SeDuMi详细教程.docxVIP

SeDuMi User Guide 线性规划（LP问题：Linear Programming） 将需要解决的问题表述成原始问题： 或者对偶问题： 例子： 为了解决该LP问题，我们必须添加一些松弛变量，比如x3和x4，我们即可在MATLAB 中输入b和c向量以及A矩阵: 现在我们就可以通过sedumi指令来求解这个问题 sedumi(A,b,c) eqs m = 2, order n = 5, dim = 5, blocks = 1 nnz(A) = 6 + 0, nnz(ADA) = 4, nnz(L) = 3 it : b*y gap delta rate t/tP* t/tD* feas cg cg prec 0 : 6.02E+000 0.000 1 : -1.20E+000 1.84E+000 0.000 0.3055 0.9000 0.9000 1.86 1 1 2.1E+000 2 : -6.94E-002 5.15E-001 0.000 0.2803 0.9000 0.9000 2.14 1 1 8.6E-001 3 : -1.21E-001 2.72E-002 0.000 0.0528 0.9900 0.9900 1.16 1 1 4.2E-002 4 : -1.25E-001 8.69E-006 0.000 0.0003 0.9999 0.9999 1.02 1 1 iter seconds digits c*x b*y 4 0.3 Inf -1.2500000000e-001 -1.2500000000e-001 |Ax-b| = 0.0e+000, [Ay-c]_+ = 1.7E-016, |x|= 2.9e+000, |y|= 2.8e-001 Detailed timing (sec) Pre IPM Post 1.404E-001 2.964E-001 4.680E-002 Max-norms: ||b||=5, ||c|| = 1, Cholesky |add|=0, |skip| = 0, ||L.L|| = 1. ans = (1,1) 1.9583 (2,1) 2.0833 表明最优值为-1.2500000000e-001=-0.125，对应c*x以下的值，同时返回最优解： x1=1.9583,x2=2.0833,发现x确实有解，因为其每一个元素都是非负的，而且Ax=b，可以用命令min(x)和norm(Ax-b)来检验。当然，也会出现一些舍入误差，如下： norm(A*x-b) ans =1.7764e-015 norm(A*(24*x)-24*b) ans = 0 二次型和半定限制（Quadratic and semi definite constraint） 在sedumi中，有可能强制加入二次型或者半定限制条件，即通过限制变量进入一个二次型和核或者半正定矩阵的核，这样一个限制条件代替了线性规划中的非负性条件，需要x属于K，一个对称核中，它是一个非负象限,二次型核和半正定矩阵核的笛卡儿积。 最优化问题的标准形式为： 对偶形式为： 二次型核 二次型核由以下形式来确定： 考虑以下问题： 其中P为给定矩阵，q为给定向量，以上是鲁棒最小均方问题。其中决策变量为标量y1和y2，还有向量y3.这个问题有两个二次型限制： 给定P和q，以下MATLAB函数（rls.m）将该问题表述成标准对偶问题。A矩阵被表述为转置方向，即表述为At。 Rls.m % [At,b,c,KI = rls(P,q) % Creates dual standard form for robust least squares problem Pu=q. function [At ,b,c,K]= rls(P,q) [m, n] = size(P) ; % - - - - - - - - - - minimize y-1 + y-2 ------------ b = -sparse([1; 1; zeros(n,1)]); % ----------- (y_1, q - p y_3) in Qcone ------------ At = sparse ([-1, zeros(1,1+n); ... zeros(m, 2), P]); c = [0;q] ; K.q=1+m; %----