Python中支持Convex Optimization（凸規劃）的模塊為CVXOPT,其安裝方式為：

pip install cvxopt

一、數學基礎

二次型

二次型（quadratic form）：n個變量的二次多項式稱為二次型，即在一個多項式中，未知數的個數為任意多個，但每一項的次數都為2的多項式。其基本形式如下

亦可寫作， ，稱作二次型的矩陣表示，其中A是對稱矩陣。仿照如下的定義，我們可以直接在其基本形式和矩陣表示之間相互轉化。

2.正定矩陣

設A是n階實對稱矩陣， 如果對任意一非零實向量X，都使二次型 成立，則稱f(X)為正定二次型，矩陣A稱為正定矩陣(Positive Definite)，A為正定矩陣。

相應的，如果對任意一非零實向量X，都使二次型成立，則稱f(X)為半正定二次型，A為半正定矩陣。

3.二次規劃問題

二次規劃是指，帶有二次型目標函數和約束條件的最優化問題。其標準形式如下：

即在Gx<h 和Ax=b的約束下，最小化目標函數。其中，當P是正定矩陣時，目標函數存在全局唯一最優解；P是半正定矩陣時，目標函數是凸函數，存在全局最優解（不唯一）;P是不定矩陣時，目標函數非凸，存在多個局部最小值和穩定點，為np難問題。（本篇博客中我們不考慮非正定情況）。

二、python程序求解

工具包：Cvxopt python 凸優化包

函數原型：Cvxopt.solvers.qp(P,q,G,h,A,b)

P,q,G,h,A,b的含義參見上面的二次規劃問題標準形式。

編程求解思路：

1.對于一個給定的二次規劃問題，先轉換為標準形式（參見數學基礎中所講的二次型二中形式轉換）

2.對照標準形勢，構建出矩陣P,q,G,h,A,b

3.調用result=Cvxopt.solvers.qp(P,q,G,h,A,b)求解

4.print（result）查看結果，其中result是一個字典，我們可直接獲得其某個屬性，e.g. print(result[’x’])

下面我們來看一個例子

import pprintfrom cvxopt import matrix, solversP = matrix([[4.0,1.0],[1.0,2.0]])q = matrix([1.0,1.0])G = matrix([[-1.0,0.0],[0.0,-1.0]])h = matrix([0.0,0.0])A = matrix([1.0,1.0],(1,2))#原型為cvxopt.matrix(array,dims)，等價于A = matrix([[1.0],[1.0]]）b = matrix([1.0])result = solvers.qp(P,q,G,h,A,b) print(’xn’,result[’x’])

運行結果：

注意事項：

cvxopt.matrix與numpy.matrix的排列順序不同，其中cvxopt.matrix是列優先，numpy.matrix是行優先。具體可見下面實例

import numpy as npfrom cvxopt import matrixa = np.matrix([[1,2],[3,4]])b = matrix([[1,2],[3,4]])print(’numpy.matrix’,a)print(’cvxopt.matrix’,b)

運行結果：

以上這篇使用python求解二次規劃的問題就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持好吧啦網。