yalmip学习

1. yalmip简介

1.1 什么是yalmip

yalmip是由Lofberg开发的一种免费的优化求解工具,其最大特色在于集成许多外部的最优化求解器,形成一种统一的建模求解语言,提供了Matlab的调用API,减少学习者学习成本。

1.2 yalmip安装方式

这里以MATLAB的安装方式为例,在官网上下载最新包,将其解压至matlabtoolbox文件夹下(当然也放置在其他文件夹),打开matlab软件添加Path路径即可。最后键入which sdpvar命令,显示sdpvar路径则安装成功。

这一步添加添加路径记得把子文件夹也给加上!!!

2.yalmip求解优化问题的四部曲

2.1 创建决策变量

yalmip一共有三种方式创建决策变量,分别为:

  1. sdpvar-创建实数型决策变量
  2. intbar-创建整数型决策变量
  3. binvar-创建0/1型决策变量

不过值得注意的是,在创建n*n的决策变量时,yalmip默认是对称方阵,所以要创建非对称方针时,需要这样写:

xxxvar(n,n,'full')

2.2 添加约束条件

比起matlab自带的各种优化函数所要写明的约束条件,yalmip的约束条件写起来是非常舒适直观的。

比如要写入0<=x1+x2+x3<=1

那么可以这样写:

% 创建决策变量

x = sdpvar(1,3);
% 添加约束条件
C = [0<=x(1)+x(2)+x(3)<=1];

2.3 参数配置

关于参数设置,我们大多数是用来设置求解器solver的,当然还有其它的选项,可以通过doc sdpsettings查看。

2.4 求解问题

最后就是求解问题了。

首先要明确求解目标zyalmip默认是求解最小值问题,所以遇到求解最大值的问题,只需要在原问题的基础上添加一个负号即可。

求解调用格式:

optimize(target,constraints,opstions)

2.5 几个常用的其它指令

  1. check:可以检查约束条件是否被满足(检查约束条件的余值)
  2. value:可以查看变量或表达式的值
  3. assign: 可以给变量赋值,这个命令调试时很重要

3.举两个栗子

3.1 简单例子

如题

$$ z=max(\frac{x_1+2x_2}{2x_1+x_2})\\ \begin{cases} x_1+x_2\ge2\\ x_2-x_1\le1\\ x_1\le1\\ \end{cases} $$

% 清除工作区
clear;clc;close all;
% 创建决策变量
x = sdpvar(1,2);
% 添加约束条件
C = [
    x(1) + x(2)  >= 2
    x(2)-x(1) <=1
    x(1)<=1
    ];
% 配置 找不到lpsolve求解器请检查是否安装,或者直接不适用'solver'字段。
% ops = sdpsettings('verbose',1);
ops = sdpsettings('verbose',1,'solver','lpsolve');
% 目标函数
z = -(x(1)+2*x(2))/(2*x(1)+x(2)); % 注意这是求解最大值
% 求解
result = optimize(C,z,ops);
if result.problem == 0 % problem =0 代表求解成功
    value(x)
    -value(z)   % 反转
else
    disp('求解出错');
end

求解结果:

ans =

   0.500000999998279   1.500000333331623


ans =

   1.399999360001426

3.2 解决经典的TSP问题

关于TSP的理论,这里我就不详细介绍了,百度有很多。在遇到yalmip之前,我学习的求解TSP的第一解法就是利用lingo来求解,后来学习了几种智能算法,如遗传算法,模拟退火,蚁群算法等等都可以解决这个问题。现在,学习了yalmip之后,我们可以完全抛弃lingo那种简陋的ide。废话不多说,先贴上约束条件:

$$ minZ=\sum^n_{i=1}\sum^n_{j=1}d_{ij}x_{ij}\\ s.t\begin{cases} \sum^n_{i=1,i\not=j}x_{ij}=1,&j=1,...,n\\ \sum^n_{j=1,j\not=i}x_{ij}=1,&i=1,...,n\\ i-u_{j}+nx_{ij}\le{n-1},&1<i\not=j \le n\\ x_{ij}=0或1,&u,j=1,...,n\\ u_i为实数,&i=1,...,n\\ \end{cases} $$

% 利用yamlip求解TSP问题
clear;clc;close all;
d = load('tsp_dist_matrix.txt')';
n = size(d,1);
% 决策变量
x = binvar(n,n,'full');
u = sdpvar(1,n);
% 目标
z = sum(sum(d.*x));
% 约束添加
C = [];
for j = 1:n
    s = sum(x(:,j))-x(j,j);
    C = [C,   s  == 1];
end
for i = 1:n
    s = sum(x(i,:)) - x(i,i);
    C = [C, s  == 1];
end
for i = 2:n
    for j = 2:n
        if i~=j
            C = [C,u(i)-u(j) + n*x(i,j)<=n-1];
        end
    end
end
% 参数设置
ops = sdpsettings('verbose',0);
% 求解
result= optimize(C,z,ops);
if result.problem == 0
    value(x)
    value(z)
else
    disp('求解过程中出错');
end

这里用到的tsp_dist_matrix.txt如下:

0 7 4 5 8 6 12 13 11 18
7 0  3 10 9 14 5 14 17 17
4 3 0 5 9 10 21 8 27 12
5 10 5 0 14 9 10 9 23 16
8 9 9 14 0 7 8 7 20 19
6 14 10 9 7 0 13 5 25 13
12 5 21 10 8 13 0 23 21 18
13 14 8 9 7 5 23 0 18 12
11 17 27 23 20 25 21 18 0 16
18 17 12 16 19 13 18 12 16 0

结果:

>> value(x)

ans =

   NaN     0     0     0     0     0     0     0     1     0
     0   NaN     1     0     0     0     0     0     0     0
     0     0   NaN     1     0     0     0     0     0     0
     1     0     0   NaN     0     0     0     0     0     0
     0     0     0     0   NaN     0     1     0     0     0
     0     0     0     0     1   NaN     0     0     0     0
     0     1     0     0     0     0   NaN     0     0     0
     0     0     0     0     0     1     0   NaN     0     0
     0     0     0     0     0     0     0     0   NaN     1
     0     0     0     0     0     0     0     1     0   NaN

>> value(z)

ans =

    77

TIPS:

在书写yalmip的约束条件时,如下:
x(1) + x(2)-2 >= 0
注意x(2)-2这个-2是紧贴x(2)的。这样求解是正确的,如果换成
x(1) + x(2) -2 >= 0
x(2)-2这个-2不是紧贴x(2)的。这样求解则会出现问题。

建议把所有常数写在等式的右边

Last modification:August 14th, 2019 at 03:23 pm
如果觉得我的文章对你有用,请随意赞赏