二次规划算法学习笔记
在人脸表情动画的研究中,大部分工作都是通过采集每一时刻的面部运动数据,并求出该数据在表情基中的线性组合。而这个计算问题是一个典型的二次规划问题,如下面的式子所示。
通过上述问题求出的结果(即每个表情基对应的权重)作用与各个表情基上就能实现逼真的表情动画了,而求解二次规划的方法有很多,下面重点介绍有效集方法的理论并进行相应的代码实现。
一般的二次规划的形式如下:
下面是matlab实现的有效集解法:
function [x,lamk,exitflag,output]=qpact(H,c,Ae,be,Ai,bi,x0)
% 功能: 用有效集方法解一般约束二次规划问题:
% min f(x)=0.5*x'*H*x+c'*x,
% s.t. a'_i*x-b_i=0,(i=1,...,l),
% a'_i*x-b_i>=0,(i=l+1,...,m)
%输入: x0是初始点, H, c分别是目标函数二次型矩阵和向量;
% Ae=(a_1,...,a_l)', be=(b_1,...,b_l)';
% Ai=(a_{l+1},...,a_m), bi=(b_{l+1},...,b_m)'.
%输出: x是最优解, lambda是对应的乘子向量;output是结构
% 变量, 输出极小值f(x), 迭代次数k等信息, exitflag是算法终止类型
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% 初始化
%epsilon 是一个很小的数,用于辅助不等式判断,
%如在进行 >= 的判断时,往往是 x>=b+epsilon,err也是一个类似的量
epsilon=1.0e-9; err=1.0e-6;
k=0; x=x0; %k为迭代次数,x0为初始点
n=length(x); kmax=1.0e3; %kmax最大迭代次数
ne=length(be); ni=length(bi); lamk=zeros(ne+ni,1);
index=ones(ni,1);
for (i=1:ni)
if(Ai(i,:)*x>bi(i)+epsilon), index(i)=0; end
end
%算法主程序
while (k<=kmax)
%求解子问题
Aee=[ ];
if(ne>0), Aee=Ae; end
for(j=1:ni) %不等式约束的个数
if(index(j)>0), Aee=[Aee; Ai(j,:)]; end %将不等式约束和等式约束的稀疏矩阵合并
end
% min f(x)=0.5*x'*H*x+c'*x,
% s.t. a'_i*x-b_i=0,(i=1,...,l,l+1,...,m),
% 将不等式约束改为等式约束求解子问题。
gk=H*x+c;
[m1,n1] = size(Aee);
[dk,lamk]=qsubp(H,gk,Aee,zeros(m1,1)); %计算出极小点dk和拉格朗日乘子向量lamk
if(norm(dk)<=err) %dk为0的时候转入第二步
y=0.0;
if(length(lamk)>ne)
[y,jk]=min(lamk(ne+1:length(lamk))); %确定有效集中lamda的最小元素。
end
if(y>=0)
exitflag=0; %如果每个lamda都大于零,这dk为全局极小点,
else %否则减去lamda对应的有效集元素,形成新的有效集
exitflag=1;
for(i=1:ni)
if(index(i) & (ne+sum(index(1:i)))==jk) %如果lamda对应的有效集位置为jk,且索引为1,则将索引置0
index(i)=0; break; %确保在之后的计算中,不在计算当前不等式约束。
end
end
end
k=k+1;
else %如果dk不等于0,转入第三步
exitflag=1; %确定步长alpha
%求步长
alpha=1.0; tm=1.0;
for(i=1:ni)
if((index(i)==0)&(Ai(i,:)*dk<0))
tm1=(bi(i)-Ai(i,:)*x)/(Ai(i,:)*dk); %alpha的计算见第三步的具体公式
if(tm1<tm)
tm=tm1; ti=i;
end
end
end
alpha=min(alpha,tm); %选取最小的alpha,一般为边界点对应的alpha
x = x+alpha*dk; %确定新的x位置。
%修正有效集
if(tm<1), index(ti)=1; end
end
if(exitflag==0), break; end
k=k+1;
end
output.fval=0.5*x'*H*x+c'*x;
output.iter=k;
%%%%%%%% 求解子问题 %%%%%%%%%%%%%%% 求法见附A
function [x,lambda]=qsubp(H,c,Ae,be) %求解子问题即,求解一个等式约束的二次规划,
ginvH=pinv(H);
[m,n]=size(Ae);
if (m>0)
rb = Ae*ginvH*c + be;
lambda = pinv(Ae*ginvH*Ae')*rb;
x = ginvH*(Ae'*lambda-c);
else
x = -ginvH*c;
lambda = zeros(m,1);
end
二次规划算法学习笔记相关推荐
- matlab中x从0到5不含0,关于MATLAB的数学建模算法学习笔记
关于MATLAB的数学建模算法学习笔记 目录 线性规划中应用: (3) 非线性规划: (3) 指派问题;投资问题:(0-1问题) (3) 1)应用fmincon命令语句 (3) 2)应用指令函数:bi ...
