UA SIE545 优化理论基础0 优化建模7 二值变量的应用
UA SIE545 优化理论基础0 优化建模7 二值变量的应用
- 包含决策变量的绝对值的约束
- 包含决策变量的最值的约束
- 包含决策变量的任意分位点的约束
- 应用:Least Median Squared Error Regression
考虑一种看起来非常简单的约束:∣x∣≥a|x|\ge a∣x∣≥a,这个约束等价于x≥aora≤−ax \ge a\ or\ a \le -ax≥a or a≤−a,也就是说这个约束不能简单写成线性形式,因为它包含两个分支。这时我们需要引入二值变量。
包含决策变量的绝对值的约束
继续考虑∣x∣≥a|x|\ge a∣x∣≥a这个约束,假设它等价于
x≥a+g(z)andx≤−a−h(z)x \ge a + g(z) \ and\ x \le -a-h(z)x≥a+g(z) and x≤−a−h(z)
当z=0z=0z=0时,上式等价于x≤−ax\le -ax≤−a;当z=1z=1z=1时,上式等价于x≥ax\ge ax≥a,那么当z=0z=0z=0时,需要g(z)=inf,h(z)=0g(z)=\inf, h(z)=0g(z)=inf,h(z)=0;当z=1z=1z=1时,需要g(z)=0,h(z)=infg(z)=0, h(z)=\infg(z)=0,h(z)=inf。因为inf\infinf并不标准,我们只是用它表示一个非常大的数,因此可以正式地定义一个MMM,满足∀ϵ>0,M>ϵ\forall \epsilon>0, M>\epsilon∀ϵ>0,M>ϵ。从而构造:
g(z)=M(1−z),h(z)=Mzg(z) = M(1-z),\ h(z)= Mzg(z)=M(1−z), h(z)=Mz
显然
∣x∣≥a⇔x≥a+M(1−z)andx≤−a−Mz|x|\ge a \Leftrightarrow x \ge a + M(1-z) \ and\ x \le -a-Mz∣x∣≥a⇔x≥a+M(1−z) and x≤−a−Mz
包含决策变量的最值的约束
有两种约束是非常简单,比如
min(x1,⋯,xn)≥a⇔x1≥a,x2≥a,⋯,xn≥amax(x1,⋯,xn)≤b⇔x1≤a,x2≤a,⋯,xn≤a\min(x_1,\cdots,x_n) \ge a \Leftrightarrow x_1 \ge a, x_2 \ge a,\cdots,x_n \ge a \\ \max(x_1,\cdots,x_n) \le b \Leftrightarrow x_1 \le a, x_2 \le a,\cdots,x_n \le amin(x1,⋯,xn)≥a⇔x1≥a,x2≥a,⋯,xn≥amax(x1,⋯,xn)≤b⇔x1≤a,x2≤a,⋯,xn≤a
现在考虑更复杂的情况,假设min(x1,⋯,xn)≤a\min(x_1,\cdots,x_n) \le amin(x1,⋯,xn)≤a,这个约束的含义是∃k∈{1,⋯,n},xk≤a\exists k \in \{1,\cdots,n\},x_k\le a∃k∈{1,⋯,n},xk≤a,也就是至少有一个决策变量不大于aaa,其他的无所谓。因此我们可以引入一系列用于选择的二值变量{zi}i=1n\{z_i\}_{i=1}^n{zi}i=1n,zi=1z_i=1zi=1表示xi≤ax_i \le axi≤a,根据绝对值部分构造的分支选择的结构,min(x1,⋯,xn)≤a\min(x_1,\cdots,x_n) \le amin(x1,⋯,xn)≤a等价于
∀i,xi≤a+M(1−zi),∑i=1nzi=1\forall i, x_i \le a +M(1-z_i), \sum_{i=1}^n z_i = 1∀i,xi≤a+M(1−zi),i=1∑nzi=1
