线性化技巧:绝对值变量的线性化
文章目录
- 1. 问题
- 2. 线性化
- 3. 缺少 x i + × x i − = 0 x_i^+ \times x_i^- = 0 xi+×xi−=0 有什么问题
- 4. 延伸思考
- 5. 参考文献
1. 问题
以方述诚老师课件中的案例为例:
m a x 3 x 1 − 2 x 2 − 4 ∣ x 3 ∣ s . t . − x 1 + 2 x 2 ≤ − 5 3 x 2 − x 3 ≥ 6 2 x 1 + x 3 = 12 x 1 , x 2 ≥ 0 max \quad 3x_1-2x_2-4\vert x_3 \vert \\ s.t. -x_1+2x_2 \leq -5 \\ 3x_2-x_3 \geq 6 \\ 2x_1 + x_3 = 12 \\ x_1,x_2 \geq 0 max3x1−2x2−4∣x3∣s.t.−x1+2x2≤−53x2−x3≥62x1+x3=12x1,x2≥0
x 3 x_3 x3是一个自由变量,且在目标函数中它是以绝对值的形式存在,如果我们要将该模型转化成标准型,首先要做的就是将 x 3 x_3 x3线性化。
2. 线性化
对于每一个数字 x x x,我们都可以将它拆成正的个数 x + x^+ x+和负的个数 x − x^- x−,并将其表示为 x + − x − x^+ - x^- x+−x−(正的个数 - 负的个数),举个例子:
- 5:正的个数是5,负的个数是0,5-0=5;
- -5:正的个数是0,负的个数是5,0-5=-5。
直觉上十分合理对吧(intuition是方老师第一节课反复强调的重点),我们用数学表达式来表达上述思想。
x i ∈ R x_i \in R xi∈R
x i + = { x i , i f x i ≥ 0 0 , o t h e r w i s e x_i^+ = \begin{cases} x_i, \quad if \quad x_i \geq 0 \\ 0, otherwise \end{cases} xi+={xi,ifxi≥00,otherwise
x i − = { 0 , i f x i ≥ 0 − x i , o t h e r w i s e x_i^- = \begin{cases} 0, \quad if \quad x_i \geq 0 \\ -x_i, otherwise \end{cases} xi−={0,ifxi≥0−xi,otherwise
x i = x i + − x i − x_i = x_i^+ - x_i^- xi=xi+−xi−
x i + × x i − = 0 x_i^+ \times x_i^- = 0 xi+×xi−=0
(很多教材和文章里直接省去了这个约束,其实是不对的,待会儿后面讲。)
x i + , x i − ≥ 0 x_i^+, x_i^- \geq 0 xi+,xi−≥0
3. 缺少 x i + × x i − = 0 x_i^+ \times x_i^- = 0 xi+×xi−=0 有什么问题
x i + × x i − = 0 x_i^+ \times x_i^- = 0 xi+×xi−=0 该约束本质保证的是 x i + x_i^+ xi+ 和 x i − x_i^- xi− 至少有一个为0,如果没有该约束,5除了表示为5-0以外,还可以表示为6-1、7-2等等。也就是会使得原来只有一个解的问题,变成具有很多个新的解的问题。
4. 延伸思考
上述问题中的 ∣ x ∣ \vert x \vert ∣x∣是一个“V”字型的凸函数,它可以求极小值。如果要求 m a x ∣ x ∣ max \vert x \vert max∣x∣ 那就unbounded了。
5. 参考文献
- Linear Programming
相关文章:
线性化技巧:绝对值变量的线性化
文章目录 1. 问题2. 线性化3. 缺少 x i x i − 0 x_i^ \times x_i^- 0 xixi−0 有什么问题4. 延伸思考5. 参考文献 1. 问题 以方述诚老师课件中的案例为例: m a x 3 x 1 − 2 x 2 − 4 ∣ x 3 ∣ s . t . − x 1 2 x 2 ≤ − 5 3 x 2 − x 3 ≥ 6 2 x 1 …...
List基本使用(C++)
目录 1.list的介绍 2.list的使用 list的构造 list的size() 和 max_size() list遍历操作 list元素修改操作 assign()函数 push_front(),push_back 头插,尾插 pop_front() pop_back 头删尾删 insert()函数 swap()函数 resize()函数 clear()函数 list类数…...
ELK 日志监控平台(一)- 快速搭建
文章目录 ELK 日志监控平台(一)- 快速搭建1.ELK 简介2.Elasticsearch安装部署3.Logstash安装部署4.Kibana安装部署5.日志收集DEMO5.1.创建SpringBoot应用依赖导入日志配置文件 logback.xml启动类目录结构启动项目 5.2.创建Logstash配置文件5.3.重新启动L…...
工作中写单片机代码,与学校里有什么不同?
来聊聊我的经历,提供几个提升方向,亲测有效,希望能让你少走几年弯路。 10几年前,还没参加工作的时候,主要是玩玩开发板,也接触不到实际产品的代码,很好奇那些产品级的代码是怎样的。 第一份工作…...
