আমি কিছু মন্তব্যের উপর ভিত্তি করে আমার উত্তর আমূল সম্পাদনা করার সিদ্ধান্ত নিয়েছি।
আমি টিএও ব্যবহার করিনি। ডকুমেন্টেশন পড়ার থেকে, এটি শুধুমাত্র উপায় যে টিএও সবাধ অপ্টিমাইজেশান সমস্যা (শুধুমাত্র বক্স সীমাবদ্ধতার বিশেষ মামলায় বাদে) সব ব্যবস্থা করতে সক্ষম মত মনে হয় ব্যবহার করে একটি ভেরিয়েশনাল বৈষম্য মধ্যে সমস্যা রূপান্তর হয় Karush-কুন-টাকার (Kkt) অবস্থার , যা সীমাবদ্ধ যোগ্যতার অধীনে প্রয়োজনীয় (আমি সাধারণত যে ধরনের ধরনটি স্লটার পয়েন্ট শর্ত হিসাবে দেখি ), এবং উদ্দেশ্য এবং সীমাবদ্ধতার (আরও সাধারণভাবে, টাইপ 1 ইনভেক্সিটি) বেহালতার অধীনে যথেষ্ট। যদিfননকোনভেক্স, কেকেটি শর্তাদি ব্যবহার করে বৈকল্পিক বৈষম্য সূত্রটি মূল অপ্টিমাইজেশান সমস্যার সমতুল্য নয়, তাই কড়া কথায় বলতে গেলে, আপনি যদি অপ্টিমাইজেশান সমস্যার জন্য বিশ্বব্যাপী সর্বোত্তম চান তবে আপনার এটি বৈকল্পিক বৈষম্য হিসাবে প্রকাশ করা উচিত নয়। PDE- সীমাবদ্ধ অপ্টিমাইজেশনের (নীচে দেখুন) জন্য বিশ্বব্যাপী সর্বোত্তম সন্ধান করা কঠিন হবে, সুতরাং সম্ভবত এই বিশদটি উপেক্ষা করা ঠিক আছে। ওল্ফগ্যাং যা বলেছে তা প্রদত্ত, আমি টিএও ব্যবহারের বিষয়ে সংশয়ী হব; আমি ইতিমধ্যে সংশয়ী কারণ এটি বৈষম্যমূলক বৈষম্যের চেয়ে ননলাইনার প্রোগ্রামগুলি (এনএলপি) এনএলপি হিসাবে সমাধানের পদ্ধতিগুলি কার্যকর করে না।
আমি PDE- সীমাবদ্ধ অপ্টিমাইজেশনের বিশেষজ্ঞ নই; আমার সহকর্মী ও সহযোগীরা ওডিই-সীমাবদ্ধ অপ্টিমাইজেশান সমস্যা নিয়ে কাজ করে। আমি জানি যে অনুপ্রবেশকারী সূত্রগুলির জন্য, ল্যারি বিগলার (এবং অন্যরা) PDE কে অসম্মানিত করতে এবং এটি একটি খুব বড়, বিচ্ছিন্ন এনএলপি তৈরি করতে কলোকেশন পদ্ধতি ব্যবহার করবে এবং তারপরে তিনি ইন্টিরির পয়েন্ট পদ্ধতি ব্যবহার করে এটি সমাধান করবেন। বিশ্বব্যাপী অনুকূলতার সমস্যাটি সত্যিই সমাধান করার জন্য আপনাকে উত্তল শিথিলতাও তৈরি করতে হবে, তবে যতদূর আমি জানি, এই পদ্ধতির ব্যবস্থা নেওয়া হয়নি কারণ পিডিই-সীমাবদ্ধ অপ্টিমাইজেশান সমস্যাগুলি এত বড় এনএলপিগুলিকে নিয়ে যায় যে এগুলি সমাধান করা কঠিন হবে would বৈশ্বিক অনুকূলতা। আমি এই বিবরণগুলি কেবলমাত্র উল্লেখ করেছি কারণ সমস্যা গঠনের পক্ষে সলভার প্যাকেজটির পছন্দকে প্রভাবিত করে। নননিত্রসাইভ ফর্মুলেশনের জন্য, বারবার পিডিই অপ্টিমাইজেশন অ্যালগরিদমগুলির জন্য ফলন গ্রেডিয়েন্ট তথ্য সলভ করে।
