linprog(method='highs-ipm')#
- scipy.optimize.linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=(0, None), method='highs', callback=None, options=None, x0=None, integrality=None)
线性规划:使用 HiGHS 内点求解器,在受线性等式和不等式约束的情况下最小化线性目标函数。
线性规划解决以下形式的问题:
\[\begin{split}\min_x \ & c^T x \\ \mbox{满足} \ & A_{ub} x \leq b_{ub},\\ & A_{eq} x = b_{eq},\\ & l \leq x \leq u ,\end{split}\]其中 \(x\) 是决策变量的向量;\(c\), \(b_{ub}\), \(b_{eq}\), \(l\), 和 \(u\) 是向量;\(A_{ub}\) 和 \(A_{eq}\) 是矩阵。
或者,即
最小化
c @ x
满足
A_ub @ x <= b_ub A_eq @ x == b_eq lb <= x <= ub
请注意,除非通过
bounds
指定,否则默认情况下lb = 0
且ub = None
。- 参数:
- c一维数组
要最小化的线性目标函数的系数。
- A_ub二维数组, 可选
不等式约束矩阵。
A_ub
的每一行指定了x
上线性不等式约束的系数。- b_ub一维数组, 可选
不等式约束向量。每个元素表示
A_ub @ x
对应值的上限。- A_eq二维数组, 可选
等式约束矩阵。
A_eq
的每一行指定了x
上线性等式约束的系数。- b_eq一维数组, 可选
等式约束向量。
A_eq @ x
的每个元素必须等于b_eq
的相应元素。- bounds序列, 可选
一个序列,其中包含
x
中每个元素的(min, max)
对,定义了该决策变量的最小值和最大值。使用None
表示没有限制。默认情况下,边界是(0, None)
(所有决策变量均为非负)。如果提供单个元组(min, max)
,则min
和max
将作为所有决策变量的边界。- method字符串
这是针对 'highs-ipm' 的方法特定文档。'highs-ipm'、'highs-ds'、'interior-point'(默认)、'revised simplex' 和 'simplex'(旧版)也可用。
- 返回:
- resOptimizeResult
一个
scipy.optimize.OptimizeResult
对象,包含以下字段:- x一维数组
在满足约束条件下,使目标函数最小化的决策变量值。
- fun浮点数
目标函数
c @ x
的最优值。- slack一维数组
松弛变量的(名义上为正的)值,
b_ub - A_ub @ x
。- con一维数组
等式约束的(名义上为零的)残差,
b_eq - A_eq @ x
。- success布尔值
当算法成功找到最优解时为
True
。- status整数
表示算法退出状态的整数。
0
: 优化成功终止。1
: 达到迭代次数或时间限制。2
: 问题似乎不可行。3
: 问题似乎无界。4
: HiGHS 求解器遇到问题。- message字符串
算法退出状态的字符串描述。
- nit整数
执行的总迭代次数。对于 HiGHS 内点法,这不包括交叉迭代。
- crossover_nit整数
HiGHS 内点法的交叉例程中执行的原始/对偶推送次数。
- ineqlinOptimizeResult
对应于不等式约束 b_ub 的解和敏感度信息。一个字典,包含以下字段:
- residualnp.ndarray
松弛变量的(名义上为正的)值,
b_ub - A_ub @ x
。这个量通常也称为“松弛量”。- marginalsnp.ndarray
目标函数相对于不等式约束右侧 b_ub 的敏感度(偏导数)。
- eqlinOptimizeResult
对应于等式约束 b_eq 的解和敏感度信息。一个字典,包含以下字段:
- residualnp.ndarray
等式约束的(名义上为零的)残差,
b_eq - A_eq @ x
。- marginalsnp.ndarray
目标函数相对于等式约束右侧 b_eq 的敏感度(偏导数)。
- lower, upperOptimizeResult
对应于决策变量的上下限 bounds 的解和敏感度信息。
- residualnp.ndarray
量
x - lb
(下限)或ub - x
(上限)的(名义上为正的)值。- marginalsnp.ndarray
目标函数相对于上下限 bounds 的敏感度(偏导数)。
另请参见
有关其他参数的文档,请参阅
scipy.optimize.linprog
- 选项:
- ——-
- maxiter整数
任一阶段中执行的最大迭代次数。对于 'highs-ipm',这不包括交叉迭代次数。默认值是平台上
int
类型可能的最大值。- disp布尔值 (默认:
False
) 如果在优化期间将优化状态指示器打印到控制台,则设置为
True
。- presolve布尔值 (默认:
True
) 预求解尝试识别微不足道的不可能性、微不足道的无界性,并在将其发送到主求解器之前简化问题。通常建议保持默认设置
True
;如果要禁用预求解,则设置为False
。- time_limit浮点数
解决问题分配的最大时间(秒);默认值是平台上
double
类型可能的最大值。- dual_feasibility_tolerance双精度浮点数 (默认: 1e-07)
此值与
primal_feasibility_tolerance
中的最小值用于 'highs-ipm' 的可行性容差。- primal_feasibility_tolerance双精度浮点数 (默认: 1e-07)
此值与
dual_feasibility_tolerance
中的最小值用于 'highs-ipm' 的可行性容差。- ipm_optimality_tolerance双精度浮点数 (默认:
1e-08
) 'highs-ipm' 的最优性容差。允许的最小值为 1e-12。
- unknown_options字典
此特定求解器未使用的可选参数。如果
unknown_options
非空,则会发出警告,列出所有未使用的选项。
备注
方法 'highs-ipm' 是 内点法 (interior-point method) 的 C++ 实现 [13] 的封装;它具有交叉例程,因此其精度与单纯形求解器相当。方法 'highs-ds' 是 C++ 高性能对偶修正单纯形实现 (HSOL) [13], [14] 的封装。方法 'highs' 自动在这两者之间进行选择。对于涉及
linprog
的新代码,我们建议明确选择这三种方法值之一,而不是 'interior-point'(默认)、'revised simplex' 和 'simplex'(旧版)。结果字段 ineqlin、eqlin、lower 和 upper 都包含 marginals,即目标函数相对于每个约束右侧的偏导数。这些偏导数也常被称为“拉格朗日乘数”、“对偶值”和“影子价格”。marginals 的符号约定与许多非线性求解器生成的拉格朗日乘数相反。
参考文献
[13] (1,2)Huangfu, Q., Galabova, I., Feldmeier, M., and Hall, J. A. J. “HiGHS - high performance software for linear optimization.” https://highs.dev/
[14]Huangfu, Q. and Hall, J. A. J. “Parallelizing the dual revised simplex method.” Mathematical Programming Computation, 10 (1), 119-142, 2018. DOI: 10.1007/s12532-017-0130-5