proxsuite

Proxsuite هي مجموعة من الحلول العددية مفتوحة المصدر ، والقوة العددية ، ودقيقة ، وفعالة (على سبيل المثال ، LPS ، QPs ، إلخ) في خوارزميات قريبة بدائية. من خلال Proxsuite ، نهدف إلى تقديم محسنات قابلة للتطوير المجتمع التي تتعامل مع مشاكل كثيفة أو متفرقات أو خالية من المصفوفة. في حين أن التطبيق الأول المستهدف هو الروبوتات ، يمكن استخدام Proxsuite في سياقات أخرى دون حدود.

يتم تطوير ودعم Proxsuite بنشاط من قبل مجموعات Willow و Sierra Research ، وفرق البحوث المشتركة بين Inria ، و école Normale Supérieure de Paris ، و Center National de La Recherche Scientifique المترجمة في فرنسا.

تم دمج Proxsuite بالفعل في:

• لغة نمذجة CVXPY لمشاكل التحسين المحدب ،
• الإطار الرمزي لـ Casadi للتحسين العددي بشكل عام والتحكم الأمثل. PROXQP متوفر في Casadi كمكون إضافي لحل البرامج التربيعية ،
• TSID: البرامج الآلية للديناميات العكسية الروبوت الفعالة مع جهات الاتصال واستنادا إلى pinocchio.

نحن على استعداد لدمج Proxsuite ضمن النظم الإيكولوجية تحسين التحسين الأخرى.

ميزات Proxsuite الرئيسية

Proxsuite سريع:

• مكتبة قالب C ++ ،
• صداقة ذاكرة التخزين المؤقت.

Proxsuite متعدد الاستخدامات ، حيث يقدم من خلال خوارزميات API موحدة متخصصة لاستغلال هياكل المشكلات بكفاءة:

• الكثافة والتفرقة وخالية من المصفوفة الخلفية عوامل المصفوفة ،
• خيارات المتقدمة الدافئة المتقدمة (على سبيل المثال ، التخمين الأولي المقيد بالمساواة ، والبدء الدافئ أو خيارات البدء البارد من النتائج السابقة) ،

مع ميزات مخصصة ل

• التعامل مع قيود الصندوق بشكل أكثر كفاءة ، والبرامج الخطية ، أو QP مع هيسيان قطري ، أو مع قيود أكثر بكثير من المتغيرات البدائية ،
• حل QPs nonconvex ،
• حل دفعات من QPs بالتوازي ،
• حل أقرب QP ممكن إذا كان QP لا يمكن أن يكون غير ممكن ،
• التمييز بين QPs ممكن وغير ممكن.

Proxsuite مرن:

• رأس فقط ،
• C ++ 14/17/20 متوافق ،
• Bython و Julia Bindings لنماذج أولية رمز سهلة دون التضحية بالأداء.

Proxsuite هو موسع. Proxsuite موثوق واختبار على نطاق واسع ، مما يدل على أفضل العروض على أصعب المشكلات في الأدب. يتم دعم Proxsuite واختباره على Windows و Mac OS X و Unix و Linux.

الوثائق

تتوفر وثائق Proxsuite عبر الإنترنت للإصدار الأخير هنا.

ابدء

يتم توزيع Proxsuite على العديد من مديري الحزم المعروفين.

تثبيت سريع مع:

   pip install proxsuite

يتوفر هذا النهج على Linux و Windows و Mac OS X.

تثبيت سريع مع:

   conda install proxsuite -c conda-forge

يتوفر هذا النهج على Linux و Windows و Mac OS X.

تثبيت سريع مع:

   brew install proxsuite

هذا النهج متاح على Linux و Mac OS X.

النهج البديلة

يتم تقديم التثبيت من المصدر هنا.

تجميع برنامج المثال الأول

للحصول على أسرع أداء ، استخدم الأمر التالي لتمكين التقييم عند تجميع المثال البسيط.

g++ -O3 -march=native -DNDEBUG -std=gnu++17 -DPROXSUITE_VECTORIZE examples/first_example_dense.cpp -o first_example_dense $( pkg-config --cflags proxsuite )

باستخدام proxsuite مع cmake

إذا كنت ترغب في استخدام Proxsuite مع cmake ، يجب أن يساعدك المثال الصغير التالي:

 cmake_minimum_required ( VERSION 3.10)

project (Example CXX)
find_package (proxsuite REQUIRED)
set (CMAKE_CXX_STANDARD 17) # set(CMAKE_CXX_STANDARD 14) will work too

add_executable (example example.cpp)
target_link_libraries (example PUBLIC proxsuite::proxsuite)

# Vectorization support via SIMDE and activated by the compilation options '-march=native' or `-mavx2 -mavx512f`
add_executable (example_with_full_vectorization_support example.cpp)
target_link_libraries (example_with_full_vectorization_support PUBLIC proxsuite::proxsuite-vectorized)
target_compile_options (example_with_full_vectorization_support PUBLIC "-march=native" )

إذا قمت بتجميع Proxsuite بدعم المقياس ، فيمكنك أيضًا استخدام Cmake Target proxsuite::proxsuite-vectorized لربطها أيضًا مع Simde. لا تنس استخدام -march=native للحصول على أفضل أداء.

