例如,
pracma:: fmincon(rep(0, 11),
function(x) sum(x),
A = -M,
b = -Y,
lb = 0,
)
这可以表示为线性规划
min 1'x
s.t. Ax >= y
x >= 0
我们可以使用lpSolve包来解决这个问题。令 n 为 x 的长度,k 为每个约束中 x 的数量。问题正文中定义的约束对应于 k=2,但问题的主题对约束的定义不同,对应于 k=3。将有 n-k+1 个约束条件。
embed(1:n,k)
创建一个 n-k+1 x k 矩阵,其中每一行是 A 的对应行中的列索引。例如,对于 k=2 第一行embed(...)
是 1:2 因为 A
第一行的元素 1 和 2 是 1,而 A 行的其余部分是零。 embed
输出的第二行是 2:3,第三行是 3:4,等等。然后我们在行上应用替换以替换零的 n-vector,numeric(n)
,在那些位置。 apply 的工作方式是它给出了我们想要的转置,所以我们将它转回得到 A
.
最后我们 运行 线性程序。我们可以使用 str(out)
检查返回的输出组件。特别是我们将解决方案显示为 out$solution
.
library(lpSolve)
# inputs - replace these three with your inputs
n <- 5 # no of x variables
k <- 2 # no of x's in each constraint
Y <- seq_len(n - k + 1)
A <- t(apply(embed(1:n, k), 1, replace, x = numeric(n), values = 1))
out <- lp("min", rep(1, n), A, ">=", Y)
out
## Success: the objective function is 6
out$solution
## [1] 0 2 0 4 0