我正在尝试使用scipy minimize函数进行以下优化:
V = np.matrix(pd.read_csv('V.csv'))`
R = np.matrix(pd.read_csv('R.csv', index_col = 'Ticker'))`
w0= list()
for i in range(0, 84):
w0.append(1/84)
def calculate_portfolio_var(w,V):
w = np.matrix(w)
return (w*V*w.T)[0,0]
cons = ({&
我的问题涉及Scip中的混合整数规划(MIP):
我有以下代码:
$\min trace(X)$
subject to
$$(A+D)^TX+X(A+D)=I\\
d_i \in \left\{0,1\right\} \mbox{ for } i=1,\ldots,n$$
where A is a n*n matrix and $D=diag(d_1,\ldots,d_n)$ is a diagonal matrix.
由于矩阵约束是线性的,所以方程可以转化为线性方程组(通过Kronecker乘积和向量化操作),但这限于小n。是否可以用Scip直接求解矩阵方程?有没
我正在处理一个类似于的混合问题
我有这个约束,以确保生产的数量是所需的。
prob += lpSum([KG[i] * deposit_vars[i] for i in deposit]) == 64, "KGRequirement"
但是,我还需要对最小值加上另一个约束,这与零不同,这是因为我不方便拿一种成分的0.002KG,我必须服用0或至少2公斤,因此有效的情况是0,2,2.3,6,3.23。
我试着这样做:
for i in deposit:
prob += (KG[i] * deposit_vars[i] == 0) or (TM[i] * deposit_v
我正在尝试解决以下不等式约束:
给定N只股票的时间序列数据,我正在尝试构建一个投资组合权重向量,以最小化收益的方差。
目标函数:
min w^{T}\sum w
s.t. e_{n}^{T}w=1
\left \| w \right \|\leq C
其中w是权重的向量,\sum是协方差矩阵,e_{n}^{T}是1的向量,C是常数。其中第二个约束(\left \| w \right \|)是不等式约束(权重的2范数)。
我尝试使用nloptr()函数,但它给出一个错误:提供的算法不正确。我不确定如何选择正确的算法,我也不确定这是否是解决这个不等式约束的正确方法。
我也对使用其他函数持开放态度,