我有一个长度为N
的向量A
。我还有 N*N
矩阵 C
。我想最大化以下方程:
minimize (- (w_transpose * A) + p * w_transpose * C * w)
其中 w
是长度为 N
的向量,约束条件是每个 w
均为非负且所有 w 之和
是 1。
我看到了一个名为quadProg
的包。我需要指定:
Dmat = C
、dvec = A
和 bvec = w
但不确定如何在那里应用上述约束。
我想我可以提供 Amat
作为单位矩阵,这将使所有 w
保持非负数。但不确定如何保持 w
标准化(总和等于零)。实际上我也可以稍后将它们标准化,但仍然想知道我是否可以在这里自己完成。
最佳答案
您可以使用quadprog 中的solve.QP
函数来完成此操作。从 ?solve.QP
中,我们了解到 solve.QP
可以求解 min_b {-d'b + 0.5 b'Db | 形式的系统。 A'b >= b0}
。您正在解决以下形式的问题 min_w {-A'w + pw'Cw | w >= 0, 1'w = 1}
。因此,表单之间的映射:
d = A
(在solve.QP
的参数中称为dvec
)D = 2pC
(在solve.QP
的参数中称为Dmat
)- 对于第一组约束,您有
I'w >= 0
。最终约束可以重新表述为1'w >= 1
和-1'w >= -1
。因此,您的约束矩阵(solve.QP
的参数中的Amat
)是单位矩阵,右侧附加一个 1 向量和一个 -1 向量,并且右侧 b0(solve.QP
参数中的bvec
)是附加了 1 和 -1 的 0 向量。
你可以很容易地将它们放在 R 中:
library(quadprog)
solve.my.QP <- function(A, p, C) {
solve.QP(Dmat=2*p*C,
dvec=A,
Amat=cbind(diag(1, length(A)), rep(1, length(A)), rep(-1, length(A))),
bvec=c(rep(0, length(A)), 1, -1))$solution
}
您可以在一些简单的二维问题上测试它:
# Even penalty
solve.my.QP(c(0, 0), 1, diag(1, 2))
# [1] 0.5 0.5
# Encourage inclusion of first variable
solve.my.QP(c(0.1, 0), 1, diag(1, 2))
# [1] 0.525 0.475
关于r - 使用quadProg库进行约束二次优化,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30841622/