Python CVXOPT模塊安裝及使用解析
更新時(shí)間：2019年08月01日 14:41:59 投稿：yaominghui
這篇文章主要介紹了Python CVXOPT模塊安裝及使用解析,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
Python中支持Convex Optimization（凸規(guī)劃）的模塊為CVXOPT,其安裝方式為：
卸載原Pyhon中的Numpy
安裝CVXOPT的whl文件，鏈接為：https://www.lfd.uci.edu/~gohlke/pythonlibs/
安裝Numpy+mkl的whl文件，鏈接為：https://www.lfd.uci.edu/~gohlke/pythonlibs/
之所以選擇這種安裝方式，是因?yàn)镻ython的whl和pip直接install的不兼容性。
CVXOPT的官方說明文檔網(wǎng)址為：http://cvxopt.org/index.html， 現(xiàn)最新版本為1.1.9,由Martin Andersen, Joachim Dahl 和Lieven Vandenberghe共同開發(fā)完成，能夠解決線性規(guī)劃和二次型規(guī)劃問題，其應(yīng)用場景如SVM中的Hard Margin SVM.
CVXOPT使用舉例如下：
線性規(guī)劃問題
例1:
Python程序代碼：
import numpy as np from cvxopt import matrix, solvers A = matrix([[-1.0, -1.0, 0.0, 1.0], [1.0, -1.0, -1.0, -2.0]]) b = matrix([1.0, -2.0, 0.0, 4.0]) c = matrix([2.0, 1.0]) sol = solvers.lp(c,A,b) print(sol['x']) print(np.dot(sol['x'].T, c)) print(sol['primal objective'])
輸出結(jié)果：
pcost dcost gap pres dres k/t
0: 2.6471e+00 -7.0588e-01 2e+01 8e-01 2e+00 1e+00
1: 3.0726e+00 2.8437e+00 1e+00 1e-01 2e-01 3e-01
2: 2.4891e+00 2.4808e+00 1e-01 1e-02 2e-02 5e-02
3: 2.4999e+00 2.4998e+00 1e-03 1e-04 2e-04 5e-04
4: 2.5000e+00 2.5000e+00 1e-05 1e-06 2e-06 5e-06
5: 2.5000e+00 2.5000e+00 1e-07 1e-08 2e-08 5e-08
Optimal solution found.
{'primal objective': 2.4999999895543072, 's': <4x1 matrix, tc='d'>, 'dual infeasibility': 2.257878974569382e-08, 'primal slack': 2.0388399547464153e-08, 'dual objective': 2.4999999817312535, 'residual as dual infeasibility certificate': None, 'dual slack': 3.529915972607509e-09, 'x': <2x1 matrix, tc='d'>, 'iterations': 5, 'gap': 1.3974945737723005e-07, 'residual as primal infeasibility certificate': None, 'z': <4x1 matrix, tc='d'>, 'y': <0x1 matrix, tc='d'>, 'status': 'optimal', 'primal infeasibility': 1.1368786228004961e-08, 'relative gap': 5.5899783359379607e-08}
[ 5.00e-01]
[ 1.50e+00]
[[ 2.49999999]]
例2
Python程序代碼
import numpy as np
from cvxopt import matrix, solvers
A = matrix([[1.0, 0.0, -1.0], [0.0, 1.0, -1.0]])
b = matrix([2.0, 2.0, -2.0])
c = matrix([1.0, 2.0])
d = matrix([-1.0, -2.0])
sol1 = solvers.lp(c,A,b)
min = np.dot(sol1['x'].T, c)
sol2 = solvers.lp(d,A,b)
max = -np.dot(sol2['x'].T, d)
print('min=%s,max=%s'%(min[0][0], max[0][0]))
輸出結(jié)果：
pcost dcost gap pres dres k/t 0: 4.0000e+00 -0.0000e+00 4e+00 0e+00 0e+00 1e+00 1: 2.7942e+00 1.9800e+00 8e-01 9e-17 7e-16 2e-01 2: 2.0095e+00 1.9875e+00 2e-02 4e-16 2e-16 7e-03 3: 2.0001e+00 1.9999e+00 2e-04 2e-16 6e-16 7e-05 4: 2.0000e+00 2.0000e+00 2e-06 6e-17 5e-16 7e-07 5: 2.0000e+00 2.0000e+00 2e-08 3e-16 7e-16 7e-09 Optimal solution found. pcost dcost gap pres dres k/t 0: -4.0000e+00 -8.0000e+00 4e+00 0e+00 1e-16 1e+00 1: -5.2058e+00 -6.0200e+00 8e-01 1e-16 7e-16 2e-01 2: -5.9905e+00 -6.0125e+00 2e-02 1e-16 0e+00 7e-03 3: -5.9999e+00 -6.0001e+00 2e-04 1e-16 2e-16 7e-05 4: -6.0000e+00 -6.0000e+00 2e-06 1e-16 2e-16 7e-07 Optimal solution found. min=2.00000000952,max=5.99999904803
