目标:计算两个凸多胞形的交集。
我正在使用 scipy.spatial.HalfspaceIntersection
去做这个。下图显示了生成的交叉点:
我的问题:确定一个初始可行点。
你看,scipy.spatial.HalfspaceIntersection
的当前 Python
实现需要将 interior_point
作为参数传递。
interior_point : ndarray of floats, shape (ndim,)
Point clearly inside the region defined by halfspaces. Also called a feasible point, it can be obtained by linear programming.
现在,我正在手动提供可行点,因为我只是在起草一个原型(prototype)来试验 HalfspaceIntersection
。
但现在我已经到了不想手动指定它的地步。
SciPy的优化模块 scipy.optimize.linprog
实现两个通用的线性规划 (LP) 求解器:单纯形 和内点。但是,它们似乎需要成本函数。 [ 1 ]
因为我想花费尽可能少的处理时间来计算这个可行点,所以我想知道如何在没有成本函数的情况下运行这些 LP 方法,即只运行直到该解决方案已达到可行状态。
问题:
scipy.optimize.linprog
是计算这个可行内点的正确方法吗?如果是,我如何使用 simplex 或 interior-point 没有成本函数?
为什么
scipy.spatial.HalfspaceIntersection
要求首先将一个内部点
作为参数传递?据我所知,半空间的交集是删除一组给定不等式的冗余不等式。为什么需要可行点?
最佳答案
您可以指定一个常数成本函数,例如 0。
这是一个例子:
%pylab
from scipy.optimize import linprog
A = array([[1] + 9 * [0], 9 * [0] + [1]])
b = array([1, 1])
测量这种方法的性能表明它非常有效:
%time
res = linprog(c=zeros(A.shape[1]), A_eq=A, b_eq=b)
输出:
CPU times: user 5 µs, sys: 1 µs, total: 6 µs
Wall time: 11 µs
此外,根据 res.nit
,我们仅在 2 次迭代后就完成了。
结果res.x
是正确的:
array([ 1., 0., 0., 0., 0., 0., 0., 0., 0., 1.])
请注意,单纯形算法旨在查找由线性约束定义的多面体的顶点。据我了解,基于内部点的方法没有这样的偏好,尽管我不熟悉 scipy 的 linprog
背后的实现。因此,由于您的要求是该点“明显位于半空间定义的区域内”,因此我建议采用以下方法之一:
- 或者, 将
method='interior-point'
传递给linprog
。 - 或者,计算不同的顶点并利用多面体是凸的:
- 向常量目标函数添加一些噪声(例如,通过
np.random.randn
) - 通过改变噪声种子 (
np.random.seed
) 解决噪声增强 LP 的多个实例。 - 最后,使用您的解决方案的平均值作为最终内部点“明显位于区域内”。
- 向常量目标函数添加一些噪声(例如,通过
由于不清楚您的内部点的边距需要多大,我希望第二种方法(噪声增强 LP)更稳健。
关于python - Python中如何快速得到线性规划的可行解?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51598353/