IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> Python知识库 -> 【数学建模笔记 03】数学建模的非线性规划 -> 正文阅读

[Python知识库]【数学建模笔记 03】数学建模的非线性规划

03. 非线性规划

定义

如果目标函数或约束条件中包含非线性函数,就称这种规划问题为非线性规划问题。

非线性规划目前还没有适于各种问题的一般算法。

非线性规划模型描述如:
min ? f ( x ) , \min f(x), minf(x),

s . t . { g i ( x ) ≤ 0 , i = 1 , 2 , … , m , h j ( x ) = 0 , j = 1 , 2 , … , l , s.t.\left\{\begin{aligned} &g_i(x)\le0,i=1,2,\dots,m,\\ &h_j(x)=0,j=1,2,\dots,l, \end{aligned}\right. s.t.{?gi?(x)0,i=1,2,,m,hj?(x)=0,j=1,2,,l,?

其中 x = [ x 1 , x 2 , … , x n ] T x=[x_1,x_2,\dots,x_n]^T x=[x1?,x2?,,xn?]T,而 f , g i , h j f,g_i,h_j f,gi?,hj? 都是实值函数。

一般非线性规划只能得到局部最优解,不能保证是全局最优解。

无约束非线性规划求解

f ( x ) f(x) f(x) 具有连续的一阶偏导数,且 x ? x^* x?? 是无约束问题的局部极小点,则
? f ( x ? ) = 0 \nabla f(x^*)=0 ?f(x?)=0
其中 ? f ( x ) \nabla f(x) ?f(x) 表示 f ( x ) f(x) f(x) 的梯度。

f ( x ) f(x) f(x) 具有对各个变量的二阶偏导数,称矩阵
( ? 2 f ? x 1 2 ? 2 f ? x 1 ? x 2 … ? 2 f ? x 1 ? x n ? 2 f ? x 2 ? x 1 ? 2 f ? x 2 2 … ? 2 f ? x 2 ? x n ? ? ? ? ? 2 f ? x n ? x 1 ? 2 f ? x n ? x 2 … ? 2 f ? x n 2 ) \begin{pmatrix} \frac{\partial^2f}{\partial x_1^2} & \frac{\partial^2f}{\partial x_1\partial x_2} & \dots & \frac{\partial^2f}{\partial x_1\partial x_n} \\ \frac{\partial^2f}{\partial x_2\partial x_1} & \frac{\partial^2f}{\partial x_2^2} & \dots & \frac{\partial^2f}{\partial x_2\partial x_n} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial^2f}{\partial x_n\partial x_1} & \frac{\partial^2f}{\partial x_n\partial x_2} & \dots & \frac{\partial^2f}{\partial x_n^2} \\ \end{pmatrix} ?????????x12??2f??x2??x1??2f???xn??x1??2f???x1??x2??2f??x22??2f???xn??x2??2f?????x1??xn??2f??x2??xn??2f???xn2??2f??????????
为函数的黑塞矩阵,记 ? 2 f ( x ) \nabla^2f(x) ?2f(x)

因此,只要找到 x ? x^* x?,满足 ? f ( x ? ) = 0 \nabla f(x^*)=0 ?f(x?)=0,且 ? 2 f ( x ? ) \nabla^2f(x^*) ?2f(x?) 为正定矩阵,则 x ? x^* x? 为无约束优化问题的局部最优解。

找到 x ? x^* x? 的具体方法有最速降线法、牛顿法等。

有约束非线性规划求解

有等式约束非线性规划的 Lagrange 乘数法

对于只有等式约束的非线性规划问题:
min ? f ( x ) , \min f(x), minf(x),

s . t . { h j ( x ) = 0 , j = 1 , 2 , … , l , x ∈ R n . s.t.\left\{\begin{aligned} & h_j(x)=0,j=1,2,\dots,l,\\ & x\in R^n. \end{aligned}\right. s.t.{?hj?(x)=0,j=1,2,,l,xRn.?

设函数 f , h j ( j = 1 , 2 , … , l ) f,h_j(j=1,2,\dots,l) f,hj?(j=1,2,,l) 在可行点 x ? x^* x? 的某个邻域 N ( x ? , ? ) N(x^*,\epsilon) N(x?,?)? 内可微,向量组 ? h j ( x ? ) \nabla h_j(x^*) ?hj?(x?) 线性无关,令
L ( x , λ ) = f ( x ) ? λ T H ( x ) , L(x,\lambda)=f(x)-\lambda^TH(x), L(x,λ)=f(x)?λTH(x),
其中
λ = [ λ 1 , λ 2 , … , λ l ] T \lambda=[\lambda_1,\lambda_2,\dots,\lambda_l]^T λ=[λ1?,λ2?,,λl?]T

H ( x ) = [ h 1 ( x ) , h 2 ( x ) , … , h l ( x ) ] T H(x)=[h_1(x),h_2(x),\dots,h_l(x)]^T H(x)=[h1?(x),h2?(x),,hl?(x)]T

x ? x^* x? 是局部最优解,则有
λ ? = [ λ 1 ? , λ 2 ? , … , λ l ? ] T \lambda^*=[\lambda_1^*,\lambda_2^*,\dots,\lambda_l^*]^T λ?=[λ1??,λ2??,,λl??]T
使得 ? L ( x ? , λ ? ) = 0 \nabla L(x^*,\lambda^*)=0 ?L(x?,λ?)=0,即
? f ( x ? ) ? ∑ j = 1 l λ j ? ? h j ( x ? ) = 0 \nabla f(x^*)-\sum_{j=1}^l\lambda_j^*\nabla h_j(x^*)=0 ?f(x?)?j=1l?λj???hj?(x?)=0
从而将有约束条件转化为无约束条件。