PROXQP

خوارزمية PROXQP هي نهج التحسين العددي لحل مشاكل البرمجة التربيعية للنموذج:

ستر

أين $ x in mathbb {r}^n $ هو متغير التحسين. يتم تعريف الوظيفة الموضوعية بواسطة مصفوفة إيجابية semidefinite $ h in mathcal {s}^n _+$ وناقل $ g in mathbb {r}^n $ . يتم تعريف القيود الخطية بواسطة مصفوفة السيطرة على المساواة $ a in mathbb {r}^{n_ text {eq} times n} $ ومصفوفة عدم المساواة $ c in mathbb {r}^{n_ text {in} times n} $ والناقلات $ b in mathbb {r}^{n_ text {eq}} $ و $ l in mathbb {r}^{n_ text {in}} $ و $ u in mathbb {r}^{n_ text {in}} $ لهذا السبب. $ b_i in mathbb {r} ، ~ forall i = 1 ، ... ، n_ text {eq} $ و $ l_i in mathbb {r} cup { - infty} $ و $ u_i in mathbb {r} cup { + infty} ، ~ forall i = 1 ، ... ، n_ text {in} $ .

نقلا عن PROXQP

إذا كنت تستخدم PROXQP لعملك ، فنحن نشجعك على الاستشهاد بالورقة ذات الصلة.

المعايير العددية

تتوفر هنا المعايير العددية لـ PROXQP مقابل حلالهم التجارية والمفتوحة المصداقية.

للبرامج التربيعية الكثيفة المحدبة مع عدم المساواة وقيود المساواة ، عند طلب دقة عالية نسبيًا (على سبيل المثال ، 1E-6) ، يحصل المرء على النتائج التالية.

على المحور ص ، يمكنك رؤية توقيتات في ثوانٍ ، وعلى بعد محور X WRT إلى المتغير البدائي للمشاكل التربيعية العشوائية المتولدة (عدد القيود المولدة من المشكلة التي تم إنشاؤها هو نصف حجم البعد البدائي). لكل بُعد ، يتم إنشاء المشكلة على بذور مختلفة ، ويتم الحصول على التوقيت كمتوسطات على المدى المتتالي لنفس المشكلات. يعرض هذا الرسم البياني لكل حلول محلي معياري وبرنامج تربيعي عشوائي تم إنشاؤه ، توقيت barplot ، بما في ذلك الوسيط (كنقطة) والحد الأدنى والقيم القصوى التي تم الحصول عليها (تحديد سعة الشريط). يمكنك أن ترى أن PROXQP دائمًا ما يكون أقل من الحلول ، مما يعني أنه هو الأسرع لهذا الاختبار.

للمشاكل الصعبة من اختبار Maros Meszaros ، عند طلب دقة عالية (على سبيل المثال ، 1E-9) ، يحصل المرء على النتائج أدناه.

يوضح الرسم البياني أعلاه ملفات تعريف الأداء لمحللها المختلفين. إنه كلاسيكي لقياس الحلول. تتوافق ملفات تعريف الأداء مع جزء المشكلات التي تم حلها (على المحور ص) كدالة لوقت تشغيل معين (على المحور السيني ، المقاسة من حيث مضاعف وقت تشغيل الأسرع في هذه المشكلة). لذلك كلما كان ذلك أفضل. يمكنك أن ترى أن PROXQP يحل أسرع أكثر من 60 ٪ من المشاكل (أي ، ل $ tau = 1 $ ) وذلك لحل حوالي 90 ٪ من المشكلات ، يكون أبطأ مرتين على الأكثر من أسرع الحلول لحل هذه المشكلات (أي ، ل $ tau approx2 $ ).

ملاحظة: تم الحصول على كل هذه النتائج باستخدام CORE 11th Gen Intel (R) Core (TM) I7-11850H @ 2.50 جيجا هرتز.

QPlayer

يمكّن QPlayer من استخدام QP كطبقة داخل بنيات التعلم القياسية. بتعبير أدق ، يميز QPlayer $ theta $ الحلول البدائية والثنائية لـ QP من النموذج

$$ start {align} min_ {x} & ~ frac {1} {2} x^{t} h ( theta) x+g ( theta)^{t} x \ text {st} & ~ a ( theta) x = b ( theta) C ( theta) x leq u ( theta) end {align} $$

أين $ x in mathbb {r}^n $ هو متغير التحسين. يتم تعريف الوظيفة الموضوعية بواسطة مصفوفة إيجابية semidefinite $ h ( theta) in mathcal {s}^n _+$ وناقل $ g ( theta) in mathbb {r}^n $ . يتم تعريف القيود الخطية بواسطة مصفوفة السيطرة على المساواة $ a ( theta) in mathbb {r}^{n_ text {eq} times n} $ ومصفوفة عدم المساواة $ c ( theta) in mathbb {r}^{n_ text {in} times n} $ والناقلات $ b in mathbb {r}^{n_ text {eq}} $ و $ l ( theta) in mathbb {r}^{n_ text {in}} $ و $ u ( theta) in mathbb {r}^{n_ text {in}} $ لهذا السبب. $ b_i in mathbb {r} ، ~ forall i = 1 ، ... ، n_ text {eq} $ و $ l_i in mathbb {r} cup { - infty} $ و $ u_i in mathbb {r} cup { + infty} ، ~ forall i = 1 ، ... ، n_ text {in} $ .

QPlayer قادر على معرفة المزيد من البنية منظمة. على سبيل المثال، $ theta $ يمكن أن يتكون فقط في تعلم بعض عناصر $ a $ بينما ترك $ b $ ثابت (انظر على سبيل المثال ، المثال حول كيفية تضمين QPlayer في خط أنابيب التعلم). يمكن أن يميز QPlayer أيضًا على LPS. يسمح QPlayer بحساب التفاضل والتكامل المتوازي على وحدات المعالجة المركزية ، ويتم تواصل معها مع Pytorch .

نقلا عن QPlayer

إذا كنت تستخدم QPlayer لعملك ، فنحن نشجعك على الاستشهاد بالورقة ذات الصلة.

إجراء التثبيت

يرجى اتباع إجراء التثبيت هنا.