Unity LayerMask避坑笔记
今天使用Physics2D.OverlapAreaNonAlloc进行物理检测时候,通过LayerMask.NameToLayer传入了int值的LayerMask,结果一直识别不到,经过Debug才找到问题,竟是LayerMask的“值”传输有问题,记录一下。 直接贴代码输出结果&…...
(原创)从右到左排列RecycleView的数据
问题的提出 当我们写一个Recycleview时,默认的效果大概是这样的: 当然,我们也可以用表格布局管理器GridLayoutManager做成这样: 可以看到,默认的绘制方向是: 从左到右,从上到下 那么问题来了…...
【C语言】数据指针地址的取值、赋值、自增操作避坑
【C语言】数据指针的取值、赋值、自增操作避坑 文章目录 指针地址指针自增指针取值、赋值附录:压缩字符串、大小端格式转换压缩字符串浮点数压缩Packed-ASCII字符串 大小端转换什么是大端和小端数据传输中的大小端总结大小端转换函数 指针地址 请看下列代码&#…...
Java进阶-SpringCloud使用BeanUtil工具类简化对象之间的属性复制和操作
在Java编程中,BeanUtil工具类是一种强大且便捷的工具,用于简化对象之间的属性复制和操作。本文将介绍BeanUtil的基本功能,通过详细的代码示例展示其应用,并与其他类似工具进行对比。本文还将探讨BeanUtil在实际开发中的优势和使用…...
【ES6】ECMAS6新特性概览(一):变量声明let与const、箭头函数、模板字面量全面解析
🔥 个人主页:空白诗 🔥 热门专栏:【JavaScript】 文章目录 🌿 引言一、 let 和 const - 变量声明的新方式 🌟📌 var的问题回顾📌 let的革新📌 const的不变之美 二、 Arro…...
刷题之从前序遍历与中序遍历序列构造二叉树(leetcode)
从前序遍历与中序遍历序列构造二叉树 前序遍历:中左右 中序遍历:左中右 前序遍历的第一个数必定为根节点,再到中序遍历中找到该数,数的左边是左子树,右边是右子树,进行递归即可。 #include<vector>…...
微信小程序--微信开发者工具使用小技巧(3)
一、微信开发者工具使用小技巧 1、快速创建小程序页面 在app.json中的pages配置项,把需要创建的页面填写上去 2、快捷键使用 进入方式 1: 文件–>首选项–> keyboard shortcuts 进入快捷键查看与设置 进入方式 2: 设置–>快捷键…...
JDBC的 PreparedStatement 的用法和解释
文章目录 前言1、封装数据库连接和关闭操作数据库配置文件 config.properties 2、批量添加操作3、查询操作4、修改和删除操作总结 前言 PreparedStatement是预编译的,对于批量处理可以大大提高效率. 也叫JDBC存储过程 1、封装数据库连接和关闭操作 package org.springblade.m…...
LeetCode 面试150
最近准备面试,我以前不愿意面对的 现在保持一颗本心,就是专注于算法思想,语言基础的磨炼; 不为速成,不急功近利的想要比赛,或者为了面试。 单纯的本心,体验算法带来的快乐,是一件非常…...
xmake+xrepo自建仓库添加交叉编译工具链
xmakexrepo自建仓库添加交叉编译工具链 最近想将交叉编译工具链放到xrepo自建仓库中,在xmake中引用,方便多个电脑快速实现交叉编译。 xmake官方文档感觉不够详细,折腾了好久,这里做个记录。 基本步骤如下: 添加自建…...
论文阅读》学习了解自己:一个粗略到精细的个性化对话生成的人物感知训练框架 AAAI 2023
《论文阅读》学习了解自己:一个粗略到精细的个性化对话生成的人物感知训练框架 AAAI 2023 前言 简介研究现状任务定义模型架构Learning to know myselfLearning to avoid Misidentification损失函数实验结果消融实验 前言 亲身阅读感受分享,细节画图解释…...
[Java EE] 网络编程与通信原理(三):网络编程Socket套接字(TCP协议)
🌸个人主页:https://blog.csdn.net/2301_80050796?spm1000.2115.3001.5343 🏵️热门专栏:🍕 Collection与数据结构 (92平均质量分)https://blog.csdn.net/2301_80050796/category_12621348.html?spm1001.2014.3001.5482 🧀Java …...
MyBatis懒加载数据(大批量数据处理)
使用范例 Cursor约定使用Iterator去懒加载数据,以时间换空间,非常适合处理通常无法容纳在内存中的数百万个项目查询。如果在 resultMap 中使用集合,则必须使用 resultMap 的 id 列对游标 SQL 查询进行排序(resultOrdered“true”)。 //为了避…...
MySQL--联合索引应用细节应用规范
目录 一、索引覆盖 1.完全覆盖 2.部分覆盖 3.不覆盖索引-where条件不包含联合索引的最左则不覆盖 二、MySQL8.0在索引中的新特性 1.不可见索引 2.倒序索引 三、索引自优化--索引的索引 四、Change Buffer 五、优化器算法 1.查询优化器算法 2.设置算法 3.索引下推 …...
