Parameters are symbolic representations of constants. The purpose of parameters is to change the value of a constant in a problem without reconstructing the entire problem.
直接来自文档的示例(已修改):
from cvxpy import *
import numpy
# Problem data.
n = 15
m = 10
numpy.random.seed(1)
A = numpy.random.randn(n, m)
b = numpy.random.randn(n, 1)
# gamma must be positive due to DCP rules.
gamma = Parameter(sign="positive") # !!!
# Construct the problem.
x = Variable(m)
error = sum_squares(A*x - b)
obj = Minimize(error + gamma*norm(x, 1))
prob = Problem(obj) # !!!
# Construct a trade-off curve of ||Ax-b||^2 vs. ||x||_1
sq_penalty = []
l1_penalty = []
x_values = []
gamma_vals = numpy.logspace(-4, 6)
for val in gamma_vals:
gamma.value = val # !!!
prob.solve() # !!!
# Use expr.value to get the numerical value of
# an expression in the problem.
sq_penalty.append(error.value)
l1_penalty.append(norm(x, 1).value)
x_values.append(x.value)
是的,有。甚至在官方的docs中也有解释。在
直接来自文档的示例(已修改):
那么它的作用是什么
正如您所注意到的,优化问题的设置可能需要一些时间,因为它遵循DCP方法(通过构造来证明凸性)。在
使用
parameter
,此DCP处理只完成一次!每一个新的解决方案只会改变问题中的一些小部分。尽可能精确地描述参数非常重要,这样DCP才能工作。示例:Parameter(sign="positive")
。在你还有什么可以做的
也许吧。根据解算器的不同,如果您认为一个特殊的猜测(例如上一次迭代的解向量)是新问题的良好开端,则也可以使用热启动。在
这将把:
prob.solve()
替换为prob.solve(warm_start=True)
,从而重用以前的解决方案作为一个起点(解释了here)。手动定义这个向量似乎是不可能的(从cvxpy)。在可悲的是,据我所知,唯一支持这个(在cvxpy中)的解算器是SCS(其他人会忽略它而不会崩溃)!在
相关问题 更多 >
编程相关推荐