proxsuite

ProxSuite เป็นคอลเลกชันของโอเพนซอร์ซ, ความแข็งแกร่งเชิงตัวเลข, แม่นยำและมีประสิทธิภาพนักแก้ปัญหาตัวเลข (เช่น LPS, QPS, ฯลฯ ) ที่หยั่งรากในอัลกอริทึม proximal proximal primal-dual ผ่าน Proxsuite เรามุ่งมั่นที่จะนำเสนอตัวเพิ่มประสิทธิภาพที่ปรับขนาดได้ของชุมชนที่จัดการกับปัญหาที่หนาแน่นกระจัดกระจายหรือไม่มีเมทริกซ์ ในขณะที่แอปพลิเคชันเป้าหมายแรกคือหุ่นยนต์ proxsuite สามารถใช้ในบริบทอื่น ๆ โดยไม่มีการ จำกัด

Proxsuite ได้รับการพัฒนาอย่างแข็งขันและได้รับการสนับสนุนจากกลุ่มวิจัย Willow และ Sierra, ทีมวิจัยร่วมระหว่าง Inria, École Normale Supérieure de Paris และศูนย์นักวิทยาศาสตร์แห่งชาติ de la recherche ที่มีการแปลในฝรั่งเศส

ProxSuite ได้รวมเข้ากับ:

• ภาษาการสร้างแบบจำลอง CVXPY สำหรับปัญหาการเพิ่มประสิทธิภาพของนูน
• กรอบสัญลักษณ์ของ Casadi สำหรับการเพิ่มประสิทธิภาพเชิงตัวเลขในการควบคุมทั่วไปและการควบคุมที่ดีที่สุด ProxQP มีให้บริการใน Casadi เป็นปลั๊กอินเพื่อแก้ปัญหาโปรแกรมกำลังสอง
• TSID: ซอฟต์แวร์หุ่นยนต์สำหรับการเปลี่ยนแปลงผกผันหุ่นยนต์ที่มีประสิทธิภาพพร้อมผู้ติดต่อและขึ้นอยู่กับ Pinocchio

เราพร้อมที่จะรวม proxsuite ภายในระบบนิเวศการปรับให้เหมาะสมอื่น ๆ

คุณสมบัติหลักของ ProxSuite

Proxsuite เร็ว:

• ไลบรารีเทมเพลต C ++
• เป็นมิตรกับแคช

Proxsuite มีความหลากหลายนำเสนอผ่านอัลกอริทึมขั้นสูง API แบบครบวงจรที่เชี่ยวชาญสำหรับการใช้ประโยชน์จากโครงสร้างปัญหาอย่างมีประสิทธิภาพ:

• แบ็กเอนด์เมทริกซ์ที่หนาแน่นเบาบางและเมทริกซ์ฟรีเมทริกซ์
• ตัวเลือกการเริ่มต้นที่อบอุ่นขั้นสูง (เช่นการคาดเดาเริ่มต้นที่ จำกัด อย่างเท่าเทียมกันตัวเลือกการเริ่มต้นที่อบอุ่นหรือการเริ่มต้นเย็นจากผลลัพธ์ก่อนหน้านี้)

พร้อมคุณสมบัติเฉพาะสำหรับ

• การจัดการข้อ จำกัด กล่องอย่างมีประสิทธิภาพโปรแกรมเชิงเส้น QP กับ Hessian ในแนวทแยงหรือมีข้อ จำกัด มากกว่าตัวแปรแรก
• การแก้ปัญหา qps nonconvex
• การแก้ปัญหาของ QPS แบบขนาน
• การแก้ปัญหา QP ที่ใกล้เคียงที่สุดหาก QP ดูเหมือนจะเป็นไปไม่ได้ครั้งแรก
• แยกความแตกต่างของ QPS ที่เป็นไปได้และไม่สามารถทำได้

Proxsuite มีความยืดหยุ่น:

• ส่วนหัวเท่านั้น
• C ++ 14/17/20 เป็นไปตามมาตรฐาน
• Python และ Julia Bindings สำหรับการสร้างต้นแบบรหัสง่ายโดยไม่ต้องเสียสละประสิทธิภาพ

Proxsuite สามารถขยายได้ Proxsuite มีความน่าเชื่อถือและทดสอบอย่างกว้างขวางแสดงให้เห็นถึงประสิทธิภาพที่ดีที่สุดเกี่ยวกับปัญหาที่ยากที่สุดของวรรณกรรม ProxSuite รองรับและทดสอบบน Windows, Mac OS X, UNIX และ Linux

เอกสาร

เอกสาร ProxSuite ออนไลน์ของรีลีสล่าสุดมีอยู่ที่นี่

เริ่มต้น

ProxSuite แจกจ่ายให้กับผู้จัดการแพ็คเกจที่รู้จักกันดีจำนวนมาก

ติดตั้งอย่างรวดเร็วด้วย:

   pip install proxsuite

วิธีนี้มีอยู่ใน Linux, Windows และ Mac OS X

ติดตั้งอย่างรวดเร็วด้วย:

   conda install proxsuite -c conda-forge

วิธีนี้มีอยู่ใน Linux, Windows และ Mac OS X

ติดตั้งอย่างรวดเร็วด้วย:

   brew install proxsuite

วิธีนี้มีอยู่ใน Linux และ Mac OS X

วิธีการทางเลือก

การติดตั้งจากแหล่งที่มาจะถูกนำเสนอที่นี่

รวบรวมโปรแกรมตัวอย่างแรก

สำหรับประสิทธิภาพที่เร็วที่สุดให้ใช้คำสั่งต่อไปนี้เพื่อเปิดใช้งาน vectorization เมื่อรวบรวมตัวอย่างง่ายๆ