কিছু লোক যারা ওডিই-সীমাবদ্ধ অপ্টিমাইজেশান সমস্যাগুলি অধ্যয়ন করে তারা কোলকোশন এবং একটি সংখ্যাসূচক পদ্ধতি ব্যবহার করে সমস্যাটিকে বিবেচনা করার মতো একই পদ্ধতির ব্যবহার করে এবং তারপরে এনএলপিকে একটি বৈশ্বিক অপ্টিমাইজেশন অ্যালগরিদমে ব্যবহৃত উত্তল গঠনের জন্য শিথিল করে। ওডিই-সীমাবদ্ধ অপ্টিমাইজেশনের বিকল্প পদ্ধতির সমস্যাটি শিথিল করা এবং তারপরে ওডিই-কে বিবেচনা করা, এটি আমার ল্যাবটিতে নেওয়া পদ্ধতির। PDE- সীমাবদ্ধ অপ্টিমাইজেশান সমস্যাগুলির কয়েকটি শ্রেণি শিথিল করা সম্ভব হতে পারে, তবে আমি এই সমস্যাটিতে কোনও অতিরিক্ত কাজ সম্পন্ন করেছি তা জানি না। (এটি এক পর্যায়ে আমার ল্যাবটিতে একটি সম্ভাব্য প্রকল্প ছিল))
শেষ পর্যন্ত, গুরুত্বপূর্ণ বিষয়গুলি মূল পিডিইর স্বতন্ত্রতা নয়, তবে সিদ্ধান্তের ভেরিয়েবলের সাথে বিবেচনার সাথে বিবেচনার পৃথকীকরণের।
সিদ্ধান্ত পরিবর্তনের ক্ষেত্রে যদি বিযুক্ত সমস্যাটি দ্বিগুণ-পার্থক্যযোগ্য হয় তবে নিম্নলিখিত প্যাকেজগুলি স্থানীয় সমাধান গণনা করবে:
- আইপোপটি হ'ল ওপেন সোর্স ইন্টিরিয়র পয়েন্ট সলভার যা আইবিএম-এ আন্দ্রেয়াস ওয়াচটার দ্বারা বিকাশ করা হয়েছে। এটি একটি খুব উচ্চ মানের কোড। একটি অভ্যন্তরীণ-পয়েন্ট সমাধানকারী হিসাবে, বৃহত্তর, বিচ্ছিন্ন জ্যাকবীয় ম্যাট্রিক্স সহ উদ্দেশ্যমূলক ফাংশনগুলির জন্য এটি আরও ভাল এবং PDE- সীমাবদ্ধ অপ্টিমাইজেশনের জন্য কার্যকর হবে
- এসএনওপিটি হ'ল বাণিজ্যিক সিকুয়েন্সিয়াল চতুর্ভুজ প্রোগ্রামিং সলভার যা অন্য একটি উচ্চ মানের কোড। ছোট, ঘন জ্যাকবিয়ান ম্যাট্রিক্স সহ বস্তুনিষ্ঠ ফাংশনগুলির জন্য এটি আরও ভাল, সুতরাং আমি এটি PDE- সীমাবদ্ধ অপ্টিমাইজেশনের জন্য দরকারী বলে আশা করব না, তবে আপনি এটি চেষ্টা করে দেখতে পারেন।
- এনএলপ্ট একটি ছোট, ওপেন সোর্স কোড যা এমআইটিতে স্টিভেন জনসন লিখেছেন যাতে অনেকগুলি ননলাইনার অপ্টিমাইজেশান অ্যালগরিদমের বেসিক প্রয়োগ রয়েছে। আবদ্ধ-সীমাবদ্ধ সমস্যা সমাধানের জন্য সমস্ত অ্যালগরিদম পর্যাপ্ত হওয়া উচিত।
fmincon
মাতলাব ননলাইনারি অপ্টিমাইজেশনের জন্য বেশ কয়েকটি অ্যালগরিদম (অভ্যন্তরীণ বিন্দু এবং অনুক্রমিক চতুষ্কোণ প্রোগ্রামিং সহ) প্রয়োগ করে
