En quoi la programmation géométrique (généralisée) est-elle différente de la programmation convexe générale? Un programme géométrique peut être transformé en programme convexe et est généralement résolu par une méthode de point intérieur. Mais quel est l'avantage de formuler directement le problème...
Je rencontre souvent l'adage général selon lequel les méthodes de point intérieur sont difficiles à démarrer. Y a-t-il une explication intuitive derrière ce conseil? Y a-t-il des situations dans lesquelles on peut s'attendre à des avantages d'un démarrage à chaud dans une méthode de point...
Je ne vois aucune mention de cela dans les listes d'emplois. J'ai vu mentionné la programmation entière, MIP, la programmation non linéaire à nombres mixtes, LP, la programmation dynamique, etc., mais pas de SDP. Est-ce beaucoup plus à la mode dans l'académie que dans l'industrie? D'après mon...
J'ai un ensemble de données qui change lentement, et je dois garder une trace des vecteurs propres / valeurs propres de sa matrice de covariance. J'utilise scipy.linalg.eigh, mais c'est trop cher, et cela n'utilise pas le fait que j'ai déjà une décomposition qui n'est que légèrement incorrecte....
Si je comprends bien, la relaxation successive fonctionne en choisissant un paramètre 0 ≤ ω ≤ 20≤ω≤20\leq\omega\leq2 et en utilisant une combinaison linéaire d'une itération (quasi) de Gauss-Seidel et de la valeur au pas de temps précédent ... c'est-à-dire uk + 1= ( ω ) ugsk + 1+ ( 1 - ω )...
maxf(x) subject to Ax=bmaxf(x) subject to Ax=b\max f(\mathbf{x}) \text{ subject to } \mathbf{Ax} = \mathbf{b} où , \ mathbf {x} = [x_1, x_2, ..., x_N] ^ T \ in \ mathbb {R} ^ {N \ times 1} , et \ mathbf {A} \ in \ mathbb {R} ^ {M \ fois
Je souhaite maximiser une fonction , où θ ∈ R p .f(θ)f(θ)f(\mathbf \theta)θ∈Rpθ∈Rp\theta \in \mathbb R^p Le problème est que je ne connais pas la forme analytique de la fonction ou de ses dérivés. La seule chose que je peux faire est d'évaluer la fonction point sage, en branchant une valeur et...
J'ai un problème de formulation similaire à ce post, avec quelques différences notables: Quelles méthodes simples existe-t-il pour échantillonner de manière adaptative une fonction 2D? Comme dans ce post: J'ai un et l'évaluation de cette fonction coûte un peu cher à calculerf(x,y)f(x,y)f(x,y)...
Quelles sont les façons recommandées de faire des moindres carrés non linéaires, min , avec des contraintes de boîte ? Il me semble (les imbéciles se précipitent) que l'on pourrait rendre les contraintes de boîte quadratiques, et minimiser où est la "fonction tub" en forme de \ _ _ _ /, . Est-ce...
Pour l'optimisation, à partir de Wikipedia : En informatique, la métaheuristique désigne une méthode informatique qui optimise un problème en essayant itérativement d'améliorer une solution candidate par rapport à une mesure de qualité donnée. Les métaheuristiques font peu ou pas d'hypothèses sur...
J'essaie d'écrire une implémentation SVM complète en Python et j'ai quelques problèmes pour calculer les coefficients Lagrange. Permettez-moi d'abord de reformuler ce que je comprends de l'algorithme pour m'assurer que je suis sur la bonne voie. Si est un ensemble de données et est l'étiquette de...
Supposons que le système linéaire suivant soit donné où est le Laplacien pondéré connu pour être défini positif avec un espace nul unidimensionnel par , et la variance de translation de , c'est-à-dire que ne change pas la valeur de la fonction (dont la dérivée est ). Les seules entrées positives de...
Veuillez excuser la longue question, il a juste besoin de quelques explications pour s'attaquer au problème réel. Ceux qui connaissent les algorithmes mentionnés pourraient probablement passer directement au premier tablau simplex. Pour résoudre les problèmes de moindre déviation absolue (aka...
Je travaille sur l'amélioration du processus d'optimisation de certains logiciels de modélisation démographique afin qu'ils puissent mieux adapter les modèles démographiques aux données. Nous aimerions réduire le temps d'optimisation. Le temps qu'il faut pour évaluer notre fonction objectif varie...
O:=minx∈Rnf(x).O:=minx∈Rnf(x).\mathcal{O} := \min_{x \in \mathbb{R}^n} f(x).xoptxoptx_\text{opt}x0x0x_0xopt.xopt.x_\text{opt}.xxxϵ−ϵ−\epsilon-OO\mathcal{O}||x−xopt||2||x0−xopt||2≤ϵ.||x−xopt||2||x0−xopt||2≤ϵ.\begin{equation} \frac{||x - x_{\text{opt}}||_2}{||x_0 - x_\text{opt}||_2} \leq \epsilon....
J'essaie d'implémenter la méthode Broyden-Fletcher-Goldfarb-Shanno pour trouver le minimum d'une fonction. J'ai besoin de deux suppositions initiales & x 0 et d'une approximation initiale de la matrice de Hesse B 0 . La seule exigence que je trouve pour B 0 est que si la Hesse est définie...
Je veux minimiser une fonction objectif compliquée, et je ne sais pas si elle est convexe. Existe-t-il un bon algorithme qui tente de prouver qu'il n'est pas convexe? Bien sûr, l'algorithme pourrait ne pas le prouver, auquel cas je ne saurais pas s'il est convexe ou non, et c'est OK; Je veux juste...
En feuilletant quelques manuels, j'ai remarqué que le problème de la mise en parenthèse initiale d'un minimum pendant une recherche de ligne a tendance à être une réflexion après coup (au moins dans mes textes de premier cycle). Existe-t-il des techniques ou des meilleures pratiques bien établies...
J'essaie d'optimiser un distributeur de débit dans un réservoir de telle sorte que la distribution de la vitesse et de la température à travers n'importe quelle section transversale soit relativement uniforme. Il y a de nombreux paramètres que je peux ajuster à l'uniformité transversale maximale,...
Je me demandais quelles sont les différences et les relations entre les "méthodes de recherche" et les "méthodes d'optimisation"? Surtout lors de la résolution d'un problème d'optimisation? J'insiste sur le contexte de la résolution des problèmes d'optimisation, car je suppose que les méthodes de...