二次型規(guī)劃問題
其中P,q,G,h,A,b為輸入矩陣，該問題求解采用QP算法。
例1：
Python程序代碼：
from cvxopt import matrix, solvers Q = 2*matrix([[2, .5], [.5, 1]]) p = 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)) b = matrix(1.0) sol=solvers.qp(Q, p, G, h, A, b) print(sol['x']) print(sol['primal objective'])
輸出結(jié)果：
pcost dcost gap pres dres 0: 1.8889e+00 7.7778e-01 1e+00 2e-16 2e+00 1: 1.8769e+00 1.8320e+00 4e-02 0e+00 6e-02 2: 1.8750e+00 1.8739e+00 1e-03 1e-16 5e-04 3: 1.8750e+00 1.8750e+00 1e-05 6e-17 5e-06 4: 1.8750e+00 1.8750e+00 1e-07 2e-16 5e-08 Optimal solution found. [ 2.50e-01] [ 7.50e-01]
例2：
Python程序代碼：
from cvxopt import matrix, solvers P = matrix([[1.0, 0.0], [0.0, 0.0]]) q = matrix([3.0, 4.0]) G = matrix([[-1.0, 0.0, -1.0, 2.0, 3.0], [0.0, -1.0, -3.0, 5.0, 4.0]]) h = matrix([0.0, 0.0, -15.0, 100.0, 80.0]) sol=solvers.qp(P, q, G, h) print(sol['x']) print(sol['primal objective'])
輸出結(jié)果
pcost dcost gap pres dres 0: 1.0780e+02 -7.6366e+02 9e+02 0e+00 4e+01 1: 9.3245e+01 9.7637e+00 8e+01 6e-17 3e+00 2: 6.7311e+01 3.2553e+01 3e+01 6e-17 1e+00 3: 2.6071e+01 1.5068e+01 1e+01 2e-17 7e-01 4: 3.7092e+01 2.3152e+01 1e+01 5e-18 4e-01 5: 2.5352e+01 1.8652e+01 7e+00 7e-17 3e-16 6: 2.0062e+01 1.9974e+01 9e-02 2e-16 3e-16 7: 2.0001e+01 2.0000e+01 9e-04 8e-17 5e-16 8: 2.0000e+01 2.0000e+01 9e-06 1e-16 2e-16 Optimal solution found. [ 7.13e-07] [ 5.00e+00] 20.00000617311241
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了python中的os.path.join使用方法詳解,os.path.join用于將多個(gè)路徑拼接為一個(gè)完整路徑,經(jīng)常使用,但沒了解過細(xì)節(jié),直到今天遇到一個(gè)令人疑惑的問題,最后發(fā)現(xiàn)是os.path.join的問題,借此機(jī)會,記錄下os.path.join的用法,需要的朋友可以參考下2023-11-11
平時(shí)在遠(yuǎn)程連接服務(wù)器,大多數(shù)都是使用 Xshell,其實(shí)對于經(jīng)常寫python的小伙伴,我們還有一個(gè)使用起來更加方便,就是常用的python集成IED工具Pycharm,這篇文章主要給大家介紹了關(guān)于如何利用Pycharm連接服務(wù)器的相關(guān)資料,需要的朋友可以參考下2021-07-07
使用python進(jìn)行廣告點(diǎn)擊率的預(yù)測的實(shí)現(xiàn)
這篇文章主要介紹了使用python進(jìn)行廣告點(diǎn)擊率的預(yù)測的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07
Django項(xiàng)目中包含多個(gè)應(yīng)用時(shí)對url的配置方法
今天小編就為大家分享一篇Django項(xiàng)目中包含多個(gè)應(yīng)用時(shí)對url的配置方法，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-05-05
這篇文章主要給大家介紹了關(guān)于Python中Thop庫的基本用例和參數(shù)說明的相關(guān)資料,THOP是PyTorch非常實(shí)用的一個(gè)第三方庫,可以統(tǒng)計(jì)模型的 FLOPs 和參數(shù)量,文中通過代碼介紹的非常詳細(xì),需要的朋友可以參考下2024-05-05
簡單講解Python中的數(shù)字類型及基本的數(shù)學(xué)計(jì)算
這篇文章主要介紹了Python中的數(shù)字類型及基本的數(shù)學(xué)計(jì)算,與其他語言一樣,除法相對復(fù)雜些,不過本文并未就此深入,需要的朋友可以參考下2016-03-03
這篇文章主要介紹了Anaconda 的安裝教程，本文給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-09-09
這篇文章主要介紹了Pipenv一鍵搭建python虛擬環(huán)境的方法，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2018-05-05
pandas讀取excel時(shí)獲取讀取進(jìn)度的實(shí)現(xiàn)
這篇文章主要介紹了pandas讀取excel時(shí)獲取讀取進(jìn)度的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-04-04
如何用Python數(shù)據(jù)可視化來分析用戶留存率
今天和大家來分享一些數(shù)據(jù)可視化方向的干貨，我們來嘗試用Python來繪制一下“漏斗圖”，感興趣的小伙伴和小編一起進(jìn)入課題吧，但愿大家會有所收獲2021-09-09