【spring boot+Lazy ORM+mysql】开发一个数据库管理系统实现对应数据库数据查看和修改
【spring bootLazy ORMmysql】开发一个数据库管理系统实现对应数据库数据查看和修改 演示项目地址:http://124.222.48.62:30193/wu-smart-acw-ui/index.html#/login (admin/admin) 功能 用户登录注册新增、编辑数实例新增、编辑数据库信息…...
知识分享:隔多久查询一次网贷大数据信用报告比较好?
随着互联网金融的快速发展,越来越多的人开始接触和使用网络贷款。而在这个过程中,网贷大数据信用报告成为了评估借款人信用状况的重要依据。那么,隔多久查询一次网贷大数据信用报告比较好呢?接下来随小易大数据平台小编去看看吧。 首先&…...
OpenClaw数据可视化:千问3.5-9B自动生成分析图表
OpenClaw数据可视化:千问3.5-9B自动生成分析图表 1. 为什么需要AI驱动的数据可视化? 上周我面对一个典型的数据分析困境:手头有3份Excel表格,分别是销售数据、用户行为日志和库存记录。老板要求第二天早晨提交可视化报告&#x…...
告别Teacher Forcing:用SCST提升你的图像描述模型效果(避坑指南)
告别Teacher Forcing:用SCST提升图像描述模型效果的实战指南 当你在测试阶段发现精心训练的模型生成的描述与训练时判若两人,这可能不是模型"学坏了",而是exposure bias在作祟。这种现象就像驾校教练永远握着方向盘教学,…...
开源模型性价比之选:Gemma-3-12b-it在OpenClaw中的实战表现
开源模型性价比之选:Gemma-3-12b-it在OpenClaw中的实战表现 1. 为什么选择Gemma-3-12b-it作为OpenClaw的推理引擎 上个月在优化个人自动化工作流时,我面临一个关键决策:该为OpenClaw选择什么样的大模型作为"大脑"?经过…...
智慧教育——解读AI一体化智慧校园解决方案【附全文阅读】
适应人群为学校管理人员、教师、学生、技术运维人员及教育信息化建设相关从业者。主要内容围绕 AI 一体化智慧校园建设,阐述总体规划及革命性意义(提升教学管理水平、降低成本等);介绍八大应用中心(教学管理、物联网管控、校园安全等),涵盖智能选课排课、校园安防监控等…...
AI 编程上下文管理新范式(非常详细),Spec 机制从入门到精通,收藏这一篇就够了!
最近围绕 Spec 的讨论明显变多。比较有代表性的声音大致有两类:一类更关注 Spec 和代码之间的边界,另一类更关注 Spec 在真实项目协作中的工程价值。这两类观察并不冲突,放在一起看,刚好能把问题看得更完整。 本质上都在回答同一…...
Serial Wombat 18AB VGA驱动库:低成本嵌入式实时视频输出方案
1. Serial Wombat 18AB VGA 驱动库技术解析:嵌入式系统中的低成本实时视频输出方案Serial Wombat 18AB 是一款高度集成的可编程 I/O 协处理器芯片,其核心价值在于以极低的主控资源开销实现复杂外设时序控制。当该芯片被配置为 VGA 模式时,它能…...
08_Neo4j知识体系之企业级特性与高可用架构
08_Neo4j知识体系之企业级特性与高可用架构 体系 企业特性层:集群与高可用、安全与合规、备份恢复、监控运维、Neo4j Ops Manager关联能力:与关键业务系统、金融级稳定性、多环境治理、权限审计、灾备体系密切相关适用对象:企业架构师、DBA、…...
多模态整合进阶必读:MIT APOLLO框架核心思想(非常详细),从原理到精通,收藏这一篇就够了!
麻省理工学院与瑞士苏黎世联邦理工学院的联合研究团队,提出了计算框架 APOLLO,即通过潜变量优化学习部分重叠潜空间的自编码器,其通过显式建模共享信息和模态特异性信息,为更全面、精准地解析细胞状态及其调控逻辑提供了一条可行的…...
2026届最火的六大降AI率平台实测分析
Ai论文网站排名(开题报告、文献综述、降aigc率、降重综合对比) TOP1. 千笔AI TOP2. aipasspaper TOP3. 清北论文 TOP4. 豆包 TOP5. kimi TOP6. deepseek 要让AIGC(人工智能生成内容)检测率降低,关键之处便在于把…...
中文分词避坑指南:Jieba与统计分词法的性能对比与优化技巧
中文分词避坑指南:Jieba与统计分词法的深度对比与实战优化 在自然语言处理领域,中文分词一直是基础却充满挑战的环节。不同于英文等以空格分隔单词的语言,中文文本的连续字符流特性使得准确划分词语边界成为NLP预处理的关键难题。本文将深入剖…...
