关于yalmip知识点.doc

1. 创建决策变量： 　　 x = sdpvar(m, n [, option])：创建m*n的连续型决策变量矩阵，option是对矩阵的一些参数指定。 　　相应的，如果要创建整型或二值型决策变量，matlab语句分别为：　　 　　 x = intvar(m, n, [option]) 　　 x = binvar(m, n, [option]) 2. 添加约束： 　　 F = set(constraint [, tag])：创建一个以constraint指定的约束，可选参数tag可以给该约束指定一个字符串标记。重要的是constraint的表达也非常简单，例如如果有 x1 + x2 + x3 = 3 的约束，直接写： 　　 x = sdpvar(3, 1); 　　?F = set(x(1) + x(2) + x(3) = 3, cost bound1); 　　如果要继续添加约束也非常简单，支持用+直接相连（类似于.net 里面的事件处理程序）： 　　 F = F + set(constraint1 [, tag1]); 　　 F = F + set(constraint2 [, tag2]);…… 　　例如，如果继续限制 x 只能取[0, 1]之间的值，则： 　　 F = F + set(0 = x = 1, ‘upper and lower bound’); 　　一句话就搞定了，是不是非常简单。！ 3. 参数配置 　　这个比较简单，语句如下： 　　?ops = sdpsettings(option1, value1, option2, value2, ……) 　　例如语句 　　?ops = sdpsettings(solver, lpsolve, verbose, 2); 　　solver 参数指定程序用lpsolve求解器（如果已经安装，否则会报错），如果不指定 ‘solver’ 参数，他会根据决策变量类型自动挑选已安装的、最适合的求解器；verbose 指定显示冗余度（冗余度越大，你就可以看到越详细的求解过程信息）。 4. 求解 　　这个也只有一句话： 　　?result = solvesdp(F, f, ops) 求解一个数学规划（最小化）问题，该问题的目标函数由 f 指定，约束由 F 指定，ops指定求解参数，最后的结果存储在result结构体中。 还是以前面那个问题作为例子，如果用yalmip的话，只需要如下简单几句： 　　?x = sdpvar(3, 1);　　?f = [4 2 1] * x;　　?F = set(2*x(1) + x(2) = 1);　　?F = F + set(x(1) + 2 * x(3) = 2);　　?F = F + set(x(1) + x(2) + x(3) == 1);　　?F = F + set(0 = x(1) = 1) + set(0 = x(2) = 1) + set(0 = x(3) = 2);　　?ops = sdpsettings(solver, lpsolve, verbose, 2);　　?result = solvesdp(F, -f, ops); 　　如果你想用 cplex 求解器求解，只需要将以上的‘solver’参数的‘lpsolve’改成‘cplex’，其他任何地方都不需要做改动。