问题标签 [convex-optimization]

我需要在 Python 中使用 CVXOPT 或 CVXPY 解决优化问题，但我遇到了困难。目标函数是

受以下约束

其中向量x是优化变量，向量a和b是给定的，并且T是给定的标量。

我已经尝试了 2-3 天来让 L2 正则化逻辑回归在 Matlab（CVX）和 Python（CVXPY）中工作，但没有成功。我对凸优化还很陌生，所以我很沮丧。以下是我尝试使用 CVX/CVXPY 求解的方程。我从论文 https://intentmedia.github.io/assets/2013-10-09-presenting-at-ieee-big-data/pld_js_ieee_bigdata_2013_admm.pdf中获取了这个等式

我的 Matlab (CVX) 代码是

CVX 返回一个错误，说这是有道理的，但论文提到了上述等式。我该如何解决？

您的目标函数不是标量。

在尝试了 Matlab 之后，我尝试了 CVXPY。这是python代码

我得到错误

类型错误：尺寸不兼容

所以，我的问题是：我在 CVX/CVXPY 中计算 L2 问题的代码中做错了什么？

我正在计划通过带有两个嘴的凹双对称六边形来可视化流动。

边 d1 的长度等于边 d2 的另一个长度的示例：

我最初在这里讨论的关于不规则六边形的命名。

有标准的网格工具，您可以在其中绘制自己的网格，但我想要一些标准库，这样我以后可以与其他人更好地合作进行流模拟。我没有在 MathCentral File Exchange 中找到任何 Hexagons 网格库。

是否有任何用于不规则六边形形状的标准网格库？我也对任何其他语言持开放态度，因为我可以阅读代码并将这些标准转换为 Matlab 库。

我在空闲时间阅读了一些有趣的算法，我刚刚发现了凸包技巧算法，我们可以使用它计算给定 x 坐标上平面中几条线的最大值。我找到了这篇文章：

http://wcipeg.com/wiki/Convex_hull_trick

这里作者说，这个算法的动态版本在对数时间内运行，但没有证据。当我们插入一行时，我们测试了他的一些邻居，但是我不明白O(log N)当我们可以N通过这样的插入测试所有行时怎么会这样。是正确的还是我错过了什么？
更新：这个问题已经回答了，有趣的是下面的其余部分

• 我们怎样才能删除？
  我的意思是......如果我们删除一条线，我们可能需要以前的线来重置整个船体，但是在插入新线时，该算法会删除所有不必要的线。
• 它是另一种解决上述问题的方法吗（或类似的问题，例如管理插入、删除、在 x 点或给定范围上查找最大值等查询）

先感谢您！

我正在尝试使用 cvxopt python 库解决二次优化问题。我有二次约束，我将其转换为圆锥约束。

我的问题是关于锥形编程的 cvxopt文档。一般锥程序用（除其他外）约束来描述：

s_0 => 0

s_k0 => || s_k1 || 对于 k = 1,...,M

他们真的是这个意思吗？

他们在文档下给出了一个例子：

它们表示为：

这似乎表明约束是：

s_k0 => || s_k1 || 对于 k = 0,...,M

这很简单，我知道，但我对凸优化知之甚少

问题定义：

1. 目标函数是 II b - Aw II norm 2
2. 未知向量 [w1, w2, ..., wn]

3. 一个数据矩阵 A (mxn)，每行有 n 个分量([ai1, ai2, ..., ain])，m 是度量的数量。ai1, ai2, ..., ain 本身是高度相关的

4. 约束 wi >= 0 且 wi 之和为 1，基本上 wi 可以解释为权重

我可以使用哪个 python 或 matlab 包，也许？

没有足够的文档，我的数学知识有限。

该模型

结果

我如何解释 s,x,z 哪一个是我的变量的结果？

如果我打印 s 和 x，我总是得到一个接近 1 和另一个接近 0 的值，这似乎是无限错误的。

我有以下形式的优化，

argmin_W f(W) st W_i > 0，对于所有 i

其中 W 是一个向量，f(W) 是 W 上的一个函数。我知道如何在没有非负约束的情况下进行优化。但我不确定如何使用梯度下降来优化它。

This question is about solving the problem on CVX using MATLAB:

My variable is W which is a N X N matrix. a is n X 1 vector. Sigma is a PSD matrix.

a) Can I solve this problem in Disciplined manner? b) How to reformulate this in cvx since CVX says the Quadratic forms need to be with scalars. (equalities are matrix equalities).

我是一个初学者，并且正在将一个使用最小方差优化的算法从scipy.minimize.optimize（它没有正确执行）移动到CVXPY.

R是预期收益、C覆盖率和rf无风险利率。是沿着有效边界计算权w重的最优权重和各种方法。r

当我运行下面的代码时，我得到：

我相信 var 在这里有问题，但我不知道如何构造它。洞察力非常感谢。最重要的是，其余代码可能还有其他错误，因此如果您发现任何错误，请指出！