- Python最优化算法学习笔记(Gurobi)
微信公众号:数学建模与人工智能 github地址:https://github.com/QInzhengk/Math-Model-and-Machine-Learning Python最优化算法学习笔 ...
- 大顶堆删除最大值_算法学习笔记(47): 二叉堆
堆(Heap)是一类数据结构,它们拥有树状结构,且能够保证父节点比子节点大(或小).当根节点保存堆中最大值时,称为大根堆:反之,则称为小根堆. 二叉堆(Binary Heap)是最简单.常用的堆,是一 ...
- Manacher算法学习笔记 | LeetCode#5
Manacher算法学习笔记 DECLARATION 引用来源:https://www.cnblogs.com/grandyang/p/4475985.html CONTENT 用途:寻找一个字符串的 ...
- 数据结构与算法学习笔记之 从0编号的数组
数据结构与算法学习笔记之 从0编号的数组 前言 数组看似简单,但掌握精髓的却没有多少:他既是编程语言中的数据类型,又是最基础的数据结构: 一个小问题: 为什么数据要从0开始编号,而不是 从1开始呢? ...
- 输出dag的所有拓扑排序序列_算法学习笔记(53): 拓扑排序
拓扑排序是对DAG(有向无环图)上的节点进行排序,使得对于每一条有向边 , 都在 之前出现.简单地说,是在不破坏节点 先后顺序的前提下,把DAG拉成一条链.如果以游戏中的科技树(虽然名字带树,其实常常 ...
- 算法学习笔记:对指定金额计算最少钞票数
算法学习笔记:对指定金额计算最少钞票数 一.引出问题 财务人员给员工发工资时经常遇到这样一个问题,即根据每个人的工资额(以元作为单位)计算出各种面值的钞票的张数,且要求总张数最少.例如,某职工工资为3 ...
- 机器学习篇01:在线学习的支持向量机算法学习笔记
在线学习的支持向量机算法学习笔记 oisvm算法实现说明 oisvm算法实现说明 % 本程序是用于实现基于在线学习的调制信号识别的程序 % % % 第一步:调制信号的生成 % 首先是7个信号:2ASK ...
- 数据结构与算法学习笔记之 提高读取性能的链表(上)
数据结构与算法学习笔记之 提高读取性能的链表(上) 前言 链表(Linked list)比数组稍微复杂一点,在我们生活中用到最常见的应该是缓存,它是一种提高数据读取性能的技术,常见的如cpu缓存,浏览 ...
最新文章
- Linux命令grep
- 【续】RUP模型与XP模型
- python重复字符串n次_python装饰器听了N次也没印象,读完这篇你就懂了
- stm32f4 hal 4位数码管_STM32裸机开发基础篇01开发环境搭建(HAL库)
- 計算機二級-java11
- python opencv 摄像头标定_(五)单目摄像头标定与畸变矫正(C++,opencv)
- 优秀程序员都有哪些编程习惯?
- cannot be null mysql_mysql5.7 column cannot be null-阿里云开发者社区
- 存储ic载板_【行业亮点】看好载板供不应求趋势,深南/兴森/越亚积极布局
- spreadJs实现基本的表格编辑 导入导出
- matlab 求一元二次方程的根,如何用Matlab求一元二次方程式解的个数以及解
- DataGridView控件绑定数据源时:用户sa登录失败
- 【CSS手册】css
- 什么是Scrum团队?
- Oracle导入导出dmp文件步骤
- AUTOCAD——创建可编辑属性块
- ZUCC_计算机系统原理实验_大作业 bomb 破解
- 标量/向量/矩阵求导方法
- Android自定义实现按周签到打卡功能
- 10min快速回顾C++语法(五)字符串专题
热门文章
- 蓉创蜀兴丨HTTPS建设全解析
- hive函数regexp_extract提取固定长度的数字信息(正则表达)
- 3GPP TS 23501-g51 中英文对照 | 4.3.2 Roaming architecture
- css学习笔记-盒子的样式
- Lazada代运营分享—Lazada新手运营快速提升流量交易额的三大核心技巧
- Android渲染优化之卡顿检测、统计fps
- threading.Thread.setDaemon()方法
- 数据清洗的几种常用手段
- 蓝牙基带协议(baseband specification)
- ⑮霍兰德EA*型如何选专业?高考志愿填报选专业