问题标签 [cvxr]

我正在寻找一种在 R 中进行非负分位数和 Huber 回归的快速方法（即所有系数均 > 0 的约束）。我尝试使用CVXR用于分位数和 Huber 回归的quantreg包以及用于分位数回归的包，但是当我使用非负约束时，CVXR它非常慢并且quantreg看起来有问题。有人知道 R 中有一个好的快速解决方案吗，例如使用Rcplex包或R gurobi API，从而使用更快的 CPLEX 或 gurobi 优化器？

请注意，我需要运行低于 80 000 次的问题大小，因此我只需要y在每次迭代中更新向量，但仍然使用相同的预测矩阵X。从这个意义上说，我觉得CVXR我现在必须obj <- sum(quant_loss(y - X %*% beta, tau=0.01)); prob <- Problem(Minimize(obj), constraints = list(beta >= 0))在每次迭代中做效率低下，而问题实际上保持不变，而我想要更新的只是y. 有什么想法可以更好/更快地完成这一切吗？

最小的例子：

使用 CVXR 的非负分位数回归：

非负 Huber 回归的语法相同，但会使用

quantreg使用包的非负分位数回归：

我正在使用 CVXR 来解决约束问题。求解器给出不满足所有约束的结果。

详细输出的最后几行如下所示：

100 +3.405e+04 +3.405e+04 +1e-09 5e-05 5e-09 1e-03 4e-12 0.9791 9e-01 2 0 0 | 15 0 达到最大迭代次数，恢复最佳迭代 (87) 并停止。

求解器在迭代 100 处停止，这可能是解不满足约束的原因；或者可能是问题的解决方案是小数字（1e-5）并且达到了默认容差。所以我尝试根据包 ECOSolveR 的文档将额外的参数传递给求解器：

然而，求解器仍然在默认的最大迭代次数 100 处停止。出了什么问题？如何将额外的控件传递给求解器？

我有一个凸函数 f(b)：

dim(pi) = (n,1)，lambda 是一个标量常数，dim(r) = (n,n)

b是参数，dim(b) = (n,1)

呼吁

两者都返回 TRUE。

但是，我不明白为什么以下返回 FALSE：

据我了解，凸函数的 log_sum_exp 是凸的？

我注意到两者

和

返回假。

所以看起来 CVRX 无法推断 log_sum_exp(f) 的凸性？

任何帮助，将不胜感激

（我在 R3.5 中使用 CVRX 版本 0.99 包）

我在模拟数据集上拟合了一个模型来比较 glmnet 和 CVXR 结果。

如果我没有代码错误，结果就会大不相同。

明确地 glmnet 产生非常接近真实参数的结果。

为什么会这样？

结果

我已经安装了 3 次 Mosek。它在 python 中工作，但 CVXR（r 包）函数 installed_solvers() 无法找到 MOSEK。

我正在研究 MACos Mojave。我通过 conda 命令安装了 Mosek，获得了学术许可证，在主目录中创建了一个名为 mosek 的文件夹并将许可证文件放入其中。然后我在 jupyter 实验室测试了以下脚本https://docs.mosek.com/8.1/pythonapi/design.html#hello-world-in-mosek并得到结果 Solution x = 2.0 ，所以 Mosek 正在工作。然后我安装了reticulate，使用默认目录，将其替换为use_python("/Users/apple/anaconda3") 和use_python("/Users/apple/anaconda3/lib/python3.6") 在其中任何一个中，函数installed_solvers () 找到了 mosek。我的会话信息如下

https://cvxr.rbind.io/cvxr_examples/cvxr_using-other-solvers/中的文档并没有真正说明如何解决问题。有人找到解决方案了吗？谢谢

我正在尝试使用 R 包 CVXR 解决具有线性约束的二次优化问题。尽管默认求解器能够解决优化问题，但 Mosek 求解器却不能。我希望使用 Mosek 的原因是因为我需要解决超过 250 个约束的更大问题，而默认求解器给出的解决方案不准确，所以我希望使用 Mosek 解决更大的问题。这是 Mosek 不工作的一个简单示例：