有约束非线性规划的罚函数法

构造带参数的所谓增广目标函数,从而把有约束非线性规划问题转化为一系列无约束非线性规划问题。

增广目标函数通常由两部分组成:

  • 原问题的目标函数;
  • 约束条件构造出的惩罚项。

对于外点法,增广目标函数形式如下:
T ( x , M ) = f ( x ) + M ∑ i = 1 m [ max ? { 0 , g i ( x ) } ] + M ∑ j = 1 l [ h j ( x ) ] 2 T(x,M)=f(x)+M\sum_{i=1}^m[\max\{0,g_i(x)\}]+M\sum_{j=1}^l[h_j(x)]^2 T(x,M)=f(x)+Mi=1m?[max{0,gi?(x)}]+Mj=1l?[hj?(x)]2
其中 M 是一个较大的正数。

从而转化为无约束问题:
min ? T ( x , M ) , x ∈ R n \min T(x,M),x\in R^n minT(x,M),xRn
罚函数法的计算精度可能较差。

Python 代码

利用 scipy、cvxopt、cvxpy 包,可以实现非线性规划求解。

scipy 求解

对于问题:
min ? 2 + x 1 1 + x 2 ? 3 x 1 + 4 x 3 , \min \frac{2+x_1}{1+x_2}-3x_1+4x_3, min1+x2?2+x1???3x1?+4x3?,

s . t . 0.1 ≤ x i ≤ 0.9 , i = 1 , 2 , 3 s.t.\quad0.1\le x_i\le0.9,i=1,2,3 s.t.0.1xi?0.9,i=1,2,3

使用 scipy 求解,代码如下:

# %%

import numpy as np
from scipy.optimize import minimize

# %%

def obj(x):
	x1,x2,x3 = x
	return (2+x1)/(1+x2)-3*x1+4*x3

bound = [(.1, .9) for _ in range(3)]
res = minimize(obj, np.ones(3), bounds=bound)

# %%

print('best obj =', res.fun)
print('success =', res.success)
print('best x =', res.x)

输出如下:

best obj = -0.7736842105263159
success = True
best x = [0.9 0.9 0.1]

cvxpy 求解

对于问题:
min ? z = x 1 2 + x 2 2 + 3 x 3 2 + 4 x 4 2 + 2 x 5 2 ? 8 x 1 ? 2 x 2 ? 3 x 3 ? x 4 ? 2 x 5 , \min z=x_1^2+x_2^2+3x_3^2+4x_4^2+2x_5^2-8x_1-2x_2-3x_3-x_4-2x_5, minz=x12?+x22?+3x32?+4x42?+2x52??8x1??2x2??3x3??x4??2x5?,

s . t . { 0 ≤ x i ≤ 99 , i = 1 , 2 , … , 5 x i ∈ Z + , i = 1 , 2 , … , 5 x 1 + x 2 + x 3 + x 4 + x 5 ≤ 400 , x 1 + 2 x 2 + 2 x 3 + x 4 + 6 x 5 ≤ 800 , 2 x 1 + x 2 + 6 x 3 ≤ 200 , x 3 + x 4 + 5 x 5 ≤ 200. s.t.\left\{\begin{aligned} & 0\le x_i\le99,i=1,2,\dots,5\\ & x_i\in Z^+,i=1,2,\dots,5\\ & x_1+x_2+x_3+x_4+x_5\le400,\\ & x_1+2x_2+2x_3+x_4+6x_5\le800,\\ & 2x_1+x_2+6x_3\le200,\\ & x_3+x_4+5x_5\le200. \end{aligned}\right. s.t.???????????????????????0xi?99,i=1,2,,5xi?Z+,i=1,2,,5x1?+x2?+x3?+x4?+x5?400,x1?+2x2?+2x3?+x4?+6x5?800,2x1?+x2?+6x3?200,x3?+x4?+5x5?200.?

代码如下:

# %%

import numpy as np
import cvxpy as cp

# %%

# 目标函数的平方项
c1 = np.array([1, 1, 3, 4, 2])

# 目标函数的一次项
c2 = np.array([-8, -2, -3, -1, -2])

# 约束项
a = np.array([[1, 1, 1, 1, 1],
              [1, 2, 2, 1, 6],
              [2, 1, 6, 0, 0],
              [0, 0, 1, 1, 5]])
b = np.array([400, 800, 200, 200])

# 决策变量
x = cp.Variable(5, integer=True)

# 目标函数
obj = cp.Minimize(c1 @ x**2 + c2 @ x)

# 约束
con = [0 <= x, x <= 99, a@x <= b]

# 问题模型
prob = cp.Problem(obj, con)
prob.solve(solver='CPLEX')

# %%

print('best z =', prob.value)
print('best x =', x.value)

输出如下:

best z = -17.0
best x = [4. 1. 0. 0. 0.]
  Python知识库 最新文章
Python中String模块
【Python】 14-CVS文件操作
python的panda库读写文件
使用Nordic的nrf52840实现蓝牙DFU过程
【Python学习记录】numpy数组用法整理
Python学习笔记
python字符串和列表
python如何从txt文件中解析出有效的数据
Python编程从入门到实践自学/3.1-3.2
python变量
上一篇文章      下一篇文章      查看所有文章
加:2021-07-24 11:23:48  更:2021-07-24 11:25:49 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年12日历 -2024/12/25 15:02:09-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码
数据统计