proxsuite 다운로드 - proxsuite 소스 코드 다운로드

proxsuite

C/C++

ProxSuite 0.6.7

다운로드

프록시이트 로고

CI -Linux/OSX/Windows -Conda

Proxsuite는 재 방문 된 원시 이중 근위 알고리즘에 뿌리를 둔 오픈 소스, 수치 적으로 강력하고 정확하며 효율적인 수치 솔버 (예 : LPS, QP 등)의 모음입니다. Proxsuite를 통해 우리는 조밀 한, 희소 또는 매트릭스가없는 문제를 다루는 커뮤니티 확장 가능한 최적화기를 제공하는 것을 목표로합니다. 첫 번째 표적 응용 프로그램은 로봇 공학이지만, 프록스 수트는 다른 상황에서 제한없이 사용할 수 있습니다.

Proxsuite는 윌로우와 시에라 연구 그룹, inria, École Normale Supérieure de Paris 및 Center National de la Recherche Scientifique 사이의 공동 연구 팀이 적극적으로 개발하고 지원합니다.

Proxsuite 는 이미 다음과 통합되어 있습니다.

볼록 최적화 문제를위한 CVXPY 모델링 언어
일반적으로 수치 최적화를위한 Casadi의 상징적 프레임 워크. Proxqp는 Casadi에서 2 차 프로그램을 해결하기위한 플러그인으로 제공됩니다.
TSID : 연락처와 피노키오를 기반으로 효율적인 로봇 역 동적을위한 로봇 소프트웨어.

우리는 다른 최적화 생태계 내에 프록스 시트를 통합 할 준비가되었습니다.

프록스 수트 주요 기능

proxsuite 는 빠릅니다.

C ++ 템플릿 라이브러리,
캐시 친화적.

Proxsuite 는 다목적이며, 문제 구조를 효율적으로 이용할 수있는 통합 API 고급 알고리즘을 통해 제공됩니다.

밀도가 높고 희소하며 매트릭스가없는 매트릭스 인수화 백엔드,
고급 따뜻한 시작 옵션 (예 : 평등 제한 초기 추측, 이전 결과의 따뜻한 시작 또는 냉장 시작 옵션),

전용 기능이 있습니다

보다 효율적으로 박스 제약 조건, 선형 프로그램, 대각선 Hessian을 사용한 QP 또는 원시 변수보다 훨씬 더 많은 제약 조건을 처리합니다.
비 컨트리 QPS 해결,
동시에 QP의 배치 해결,
가장 가까운 실행 가능한 QP 해결 QP가 원시적으로 불가능한 것으로 보이면
실현 가능하고 불가능한 QPS 차별화.

proxsuite 는 유연합니다.

헤더 만
C ++ 14/17/20 준수,
성능을 희생하지 않고 쉬운 코드 프로토 타이핑을위한 Python 및 Julia 바인딩.

프록스 수트 는 확장 가능합니다. Proxsuite 는 신뢰할 수 있고 광범위하게 테스트되어 문헌의 가장 어려운 문제에 대한 최고의 성능을 보여줍니다. Proxsuite 는 Windows, Mac OS X, Unix 및 Linux에서 지원 및 테스트됩니다.

선적 서류 비치

마지막 릴리스의 온라인 프록시 사이트 문서는 여기에서 확인할 수 있습니다.

시작하기

Proxsuite는 잘 알려진 많은 패키지 관리자에게 배포됩니다.

빠른 설치 :

   pip install proxsuite

이 방법은 Linux, Windows 및 Mac OS X에서 사용할 수 있습니다.

빠른 설치 :

   conda install proxsuite -c conda-forge

이 방법은 Linux, Windows 및 Mac OS X에서 사용할 수 있습니다.

빠른 설치 :

   brew install proxsuite

이 방법은 Linux 및 Mac OS X에서 사용할 수 있습니다.

대안 적 접근

소스로부터의 설치는 여기에 나와있다.

첫 번째 예제 프로그램을 컴파일합니다

가장 빠른 성능을 보려면 간단한 예제를 컴파일 할 때 다음 명령을 사용하여 벡터화를 활성화하십시오.

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

cmake와 함께 proxsuite 사용

cmake와 함께 proxsuite를 사용하려면 다음과 같은 작은 예가 도움이됩니다.

 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" )

벡터화 지지대와 함께 프록시트를 컴파일 한 경우 CMAKE Target proxsuite::proxsuite-vectorized 사용하여 Simde와 연결될 수도 있습니다. 최상의 성능을 얻으려면 -march=native 사용하는 것을 잊지 마십시오.

proxqp

ProxQP 알고리즘은 양식의 2 차 프로그래밍 문제를 해결하기위한 수치 최적화 접근법입니다.

$$ begin {align} min_ {x} & ~ frac {1} {2} x^{t} hx+g^{t} x \ text {st} & a x = b & ~ l leq c x leq u end {align} $$

어디 $ x in mathbb {r}^n $ 최적화 변수입니다. 목적 함수는 양의 반미 나이트 매트릭스로 정의됩니다. $ h in mathcal {s}^n _+$ 그리고 벡터 $ g in mathbb {r}^n $ . 선형 제약 조건은 평등 대신 매트릭스에 의해 정의됩니다 $ a in mathbb {r}^{n_ text {eq} times n} $ 그리고 불평등-제약 행렬 $ c in mathbb {r}^{n_ text {in} times n} $ 그리고 벡터 $ b in mathbb {r}^{n_ text {eq}} $ ,,, $ l in mathbb {r}^{n_ text {in}} $ 그리고 $ u in mathbb {r}^{n_ text {in}} $ ~하도록 하다 $ b_i in mathbb {r}, ~ forall i = 1, ..., n_ text {eq} $ 그리고 $ l_i in mathbb {r} cup { - infty} $ 그리고 $ u_i in mathbb {r} cup { + infty}, ~ forall i = 1, ..., n_ text {in} $ .

