R 的优化包
Posted
技术标签:
【中文标题】R 的优化包【英文标题】:Optimization packages for R 【发布时间】:2010-09-26 10:39:02 【问题描述】:有谁知道 (类似于 S+ 的 NUOPT)?
【问题讨论】:
否决“这个问题没有显示任何研究工作” 我“可以”把这个问题变成一个很长的问题,谈论我需要什么以及我如何调查 linprog 并发现它需要的细节。或者我可以问一个非常简单的问题。我支持这个决定。顺便说一句,虽然我不同意你对我投反对票的理由,但至少你有礼貌地给出一个理由。谢谢你的礼貌。 如果你告诉我们你在哪里看过,那么这将显示出一些研究工作——即使是一个简单的“我搜索谷歌或 cran 进行'优化'”也会有所帮助。我们不应该让人们查看任务视图...如果您发现需要 linprog,为什么要接受“我使用过 linprog”的答案? 它在 google 搜索中的“linear optimization r”下出现在第 3 位,这意味着我们应该对它进行实际操作,并将其作为未来搜索者的参考。 【参考方案1】:R 有很多很多的优化包;检查优化的 CRAN 任务视图:http://cran.r-project.org/web/views/Optimization.html。当然,对于非线性程序,有optim()
,这是标准的,包括 Broyden-Fletcher-Goldfarb-Shanno 算法和 Nelder-Mead。这是一个好的开始。
【讨论】:
【参考方案2】:您还应该尝试使用Rglpk 包解决与GLPK (GNU Linear Programming Kit) 的LP 问题。
一个例子:
## Simple linear program.
## maximize: 2 x_1 + 4 x_2 + 3 x_3
## subject to: 3 x_1 + 4 x_2 + 2 x_3 <= 60
## 2 x_1 + x_2 + x_3 <= 40
## x_1 + 3 x_2 + 2 x_3 <= 80
## x_1, x_2, x_3 are non-negative real numbers
obj <- c(2, 4, 3)
mat <- matrix(c(3, 2, 1, 4, 1, 3, 2, 2, 2), nrow = 3)
dir <- c("<=", "<=", "<=")
rhs <- c(60, 40, 80)
max <- TRUE
Rglpk_solve_LP(obj, mat, dir, rhs, max = max)
R 输出:
(请注意$status
一个整数,其中包含有关返回的解决方案的状态信息。如果设置了控制参数 canonicalize_status(默认值),那么它将返回 0 以找到最佳解决方案,否则返回非零。如果控制参数是设置为 FALSE 它将返回 GLPK 状态代码)。
$optimum
[1] 76.66667
$solution
[1] 0.000000 6.666667 16.666667
$status
[1] 0
【讨论】:
【参考方案3】:Galwegian 提到的 Linprog 专注于通过单纯形算法进行线性规划。此外,如果您正在进行投资组合优化,您可能对fPortfolio 感兴趣。
【讨论】:
【参考方案4】:用 R 试试lpSolve。
一个简单的例子:
# Maximize
# x1 + 9 x2 + x3
# Subject to:
# x1 + 2 x2 + 3 x3 <= 9
# 3 x1 + 2 x2 + 2 x3 <= 15
f.obj <- c(1, 9, 3)
f.con <- matrix(c(1, 2, 3, 3, 2, 2), nrow = 2, byrow = TRUE)
f.dir <- c("<=", "<=")
f.rhs <- c(9, 15)
lp("max", f.obj, f.con, f.dir, f.rhs)
lp("max", f.obj, f.con, f.dir, f.rhs)$solution
【讨论】:
【参考方案5】:我过去曾使用linprog 解决线性问题。
【讨论】:
+1 非常感谢。自从我的 TurboPascal 时代以来,我还没有接触过任何优化的东西。软件包页面 (cran.r-project.org/web/packages) 中列出了一大堆其他优化软件包。【参考方案6】:我喜欢古罗比。许可证非常昂贵,但可以通过许多大学获得。看这里http://www.gurobi.com/products/modeling-languages/r
【讨论】:
【参考方案7】:查看NLoptr 包。它有相当广泛的文档,其中包含示例和大量算法可供选择,具体取决于您要解决的问题(等线性、非线性、约束)
【讨论】:
【参考方案8】:另一个包是ompr。该软件包的一个优点是可以使用许多求解器,并且可以轻松添加binary
、continuous
、integer
所有变量。一个简单的例子:
library(tidyverse)
library(ompr)
library(ompr.roi)
model <- MIPModel() %>%
add_variable(x1, type = "integer") %>%
add_variable(x2, type = "integer") %>%
set_bounds(x1, lb = 0) %>%
set_bounds(x2, lb = 0) %>%
set_objective(x1 - x2, "max") %>%
add_constraint(x1 + 2*x2 <= 150) %>%
add_constraint(x1 >= 30) %>%
add_constraint(x2 >= 40)
用glpk
解决:
library(ROI.plugin.glpk)
result <- solve_model(model, with_ROI(solver = "glpk", verbose = TRUE))
get_solution(result, x1)
get_solution(result, x2)
也可以使用其他求解器解决,例如 symphony
,其中可以设置 gap_limit
,以防问题复杂且需要多次迭代才能收敛:
library(ROI.plugin.symphony)
result <- solve_model(model, with_ROI(solver = "symphony",
verbosity=-1, gap_limit=1.5))
【讨论】:
以上是关于R 的优化包的主要内容,如果未能解决你的问题,请参考以下文章
Android 安装包优化资源混淆 ( 资源混淆效果 | APK 构建流程简介 | 资源 ID 组成 )
Android 安装包优化资源混淆 ( AAPT2 资源编译工具 | resources.arsc 资源映射表 工作机制 )