CRAN Task View Optimierung und Mathematical Programming
Viele Pakete bieten Funktionen für mehr als eines der Themen am Ende dieser Aufgabe Ansicht aufgelistet. Z.B. gemischten ganzzahligen linearen Programmierlöser bieten in der Regel Standardlinearprogrammierroutinen wie der Simplex-Algorithmus. Daher nach jeder Paketbeschreibung eine Liste der Abkürzungen beschreibt die typischen Merkmale des Optimierers (das heißt, die Probleme, die gelöst werden kann). Die vollständigen Namen der in eckigen Klammern angegeben Abkürzungen können nach Themen am Ende dieser Aufgabenansicht unter Klassifizierung finden.
Wenn Sie denken, dass einige Paket aus der Liste fehlen, bitte lassen Sie uns wissen.
- Der Versuch, Optimierungsalgorithmen über eine einzige Wrapper-Funktion zu vereinen, hilft optimx richtige einschließlich Zielfunktion, Gradientenfunktion die (nichtlineare) Optimierungsproblem zu spezifizieren und Skalierung. Dieses Paket unterstützt die (lokale) Optimierung der glatten, nicht-linearer Funktionen mit höchstens Box Constraints (Grenzen). optimx hängt nicht nur von Paketen und / oder in diesem Abschnitt dieser Aufgabe Ansicht genannten Funktionen, sondern auch auf zwei vom Autor implementiert Paketen (s), nämlich Rcgmin und Rvmmin. Beide sind „pure R“ Implementierungen von konjugierten Gradienten Minimierung und variable metric nichtlinearen Funktionsminimierungsalgorithmen, respectively.
- Die R-Optimierung Infrastructure (ROI) Paket bietet ein Rahmen von Optimierungsproblemen in R. für die Handhabung Es verwendet einen objektorientierten Ansatz zu definieren und verschiedene Optimierungsaufgaben in R zu lösen, die aus verschiedenen Problemklassen sein können (zB linear, quadratisch, nicht-lineare Programmierung Probleme). Dies macht Optimierung transparent für den R Benutzer als der entsprechende Workflow vollständig aus dem zugrunde liegenden Löser abstrahiert. Darüber hinaus ermöglicht dieser Ansatz für den einfachen Wechsel zwischen Löser gegeben, dass entsprechende Solver-Plugins zur Verfügung stehen, und damit die Vergleichbarkeit verbessert.
Least-Squares-Probleme
Semidefinite und Convex Löser
- Package ECOSolveR stellt eine Schnittstelle zu den integrierten konischen Solver (ECOS), eine bekannte, effiziente und robuste C-Bibliothek für konvexe Probleme. Ganzzahl- und Boolesche Variable Einschränkungen für gemischt-ganzzahlige Probleme Konisch und Gleichheitsbedingungen kann zusätzlich angegeben werden.
- Package scs gilt Operator Splitting lineare Programme zu lösen, cone Programme (SOCP) und semidefinite Programme; Kegel kann zweiter Ordnung, exponential, Netzkegel oder eine beliebige Kombination von diesen sein.
- CCCP enthält Routinen für die mit Hilfe von Innenpunktverfahren (teilweise portiert von Python CVXOPT) cone eingeschränkt konvexe Probleme zu lösen.
- Die CLSOCP Paket stellt eine Implementierung eines Einstufen-Glättungs Newton-Verfahren zur Lösung von Socp (SOCP) Probleme.
- GSVP- ist eine Bibliothek von Routinen, die für die Lösung semidefinite Programmierprobleme eine Primal-Dual-Barriere-Methode implementiert; es ist in dem Rcsdp Paket angeschlossen. [SDP]
- Die DSDP Bibliothek implementiert eine Innenraum-Punkt-Methode zur Programmierung mit semidefinite Ur und Dual-Lösungen; es ist im Paket Rdsdp angeschlossen. [SDP]
- Package Rmosek stellt eine Schnittstelle zur (kommerziell) MOSEK Optimierungs Bibliothek für großräumige LP, QP und MIP Probleme, mit Schwerpunkt auf (nicht-linearen) konisch, semidefinite und konvexen Aufgaben; akademische Lizenzen zur Verfügung. (Ein Artikel über Rmosek erschien in der JSS Sonderausgabe über Optimierung mit R, siehe unten.) [SDP, CP]
Globale und Stochastische Optimierung
Dieser Abschnitt bietet einen Überblick über die Open-Source als auch kommerzielle Optimizern. Welche Art von mathematischer Programmierung Problem kann durch ein bestimmtes Paket oder Funktion gelöst werden kann, von den Abkürzungen in eckigen Klammern zu sehen. Für eine Klassifizierung nach Thema am Ende dieser Aufgabe, das eine Liste sehen.- Package linprog löst die lineare Programmierung Probleme mit der Funktion solveLP () (der Solver basiert auf lpSolve) und Modelldateien in MPS-Format lesen kann. [LP]
- Im Paket quadprog solve.QP () löst quadratische Programmierprobleme mit linearer Gleichheit und Ungleichheit Zwängen. [QP]
- BB enthält die Funktion SPG () eine spektrale projizierten Gradientenmethode für die großtechnische Optimierung mit einfachen Randbedingungen bietet. Es dauert eine nicht-lineare Zielfunktion als Argument sowie grundlegende Einschränkungen. Weiterhin BB enthält zwei Funktionen (dfsane () und gesund ()) für die spektralen Gradientenverfahren unter Verwendung von für ein nicht-lineares System von Gleichungen zu lösen.
- In dem Boot-Paket gibt es eine Routine aufgerufen (Simplex), die die Zwei-Phasen-tableau simplex Verfahren zur (relativ kleinen) linearen Programmierprobleme realisiert. [LP]
- kernlab enthält die Funktion ipop zur Lösung quadratische Programmierprobleme inneren Punkt Methoden. [IPM, QP]
- limSolve bietet lineare oder quadratische Optimierungsfunktionen zu lösen. [LP, QP]
- LowRankQP Ur / dual inneren Punkt Lösungsmethode quadratische Programmierprobleme [IPM, QP]
- Package RCDD die Funktion lpcdd bietet () für lineare Programme mit exakter Arithmetik Lösung der GNU Multiple Precision (GMP) Bibliothek. [LP]
- Rdonlp2 (siehe rmetrics Projekt) Funktion donlp2 im Paket (). ein Wrapper für die DONLP2 Solver bietet die Minimierung von glatten nichtlinearen Funktionen und Einschränkungen. DONLP2 frei für jede Art von Forschungszwecke verwendet werden, sonst ist es Lizenzierung erfordert. [GO, NLP]
- Der NEOS Server für Optimierung bietet eine Online-Zugang zu State-of-the-art-Optimierung Problemlöser. Package rneos ermöglicht es dem Anwender Optimierungsprobleme zu NEOS passieren und Abrufen von Ergebnissen innerhalb R.