另一种情况是max(x1,⋯,xn)≥a\max(x_1,\cdots,x_n) \ge amax(x1,⋯,xn)≥a,这个约束的含义是∃k∈{1,⋯,n},xk≥a\exists k \in \{1,\cdots,n\},x_k\ge a∃k∈{1,⋯,n},xk≥a,也就是至少有一个决策变量不小于aaa,其他的可以自由取值。同样引入一系列用于选择的二值变量{zi}i=1n\{z_i\}_{i=1}^n{zi}i=1n,zi=1z_i=1zi=1表示xi≥ax_i \ge axi≥a,max(x1,⋯,xn)≥a\max(x_1,\cdots,x_n) \ge amax(x1,⋯,xn)≥a等价于
∀i,xi≥a−M(1−zi),∑i=1nzi=1\forall i, x_i \ge a -M(1-z_i), \sum_{i=1}^n z_i = 1∀i,xi≥a−M(1−zi),i=1∑nzi=1
包含决策变量的任意分位点的约束
考虑这样的约束,x(k)x_{(k)}x(k)表示决策变量的第kkk个次序统计量,考虑约束x(k)≤ax_{(k)} \le ax(k)≤a,它的涵义是在nnn个决策变量中至少有kkk个不大于aaa,引入一系列用于选择的二值变量{zi}i=1n\{z_i\}_{i=1}^n{zi}i=1n,zi=1z_i=1zi=1表示xi≤ax_i \le axi≤a,同样利用分支结构:
∀i,xi≤a+M(1−zi),∑i=1nzi=k\forall i, x_i \le a +M(1-z_i), \sum_{i=1}^n z_i = k∀i,xi≤a+M(1−zi),i=1∑nzi=k
应用:Least Median Squared Error Regression
沿用优化建模3的设定:考虑一元线性回归问题,假设数据集为{(xi,yi),i=1,⋯,n}\{(x_i,y_i),i=1,\cdots,n\}{(xi,yi),i=1,⋯,n},假设被解释变量为yyy,解释变量为xxx,并且二者是线性关系
y=β0+β1xy = \beta_0 + \beta_1 xy=β0+β1x
一种Robust regression技术是Least Median Squared Error Regression,也就是
minmedian(yi−(β0+β1xi))2\min median (y_i-(\beta_0+\beta_1x_i))^2minmedian(yi−(β0+β1xi))2
根据优化模型的性质,这个优化等价于
minmedian(yi−(β0+β1xi))\min median (y_i-(\beta_0+\beta_1x_i))minmedian(yi−(β0+β1xi))
令u=median(yi−(β0+β1xi))=median(ϵi)u=median (y_i-(\beta_0+\beta_1x_i))=median( \epsilon_i)u=median(yi−(β0+β1xi))=median(ϵi),上面的优化可以进一步等价为
minus.t.u≥median(ϵi)\min u \\ s.t. \ u \ge median( \epsilon_i)minus.t. u≥median(ϵi)
这个约束的含义是在nnn个ϵi\epsilon_iϵi中至少有一半不大于uuu,根据上文的结论,引入一系列用于选择的二值变量{zi}i=1n\{z_i\}_{i=1}^n{zi}i=1n,zi=1z_i=1zi=1表示ϵi≤a\epsilon_i \le aϵi≤a,则优化等价于
minus.t.∀i,yi−(β0+β1xi)≤u+M(1−zi)∑i=1nzi=[(n+1)/2]\min u \\ s.t. \ \forall i, y_i-(\beta_0+\beta_1x_i) \le u+M(1-z_i) \\ \sum_{i=1}^n z_i = [(n+1)/2]minus.t. ∀i,yi−(β0+β1xi)≤u+M(1−zi)i=1∑nzi=[(n+1)/2]
这就化归成了一个线性规划。
UA SIE545 优化理论基础0 优化建模7 二值变量的应用相关推荐
- UA SIE545 优化理论基础0 优化建模3 线性回归的参数估计问题
UA SIE545 优化理论基础0 优化建模3 线性回归的参数估计问题 OLS Least Absolute Deviation (LAD) Least Max Deviation (LMD) Lea ...