- গ্যাম এবং এএমপিএল দুটি বাণিজ্যিক মডেলিং ভাষা যা অপ্টিমাইজেশান সমস্যাগুলি তৈরি করতে ব্যবহৃত হয় এবং এতে প্রচুর ননলাইনার প্রোগ্রামিং সলভারদের ইন্টারফেস থাকে। আমি জানি যে গ্যামের একটি পরীক্ষামূলক সংস্করণ রয়েছে যা ছোট সমস্যাগুলির জন্য ব্যবহার করা যেতে পারে এবং সমস্যার উদাহরণগুলি সমাধানের জন্য NEOS সার্ভারেও জমা দেওয়া যেতে পারে ।
যাইহোক, এটি সম্ভব যে সিদ্ধান্তের পরিবর্তনশীলগুলির ক্ষেত্রে বিবেচনাধীনতা কেবল একবারই পার্থক্যযোগ্য, এক্ষেত্রে স্থানীয় সমাধানের গণনা করার সময় আপনার अनुमानিত খাড়া বংশোদ্ভূত বা অন্য কোনও প্রথম অর্ডার অপ্টিমাইজেশন পদ্ধতি ব্যবহার করা উচিত। যেহেতু প্রচুর অধ্যয়ন সমস্যাগুলির দিকে দৃষ্টি নিবদ্ধ করে যেখানে দ্বিতীয়-ক্রমের পদ্ধতিগুলি ব্যবহার করা যেতে পারে (এবং আপনি যখন তাদের ব্যবহার করতে পারেন তখন তাদের উচ্চতর রূপান্তর বৈশিষ্ট্যগুলি তাদের আরও ভাল পছন্দ করে তোলে), তাই আমি খাড়া বংশোদ্ভূত অনেকগুলি বাস্তবায়ন খুঁজে পাইনি যা সমাধান ছিল না solutions হোম ওয়ার্ক সমস্যা। গনুহ বৈজ্ঞানিক লাইব্রেরী একটি বাস্তবায়ন আছে, কিন্তু এটা বিক্ষোভের উদ্দেশ্যে শুধুমাত্র আছে। আপনার সম্ভবত নিজের প্রয়োগটি কোড করা দরকার।
যদি সিদ্ধান্তটি ভেরিয়েবলের ক্ষেত্রে সমস্যাটি কেবল অবিচ্ছিন্ন থাকে তবে আপনি স্থানীয়ভাবে এটি সমাধান করার জন্য সরাসরি পদ্ধতি ব্যবহার করতে পারেন। কোল্ডা, লুইস এবং টর্কসনের সরাসরি পদ্ধতির বিষয়ে একটি দুর্দান্ত সমীক্ষা রয়েছে । এই পদ্ধতিগুলির মধ্যে সর্বাধিক পরিচিত হ'ল নেল্ডার-মিড সিমপ্লেক্স অ্যালগরিদম । একাধিক মাত্রায় স্থানীয় নূন্যতমে রূপান্তরিত হওয়ার গ্যারান্টি নেই তবে এটি যেভাবেই যথেষ্ট ব্যবহারিক ব্যবহারের সন্ধান পেয়েছে।
সমস্যা সমাধানের জন্য আপনি যে ভাষাটি ব্যবহার করতে চান তা প্যাকেজের পছন্দটি নির্ভর করে, যদি সীমাবদ্ধ-সীমাবদ্ধ সমস্যার সমাধান করা হয় তবে আপনি প্রয়োগ করতে চান এমন একটি অ্যালগরিদমের অংশ (বা যদি এটি আপনার অ্যালগরিদমের একমাত্র পদক্ষেপ হয়, তবে ক্ষেত্রে মডেলিং ভাষাগুলি প্রোডাকশন কোডের জন্য আরও কার্যকর হয়ে উঠুন), সমস্যার ধরণ এবং আকার এবং আপনার যদি কোনও সমান্তরালতার প্রয়োজন হয়।