问题标签 [quadprog]

我正在尝试使用 R 中的 quadprog 程序优化以下简单的目标函数：

最大_{x} x' A x

我看到的大多数优化问题都使用最小化，但如果我简单地使用 -A 而不是 A，我会得到一个错误，即 A 不再是正定的。我对这种事情很陌生。有谁知道如何解决一个简单的二次最大化问题？

这是重现错误的示例代码：

这是产生的错误：

solve.QP(Dmat = -mat, dvec = rep(0, 5), Amat = diag(5), bvec = rep(0, : 二次函数中的矩阵 D 不是正定的！

我想运行一个受约束的线性回归，使得系数是非负的并且总和为 1。通常这可以通过二次规划来完成，但是，我的参数（约束）比观察值（p > n）更多。我怎样才能做到这一点？

此 quadprog 解决方案仅适用于 n > p 的问题：

我正在使用quadprog两个约束（资产权重之和等于 1）进行优化，资产权重在 0 到 10% 之间。一切正常，但我不明白的结果与我的结果相反。当TAU（我的风险承受能力）最低（= 0）时，我的结果矩阵中的值应该最低。这就是说，在我最低的风险承受能力下，我将获得最低的回报。这遵循现代投资组合理论。同样，当TAU我的返回向量最高时，我的返回向量也应该最高。我知道发生了一些逆或符号错误。有人可以解释吗？

我想以 mpmath 精度求解一个二次程序。该问题可以表示为具有线性等式和不等式约束的最小二乘，或具有线性等式和不等式约束的二次规划。

我知道LSEIfortran 例程，可以从R、python和其他软件访问。solve.QPfromR quadprog包也非常适合这项任务。最后，SLSQPfortran 例程也能正确完成这项工作。

但是我需要任意精度，为此我正在使用mpmathpyhton 库。你知道这些算法之一的一些实现mpmath吗？

我想解决有关使用 R 的最小方差投资组合的优化问题，如本网站所述：http ://enricoschumann.net/R/minvar.htm

问题是：我要使用的矩阵的列 (=assets) 比行 (=observations) 多，这就是为什么它不是正定且不可逆的。

您可以通过使用与网站上的变量相反的值来重新创建此问题，这会导致以下结果：

这导致以下错误：

有没有人知道其他函数来解决 mData 的优化问题或使 mData 可逆而不丢失信息的方法？

期望的结果是最小方差投资组合中每种资产的权重。

我正在尝试使用 CVXPY 来解决非负最小二乘问题（附加约束是解向量中的条目之和必须等于 1）。但是，当我使用 SCS 求解器在这个简单的二次程序上运行 CVXPY 时，我让求解器运行最多 100000 次迭代，最后我遇到了一个错误，说二次程序不可行/不准确。但是，我非常有信心二次规划的数学设置是正确的（因此问题的约束不应该是不可行的）。此外，当我在较小的 A 矩阵和较小的 b 向量（只有前几行）上运行该程序时，求解器运行良好。这是我的代码和当前错误输出的快照：

下面是输出：

有谁知道为什么：(1) CVXPY 可能无法解决我的问题？这只是需要更多求解器迭代的问题吗？如果有，有多少？(2) 列名“pri res”、“dua res”、“rel gap”等是什么意思？我正在尝试按照这些列中的值来了解求解过程中发生的情况。

此外，对于那些想要跟随我正在使用的数据集的人，这里是一个包含我的 A 矩阵（维度 278481x61）的 CSV 文件，这是一个包含我的 b 向量（维度 278481x1）的 CSV 文件。提前致谢！

今天我第一次使用 Octave 作为 Matlab 的替代品，尝试从我的 Python 脚本中调用它，而不是使用 matlab.engine。根据我的发现，这两者是兼容的，因此在 Octave 中运行 Matlab 文件并不复杂。但是，我的一个 Matlab 脚本包含函数“quadprog”，当在我的 Octave 命令提示符中调用它时会产生以下错误：

我怎么解决这个问题？另外，我在我的 Octave 脚本中加载了 optim 包.. 没有用，当使用这个命令检查它是否已经安装时pkg list，它后面跟着一个星号（当它发生时optim*）这应该是什么意思？

问候。

有人在Python 3.8和Linux Mint 20上安装了这个quadprog库吗？我正在尝试安装并出现以下错误：

我正在使用 quadprog 模块来设置用于语音识别的 SVM。我从这里获取了一个 QP 实现：https ://github.com/stephane-caron/qpsolvers/blob/master/qpsolvers/quadprog_.py

这是他们的实现：

形状：

我也有它qp_b最初被分配给hstack一个数组arr = array([0])，h但形状为：(1,)防止 numpy 连接数组。我通过插入[0] 来修复此错误。

当我尝试时，quadprog_solve_qp(P, q, G, h, A)我得到：

而且我不知道它来自哪里，也不知道我能做什么。如果有人知道 quadprog 模块是如何工作的，或者只是我可能做错了什么，我会很高兴听到。

我正在为一个班级做一个迷你项目，我们被要求在 fitcsvm 中实现 L1-QP（求解器）和 SMO（求解器），并将它们的收敛时间与越来越多的示例进行比较。问题本身不是线性可分的，但我们使用的是 Soft Margin SVM，因此它确实会收敛到 fitcsvm 的解决方案。

下面是我得到的结果： Y 轴是每种方法（绿线、蓝线和红线中的 3 种方法）收敛到解决方案所需的平均时间。

X 轴是样本数，从 100-1000 开始，以 100 为增量（100,200,300,...,1000）。我们从相同的分布中采样以增加数据集的大小。

蓝线是 fitcsvm('Solver'=L1-QP)，绿线是 fitcsvm('Solver'=SMO)。红线是我自己使用 quadprog 实现的 SVM（没有任何 fitcsvm），我使用一个简单的数据集确认了它的有效性。

左图的 C 值（'Boxconstraint'）为 0.1，右图的 C 值为 100。

从两张图中可以看出，当 C=0.1（小值）时，SMO 优于其他方法，在右图中，当 C=100 时，SMO 开始变得比其他方法效率低。我在文档中看到了一个解释，上面写着：

• 支持向量的稀疏性是 SVM 分类器的理想属性。要减少支持向量的数量，请将 BoxConstraint 设置为较大的值。这个动作增加了训练时间。

上述解释了为什么右边的情况可能会发生，但它并没有说明 SMO 和 quadprog 是否都是这种情况，或者只是 SMO。如果该陈述仅适用于 SMO，这是规范吗？我的意思是：在实际的 SMO 实现（不仅仅是 Matlab 的 SMO 实现）中，这是您在所有或大多数情况下所期望的吗？如果这是预期的和常态，有人可以解释为什么会发生这种情况吗？在解释过程中来自 SMO 实现的方程将受到高度赞赏。

结果

此外，我仍然无法解释为什么当 C=100（右图）时 SMO（绿线）突然变快，当数据集样本大小在某些点而不是在其他点（上升和下降）增加时。谢谢你。