问题数据

表格问题

风险规避参数

它给出了以下错误。

有人知道如何解决它，可能是重新表达问题？

我的会话信息如下：

谢谢

我一直在研究一些示例代码，试图学习 CVX 并旋转我的轮子，试图找出 CVXR 中凯利示例的扩展：

“扩展：正如在上面的一些轨迹中所观察到的，财富在最终增加之前往往会大幅下降。降低这种回撤风险的一种方法是添加凸约束，如 Busseti、Ryu 和 Boyd (2016, 5.3) 中所述CVXR，这可以使用 log_sum_exp 原子在一行中完成。其他扩展，如财富目标、投注限制和 VaR/CVaR 界限也很容易合并。

CVXR 示例的 R 版本（不带扩展名）在这里：https ://cvxr.rbind.io/cvxr_examples/cvxr_kelly-strategy/

这完美地工作。

带有扩展名的 python 版本（来自参考文件）在这里：https ://github.com/cvxgrp/kelly_code

“有限结果 RCK 问题 (11) 可以在 CVXPY 中表述和解决为”

在具有上述公式的 R 中，lambda_risk 和 risk_constraints 应如下所示：

但是，这会导致 CVXR::psolve(a, b, ...) 中的错误：问题不遵循 DCP 规则。

真的

错误的

错误的

凸的和未知的

积极和未知

所以看起来最终的日志是取消它的资格。

如果我用原始迭代的实际结果“赌注”替换变量 b，它确实说 is_dcp TRUE

真的

可能是因为这个未回答的帖子（相同的基本问题） 凸函数的 Log_sum_exp 不符合 dcp 吗？ 建议CVXR::log_sum_exp“无法推导出log_sum_exp的凸性”，可能是因为它不识别变量的符号？

如果有一个 R 错误，而不是我的代码中缺少的东西，我会感到惊讶。

此外，将 lambda_risk@value 设置为零，它应该只返回直接的 Kelly Optimal 赌注。如果我用数字 0 覆盖变量 lambda_risk，我只会得到这个结果。

真实与真实

错误的

我难住了。

到处都有可用的 python 解决方案，而且我也得到了我上面尝试的公式，可以在 DEOPTIM 中工作（在相当长的时间内），所以我没想到 CVXR 实现会那么棘手。任何追求的途径，甚至只是确认有人让它工作（不是错误），都会受到赞赏。

我有一个简单的经济订货量 (EOQ) 优化问题，涉及许多变量和一些约束。

广义目标函数为 sum(ai*x[i]+bi/[xi])，限制条件为：

• x[i] >=1 对于所有“i”（至少 1 个订单）
• x[i] <=24 对于所有“i”（最多 24 个订单）
• sum(x[i]) <= 2000（最多合并 2000 个订单）
• sum(ci/x[i]) <= 2000（循环库存最多 2000 个单位）

使用 auglag() 需要很长时间（即使是 100 个变量），所以做了一些研究，我发现问题是凸的，并试图实现一个凸求解器。

我找到了这个链接：

非线性优化问题中的错误：“x”中的值无限或缺失

但是，CVXR 似乎不允许分母中包含“x”，因为它会提示以下错误消息：

as.Constant(e1)/e2 中的错误：只能除以标量常数

我希望求解器能够更快地解决这样一个“简单”的优化问题......我对第二个选项做错了吗？或者对于具有非线性约束的凸非线性优化问题是否有更好的求解器？

谢谢

在这里，我们有一个变量矩阵，A（我不确定这是否是正确调用对象的方法），并且D作为一个变量矩阵，其中对角线由 的对角线组成，A其他一切都是0.00。我希望能够像通常那样设置约束(A-D)%*%x == y，例如，例如A%*%x == y会正常工作。但是，R似乎并不喜欢A-D——“s4 对象不可减”。如何解决这个问题？

我正在尝试使用 MOSEK 求解器解决 CVXR 中的以下优化问题。 Objective_Fn 输入矩阵是 data_C2 (50 X 30)，clust_center_C2 是一个列矩阵 (50 X 1)。S_C2 是我试图最小化的矩阵 (50 X 50)。这是我的 R 代码

在 R 控制台中获得的输出

尽管求解器说答案是最优的，但当约束说它必须位于零和一之间时，下限是负数。谁能告诉代码有什么问题？