非线性优化函数'nloptr中的传递参数`
我最初的问题可以在这里找到: 这引出了另一个问题:如何将参数传递到非线性优化函数'nloptr中的传递参数`,r,mathematical-optimization,nonlinear-optimization,R,Mathematical Optimization,Nonlinear Optimization,我最初的问题可以在这里找到: 这引出了另一个问题:如何将参数传递到nloptr 我需要最小化函数F(x,y,a),其中x和y是向量,a是矩阵,同时有sum(x*y)>=sum(y/3)和sum(x)=1的约束。 我已尝试使用nloptr: F <- function(x,y,A){ ... } Gc <- function(x,y){ return(sum(y/3) - sum(x*y)) } Hc <- function(x){ retunr(1-sum(
nloptr
我需要最小化函数
F(x,y,a)
,其中x
和y是向量,a
是矩阵,同时有sum(x*y)>=sum(y/3)
和sum(x)=1
的约束。
我已尝试使用nloptr
:
F <- function(x,y,A){
...
}
Gc <- function(x,y){
return(sum(y/3) - sum(x*y))
}
Hc <- function(x){
retunr(1-sum(x))
}
nloptr(x0=rep(1/3,3), eval_f=F, lb = 0.05, ub = 1, eval_g_ineq = Gc, eval_g_eq = Hc, opts = list(), y=y, A=A)
F所以这里发生了几件事:
首先,目标函数,F
,等式约束函数,Hc
,不等式约束函数,Gc
,都必须采用相同的参数。因此,将x,y,A
传递给所有三个,在不需要它们的地方忽略它们
其次,你必须在某处定义y
和A
第三,必须指定要使用的算法。使用opts=list(algoritm=…)
执行此操作。事实证明,如果您(a)使用约束,并且(b)没有提供计算雅可比矩阵的函数,那么只有一些算法是合适的。在您的情况下,opts=list(algorithm=“NLOPT\u GN\u ISRES”)
似乎可以工作
最后,默认的maxeval=100
,这远远不够。我必须将其设置为100000以获得收敛
将这一切放在一起,尽管有一个虚构的目标函数:
F <- function(x,y,A){ # made-up function
# minimize scaled distance between points x and y
sum((A[1]*x-A[2]*y)^2)
}
Gc <- function(x,y,A) return(sum(y/3) - sum(x*y))
Hc <- function(x,y,A) return(1-sum(x))
library(nloptr)
y= c(0,1,0)
A= c(10,1)
opt <- nloptr(x0=rep(1/3,3), eval_f=F, lb = rep(0.05,3), ub = rep(1,3),
eval_g_ineq = Gc, eval_g_eq = Hc,
opts = list(algorithm="NLOPT_GN_ISRES",maxeval=100000), y=y, A=A)
opt$solution
# [1] 0.2990463 0.4004237 0.3005300
F如果我们去掉目标函数中的幂2(即sum((A[1]*x-A[2]*y))
,为什么我们得到不同运行的不同最佳参数解?