- UA SIE545 优化理论基础0 优化建模6 罐头的尺寸设计
UA SIE545 优化理论基础0 优化建模6 罐头的尺寸设计 我们的目标是设计一种罐头,这种罐头产品按件出售,一件12个罐头,按3行一行四个的形式排列,同时有以下信息: V0V_0V0:罐头的最小 ...
- UA SIE545 优化理论基础0 优化建模1 优化问题的基本形式
UA SIE545 优化理论基础0 优化建模1 优化问题的基本形式 优化问题的基本形式 确定性优化问题 随机优化问题 Stochastic Programming(SP) Robust Optimiz ...
- AR学习笔记(七):阈值二值化优化与颜色分割的优化
AR学习笔记(七):阈值二值化优化与颜色分割的优化 阈值二值化的优化 当前方案 图像预处理 阈值二值化 优化方案 otsu法 顶帽变换 分块阈值法 颜色分割的优化 当前方案 优化方案 HSV模型分割 ...
- UA SIE545 优化理论基础1 例题1 常见的凸集
UA SIE545 优化理论基础1 例题1 常见的凸集 一些例题 在优化理论中,我们主要讨论下面几种凸集: 超平面:{x:pTx=β}\{x:p^Tx=\beta\}{x:pTx=β} 半空间:{x: ...
- UA SIE545 优化理论基础 用Farkas定理证明Farkas类的结论
UA SIE545 优化理论基础 用Farkas定理证明Farkas类的结论 Farkas定理 AAA是一个m×nm\times nm×n的矩阵,下面两个系统有且仅有一个有解: I:Ax≤0,cTx& ...
- UA SIE545 优化理论基础 函数凸性的一些有趣的判断方法
UA SIE545 优化理论基础 函数凸性的一些有趣的判断方法 Convex function f:S→Rf:S \to \mathbb{R}f:S→R where SSS is a nonempty ...
- UA SIE545 优化理论基础 例题 对偶函数的凸性与次梯度计算
UA SIE545 优化理论基础 例题 对偶函数的凸性与次梯度计算 例 考虑对偶函数 θ(u1,u2)=minx12+x22≤4x1(2−u1)+x2(3−u2)\theta(u_1,u_2) = ...
- UA SIE545 优化理论基础2 凸函数 概念 理论 总结
UA SIE545 优化理论基础2 凸函数 概念 理论 总结 凸函数的概念与简单性质 Convex function f:S→Rf:S \to \mathbb{R}f:S→R where SSS is ...
最新文章
- SQL2005使用游标的实例(SBO中计算到期应收账款)
- mysql无效的时间默认值_mysql – ‘timestamp’的默认值无效
- python读取和存入json文件
- 基于鸿蒙Hi3861和华为云平台的烟雾报警器(附源码)
- 拳王公社:网络引流的“4大核心秘诀“,让客户源源不断地加你
- Python100道经典练习题(附PDF)
- jenkins - publish over ssh 学习+踩坑记
- 【方差分析】之matlab求解
- 掌握企业邮箱3个好用的技巧,商务沟通安全又轻松!
- fatal: unsafe repository (‘/home/anji/gopath/src/gateway‘ is owned by someone else)
- GitLab The requested URL returned error: 502
- GC算法很通俗的讲解hot
- word分栏 公式居中对齐 自动编号
- 【转载】理解dropout
- Jetson Nano系列教程4-生死看淡,不服就干之I2C
- delphi Base64 编解码
- 免费Bootstrap后台管理模板
- 房地产稳经济作用正在显现
- EOS核心特点是什么?
- 合肥计算机专业大学排名23,计算机专业大学排名.doc
热门文章
- TI CC2530的BasicRF与Zstack的同与异(重点讲了MAC层)
- [OpenCV] -- win7下配置OpenCV的Qt开发环境
- 返回的到的数据做整合_成功的整合营销有哪些秘诀
- bp神经网络代码_机器学习(周志华)课后习题——第五章——神经网络
- CTFshow 命令执行 web73
- CodeForces - 844B Rectangles
- [YTU]_2638(编程题:多态--动物叫)
- linspace--创建线性等分向量
- nchoosek--二项式系数或所有的组合数
- opencv 图像的腐蚀与膨胀