问题标签 [convex-optimization]

有谁知道这样一个执行数学优化（线性规划、凸优化或更一般类型的问题）的库？我正在寻找类似 MATLAB 的东西，但它能够处理更大的问题。我是否必须编写自己的实现，或购买其中一种商业产品（CPLEX 等）？

我正在尝试将 DSDP（半定编程包）与 cvxopt 一起使用。我已经安装了它们（DSDP 的 matlab 版本）。我有 Python 2.5.2。

尝试使用时

我收到一个错误，提示未安装solvers.dsdp。

我如何让它们一起工作？

我正在使用 CPLEX 来解决巨大的优化模型（超过 10 万个变量）现在我想看看我是否可以找到一个开源替代方案，我解决了混合整数问题 (MILP) 并且 CPLEX 效果很好，但是如果我们想要扩展，所以我真的需要找到替代方案或开始编写我们自己的临时优化库（这会很痛苦）

任何建议/见解将不胜感激

我已经在支持向量机上工作了大约 2 个月了。我自己编写了 SVM，对于 SVM 的优化问题，我使用了 John Platt 博士的序列最小优化（SMO）。

现在我正处于进行网格搜索以找到我的数据集的最佳 C 值的阶段。（请在此处找到我的项目应用程序和数据集详细信息的详细信息SVM 分类 - 每个类的最小输入集数）

我已经成功检查了我自定义实现的 SVM 对从 2^0 到 2^6 的 C 值的准确性。但是现在我在 C> 128 的 SMO 收敛方面遇到了一些问题。就像我试图找到 C=128 的 alpha 值一样，它需要很长时间才能真正收敛并成功给出 alpha 值。

对于 C=100，SMO 收敛所需的时间约为 5 小时。我认为这个巨大（因为 SMO 应该很快。）虽然我得到了很好的准确性？我搞砸了，不是因为我无法测试更高 C 值的准确性。

实际上，我正在显示在 SMO 的每次传递中更改的 alpha 数量，并获得 10、13、8... alpha 连续变化。KKT 条件确保收敛，那么这里发生了什么奇怪的事情？

请注意，尽管执行时间很长，但我的实现对于 C<=100 的精度很高。

请就这个问题给我意见。

谢谢你和干杯。

我完全意识到凸优化包，如线性代数包，应该是你使用的东西，而不是实现。但是，出于纯粹的教育目的——是否有任何好的资源——关于如何实现凸优化包的链接/书籍？（比如具有二次约束的二次程序？）

谢谢！

我找到了一些解决方案，但它们太乱了。

我想解构以下以蓝色显示的多边形，从多边形中删除所有导致凹面的点。

目前，我一直在尝试做的是：

• 从多边形中取出每个点
• 测试该点以查看它是否落在集合的其余部分创建的多边形内
• 如果为真，则删除该点
• 如果是假的，保持这一点

这在大多数情况下都有效，但在前一种情况下，(2,3) 和 (2,4) 处的点不会都被删除。在这两种情况下，其中一个点都将被删除，但另一个点将不取决于传入数组的顺序。

我想知道的是：

1. 有什么方法可以测试我正在处理的多边形是否恰好有这些情况之一（即：连续 3 个故障点？）
   或
2. 有没有一种更有效的方法来创建凸多边形？

谢谢你。

考虑某个维度 n 的优化问题，给定一些线性方程组（不等式）或对形成凸区域的输入的约束，找到某个表达式的最大值\最小值，该表达式是输入（或维度）的某种线性组合。

对于更大的维度，这些优化问题需要很长时间才能给出准确的答案。

那么，我们能否使用机器学习技术，在更短的时间内得到一些近似解。

如果我们可以在这种情况下使用机器学习技术，那么训练集应该如何？

是否有 api 可以解决 CPLEX 中一组凸约束的可行性问题（是否存在可行点）。

在最小化凸目标函数时，这是否意味着最小化器处的 Hessian 矩阵应该是 PSD？如果 Matlab 中的 fminunc 返回一个不是 psd 的粗麻布，这是什么意思？我使用了错误的物镜吗？