Proxqp를 인용합니다

작업에 ProxQP를 사용하는 경우 관련 논문을 인용하는 것이 좋습니다.

수치 벤치 마크

다른 상용 및 오픈 소스 솔버에 대한 ProxQP 의 수치 벤치 마크는 여기에서 제공됩니다.

불평등과 평등 제약이있는 고밀도 볼록 2 차 프로그램의 경우 비교적 높은 정확도 (예 : 1E-6)를 요구할 때 다음과 같은 결과를 얻습니다.

무작위 혼합 qp_dense_eps_abs_1e-6

y 축에서, 당신은 몇 초 안에 타이밍을 볼 수 있고, X 축 치수에서 생성 된 무작위 2 차 문제의 원시 변수에 대한 x 축 치수에서 생성 된 문제의 제약 수는 원시 치수의 절반의 크기입니다). 모든 차원의 경우, 문제는 다른 씨앗에 걸쳐 생성되며 동일한 문제에 대한 연속 실행에 대한 평균으로 타이밍이 얻어집니다. 이 차트는 모든 벤치마킹 된 솔버 및 랜덤 2 차 프로그램에 대해 중앙값 (점으로) 및 최소 및 최대 값 (막대의 진폭 정의)을 포함한 바 플로트 타이밍에 대해 보여줍니다. ProxQP가 항상 Solvers보다 아래에 있음을 알 수 있습니다. 즉,이 테스트에서 가장 빠릅니다.

MAROS MESZAROS 테스트 세트의 어려운 문제의 경우 높은 정확도 (예 : 1E-9)를 요구할 때 아래 결과를 얻습니다.

maros_meszaros_problems_high_accuracy

위의 차트는 다른 솔버의 성능 프로파일을보고합니다. 벤치마킹 솔버에게는 클래식합니다. 성능 프로파일은 특정 런타임의 함수로서 (Y 축에서) 해결 된 문제의 비율에 해당합니다 (X 축에서, 해당 문제에 대해 가장 빠른 솔버의 런타임의 다중 측면에서 측정). 그래서 높을수록 좋습니다. ProxQP가 문제의 60% 이상을 가장 빠르게 해결한다는 것을 알 수 있습니다 (즉, $ tau = 1 $ ) 그리고 문제의 약 90%를 해결하기 위해서는 이러한 문제를 해결하는 가장 빠른 솔버보다 최대 2 배 느립니다 (즉, $ tau 약 2 $ ).

참고 :이 모든 결과는 11 번째 Gen Intel (R) 코어 (TM) I7-11850H @ 2.50GHz CPU로 얻었습니다.

Qplayer

QPlayer를 사용하면 표준 학습 아키텍처 내에서 QP를 레이어로 사용할 수 있습니다. 보다 정확하게는 QPlayer가 차별화됩니다 $ theta $ 양식의 QP의 원시 및 이중 솔루션

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

어디 $ x in mathbb {r}^n $ 최적화 변수입니다. 목적 함수는 양의 반미 나이트 매트릭스로 정의됩니다. $ h ( theta) in mathcal {s}^n _+$ 그리고 벡터 $ g ( theta) in mathbb {r}^n $ . 선형 제약 조건은 평등 대신 매트릭스에 의해 정의됩니다 $ a ( theta) in mathbb {r}^{n_ text {eq} times n} $ 그리고 불평등-제약 행렬 $ c ( theta) in mathbb {r}^{n_ text {in} times n} $ 그리고 벡터 $ b in mathbb {r}^{n_ text {eq}} $ ,,, $ l ( theta) in mathbb {r}^{n_ text {in}} $ 그리고 $ u ( theta) in mathbb {r}^{n_ text {in}} $ ~하도록 하다 $ b_i in mathbb {r}, ~ forall i = 1, ..., n_ text {eq} $ 그리고 $ l_i in mathbb {r} cup { - infty} $ 그리고 $ u_i in mathbb {r} cup { + infty}, ~ forall i = 1, ..., n_ text {in} $ .

QPlayer는 보다 구조화 된 아키텍처를 배울 수 있습니다. 예를 들어, $ theta $ 일부 요소를 배우는 데만 구성됩니다 $ a $ 허용하는 동안 $ B $ 고정 (예 : QPlayer를 학습 파이프 라인에 포함시키는 방법에 대한 예). Qplayer는 LPS를 구별 할 수도 있습니다. QPlayer는 CPU에 대해 병렬 미적분학을 허용하며 Pytorch 와 인터페이스됩니다.