Python ile ikinci dereceden programlama için, cvxopt
(source) adresinden -solver kullanıyorum. Bunu kullanarak, LCP problemini bir QP problemine çevirmek basittir (bakınız Wikipedia). Örnek:
from cvxopt import matrix, spmatrix
from cvxopt.blas import gemv
from cvxopt.solvers import qp
def append_matrix_at_bottom(A, B):
l = []
for x in xrange(A.size[1]):
for i in xrange(A.size[0]):
l.append(A[i+x*A.size[0]])
for i in xrange(B.size[0]):
l.append(B[i+x*B.size[0]])
return matrix(l,(A.size[0]+B.size[0],A.size[1]))
M = matrix([[ 4.0, 6, -4, 1.0 ],
[ 6, 1, 1.0 2.0 ],
[-4, 1.0, 2.5, -2.0 ],
[ 1.0, 2.0, -2.0, 1.0 ]])
q = matrix([12, -10, -7.0, 3])
I = spmatrix(1.0, range(M.size[0]), range(M.size[1]))
G = append_matrix_at_bottom(-M, -I) # inequality constraint G z <= h
h = matrix([x for x in q] + [0.0 for _x in range(M.size[0])])
sol = qp(2.0 * M, q, G, h) # find z, w, so that w = M z + q
if sol['status'] == 'optimal':
z = sol['x']
w = matrix(q)
gemv(M, z, w, alpha=1.0, beta=1.0) # w = M z + q
print(z)
print(w)
else:
print('failed')
unutmayın:
hakiki soru: Bir QP LCP dönüştürme var ne sorun var mı? Vikipedi makalesi, buradaki önemsiz gibi, sadece orada verilen formülü uygulayarak (M'nin pozitif olduğu kesin) ses çıkarır. Ama hiçbir zaman problemlerle uğraşmadığımdan belki bir şey gözden kaçırdım. –