6

我需要解决（很多时候，对于大量数据，以及一堆其他事情）我认为归结为二阶锥程序的问题。它可以在CVX中简洁地表达如下：

cvx_begin
    variable X(2000);
    expression MX(2000);
    MX = M * X;
    minimize( norm(A * X - b) + gamma * norm(MX, 1) )
  subject to
    X >= 0
    MX((1:500) * 4 - 3) == MX((1:500) * 4 - 2)
    MX((1:500) * 4 - 1) == MX((1:500) * 4)
cvx_end

显示的数据长度和等式约束模式只是来自某些测试数据的任意值，但一般形式将大致相同，具有两个客观术语 - 一个最小化错误，另一个鼓励稀疏性 - 以及大量的等式约束在优化变量的变换版本的元素上（本身被限制为非负数）。

这似乎工作得非常好，比我以前的方法要好得多，它使约束变得腐烂。问题在于，这方面的所有其他事情都发生在 R 中，将它移植到 Matlab 会很麻烦。那么在 R 中这样做是否可行，如果可行，怎么做？

这实际上归结为两个独立的问题：

1）这有什么好的R资源吗？据我从CRAN 任务页面中可以看出，SOCP 包选项是CLSCOP和DWD，其中包括一个 SOCP 求解器作为其分类器的附件。两者都有相似但相当不透明的界面，并且文档和示例有点薄，这使我们能够：

2）在这些包使用的约束块格式中表示上述问题的最佳方式是什么？上面的 CVX 语法隐藏了很多繁琐的额外变量等问题，我可以看到自己花了数周时间试图做到这一点，所以任何提示或指示将我推向正确的方向都会非常受欢迎......

4

3 回答 3

2

您可能会发现 R 包CVXfromR很有用。这使您可以将优化问题从 R 传递给 CVX，并将解决方案返回给 R。

于 2013-05-31T08:43:06.507 回答
1

好的，所以对这个问题的简短回答是：在 R 中确实没有非常令人满意的方法来处理这个问题。我最终在 Matlab 中完成了相关部分，在两个系统之间进行了一些尴尬的捏造，并且最终可能会将所有内容迁移到 Matlab . （我目前的方法早于 user2439686 发布的答案。实际上，使用 CVXfromR 我的问题同样尴尬，但它看起来确实像一个有用的包，所以我会接受这个答案。）

这方面的 R 资源非常稀少，但他在评论中提到的 Vincent Zoonekynd 的博客文章绝对值得一读。

R 包 DWD 中包含的 SOCP 求解器是从 Matlab 求解器SDPT3移植而来的（减去 SDP 部分），因此编程接口基本相同。然而，至少在我的测试中，它的运行速度要慢得多，并且几乎会因几千个变量+约束的问题而崩溃，而 SDPT3 在几秒钟内就可以解决它们。（我还没有对此进行完全公平的比较，因为 CVX 对问题进行了一些漂亮的转换以使其更有效，而在 R 中我使用了一个非常幼稚的定义，但仍然如此。）

另一种可能的选择是使用商业Mosek求解器，特别是如果您有资格获得学术许可，它具有 R 接口包Rmosek。我还没有尝试过，但可能会在某个时候试一试。

（顺便说一句，与 CVX 捆绑的另一个求解器 SeDuMi 在同一个问题上完全失败；当 CVX 作者建议尝试多个求解器时，他们并不是在开玩笑。此外，在很大一部分情况下，SDTP3 必须从 Cholesky 切换到 LU 分解，这使得处理速度变慢了几个数量级，与预 LU 步骤相比，目标只有非常微小的改进。我发现降低要求的精度以避免这种情况是值得的，但是 YMMV。）

于 2013-05-31T11:30:34.580 回答
1

有一个新的替代方案：CVXR，它来自同一个人。有一个网站、一篇论文和一个github 项目。

观察cvxpy (Python) 和Convex.jl (Julia)，训练有素的凸编程似乎越来越受欢迎，再次得到了同一个人的支持。

于 2018-01-11T14:21:47.723 回答