Constrained Optimization MT 2.0|GAUSS应用-上海卡贝信息技术有限公司

Constrained Optimization MT

COMT求解非线性规划问题，服从于参数的一般约束-线性或非线性，等式或不等式，使用序列二次规划方法结合几个下降方法选择...

Constrained Optimization MT

COMT 求解非线性规划问题，受参数的一般约束(线性或非线性、等式或不等式)的约束，使用序列二次规划方法结合用户可选择的几种下降方法。

COMT处理一般非线性函数和非线性约束的能力以及其他功能，如信赖域方法，允许您解决各种复杂的优化问题。基于高斯平台的速度和数字处理能力，COMT可以快速计算大型问题的解决方案，使其成为大规模蒙特卡罗或Bootstrap优化的理想选择。

2.0版本比以往任何时候都更容易使用！

新的语法选项消除了对PV和DS结构的需求:
- 所需代码减少了25%。
- 运行时间减少20%。
- 简化用法。

可选的动态参数使得向目标函数添加模型参数之外的额外数据参数变得简单而透明。
更新的文档和示例。
完全向后兼容COMT 1.0。

平台:

需求: GAUSS/GAUSS Engine/GAUSS Light v16 或更高

关键特征

下降法

BFGS (Broyden, Fletcher, Goldfarb and Powell)
Modifed BFGS
DFP (Davidon, Fletcher and Powell)
Newton-Raphson

行搜索方法

Augmented trust region method
STEPBT
Brent’s method
Half
Strong Wolfe’s conditions

约束类型

Linear equality and inequality constraints
Nonlinear equality and inequality constraints
Bounded parameters

优势

灵活的

支持用户提供的任意非线性等式和不等式约束。
线性等式和不等式约束。
有界参数。
指定固定参数和自由参数。
动态算法切换。
计算所有导数、导数的子集，或者不计算任何导数。
轻松传递模型参数以外的数据作为额外的输入参数。

高效

线程和线程安全
避免对目标函数和导数进行相同计算的选项。
GAUSS中用户定义过程的惊人速度加速了您的优化问题。

信任

30多年来，领先的研究人员一直相信高斯优化包中高效和数字合理的代码，使他们保持在其领域的前沿。

细节

新手用户通常会将这些选项中的大部分保留为默认值。然而，当处理更困难的问题时，它们可以是一个很大的帮助。

控制选项
Linear equality constraints	可选的、易于指定的线性等式约束。
Linear inqequality constraints	可选的、易于指定的线性不等式约束。
Nonlinear equality constraints	提供计算非线性等式约束的过程的选项。
Nonlinear inqequality constraints	提供计算非线性不等式约束的过程的选项。
Parameter bounds	类型的简单参数界限:lower_bd ≤ x_i ≤ upper_bd
Feasible test	控制行搜索过程中是否检查参数的可行性。
Trust radius	设置信任半径的大小，或者关闭信任区域方法。
Descent algorithms	BFGS, Modified BFGS, DFP and Newton.
Algorithm switching	根据经过的迭代次数、目标函数的最小变化或线搜索步长，指定要切换的下降算法
Line search method	Augmented Lagrangian Penalty, STEPBT (quadratic and cubic curve fit), Brent’s method, half-step or Strong Wolfe’s Conditions.
Active parameters	控制哪些参数是活动的(待估计的),哪些参数应该固定为初始值。
Gradient Method	Either compute an analytical gradient, or have COMT compute a numerical gradient using the forward, central or backwards difference method.
Hessian Method	Either compute an analytical Hessian, or have COMT compute a numerical Hessian using the forward, central or backwards difference method.
Gradient check	将用户提供的函数计算的分析梯度与数值梯度进行比较，以检查分析梯度的正确性。
Random seed	随机线搜索方法使用的起始种子值，以允许可重复的代码。
Print output	控制是否打印迭代输出(或打印频率)以及是否打印最终报告。
Gradient step	高级功能:控制用于计算数值一阶和二阶导数的步长的增量大小。
Random search radius	尝试随机搜索时的半径。
Maximum iterations	收敛的最大迭代次数。
Maximum elapsed time	收敛的最大分钟数。
Maximum random search attempts	随机行搜索尝试的最大允许次数。
Convergence tolerance	当方向向量的变化小于这个量时，就实现了收敛。