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

ใช้ proxsuite กับ cmake

หากคุณต้องการใช้ proxsuite กับ cmake ตัวอย่างเล็ก ๆ ต่อไปนี้ควรช่วยคุณ:

 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" )

หากคุณได้รวบรวม proxsuite ด้วยการสนับสนุน vectorization คุณอาจใช้ cmake target proxsuite::proxsuite-vectorized เพื่อเชื่อมโยงกับ Simde อย่าลืมใช้ -march=native เพื่อให้ได้ประสิทธิภาพที่ดีที่สุด

ProxQp

อัลกอริทึม PROXQP เป็นวิธีการเพิ่มประสิทธิภาพเชิงตัวเลขสำหรับการแก้ปัญหาการเขียนโปรแกรมกำลังสองของแบบฟอร์ม:

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

ที่ไหน $ x in mathbb {r}^n $ เป็นตัวแปรการเพิ่มประสิทธิภาพ ฟังก์ชั่นวัตถุประสงค์ถูกกำหนดโดยเมทริกซ์ semidefinite บวก $ h in mathcal {s}^n _+$ และเวกเตอร์ $ g in mathbb {r}^n $ - ข้อ จำกัด เชิงเส้นถูกกำหนดโดยเมทริกซ์ความเท่าเทียมกัน $ a in mathbb {r}^{n_ text {eq} times n} $ และเมทริกซ์ความไม่เท่าเทียมกัน $ c in mathbb {r}^{n_ text {in} times n} $ และเวกเตอร์ $ b in mathbb {r}^{n_ text {eq}} $ - $ l in mathbb {r}^{n_ text {in}} $ และ $ u in mathbb {r}^{n_ text {in}} $ ดังนั้น $ b_i in mathbb {r}, ~ forall i = 1, ... , n_ text {eq} $ และ $ l_i in mathbb {r} cup { - infty} $ และ $ u_i in mathbb {r} cup { + infty}, ~ forall i = 1, ... , n_ text {in} $ -

อ้างถึง proxqp

หากคุณใช้ PROXQP สำหรับงานของคุณเราขอแนะนำให้คุณอ้างอิงกระดาษที่เกี่ยวข้อง

เกณฑ์มาตรฐานเชิงตัวเลข

เกณฑ์มาตรฐานเชิงตัวเลขของ PROXQP กับนักแก้ปัญหาเชิงพาณิชย์และโอเพ่นซอร์สอื่น ๆ มีให้ที่นี่

สำหรับโปรแกรมสมการกำลังสองนูนที่มีข้อ จำกัด ด้านความไม่เท่าเทียมและความเท่าเทียมกันเมื่อขอความแม่นยำค่อนข้างสูง (เช่น 1E-6) หนึ่งได้รับผลลัพธ์ต่อไปนี้

บนแกน y คุณสามารถดูการกำหนดเวลาในไม่กี่วินาทีและในมิติแกน x WRT ไปยังตัวแปรครั้งแรกของปัญหากำลังสองแบบสุ่มที่สร้างขึ้น (จำนวนข้อ จำกัด ของปัญหาที่สร้างขึ้นคือครึ่งหนึ่งของขนาดแรกของมิติแรก) สำหรับทุกมิติปัญหาจะถูกสร้างขึ้นผ่านเมล็ดที่แตกต่างกันและการกำหนดเวลาจะได้รับเป็นค่าเฉลี่ยมากกว่าการวิ่งต่อเนื่องสำหรับปัญหาเดียวกัน แผนภูมินี้แสดงให้เห็นถึงโปรแกรมแก้ปัญหาที่ได้รับการเปรียบเทียบและโปรแกรมสมการกำลังสองแบบสุ่มที่สร้างขึ้นการกำหนดเวลาของ barplot รวมถึงค่ามัธยฐาน (เป็นจุด) และค่าน้อยที่สุดและสูงสุดที่ได้รับ (กำหนดแอมพลิจูดของแถบ) คุณจะเห็นว่า PROXQP อยู่ต่ำกว่าตัวแก้ปัญหาเสมอซึ่งหมายความว่ามันเร็วที่สุดสำหรับการทดสอบนี้

สำหรับปัญหาอย่างหนักจากชุดทดสอบ Maros Meszaros เมื่อขอความแม่นยำสูง (เช่น 1E-9) หนึ่งได้รับผลลัพธ์ด้านล่าง

แผนภูมิด้านบนรายงานโปรไฟล์ประสิทธิภาพของนักแก้ปัญหาที่แตกต่างกัน มันเป็นแบบคลาสสิกสำหรับนักแก้ปัญหาการเปรียบเทียบ โปรไฟล์ประสิทธิภาพสอดคล้องกับสัดส่วนของปัญหาที่แก้ไข (บนแกน y) เป็นฟังก์ชั่นของรันไทม์บางอย่าง (บนแกน x วัดในแง่ของหลายรันไทม์ของตัวแก้ปัญหาที่เร็วที่สุดสำหรับปัญหานั้น) ยิ่งสูงเท่าไหร่ก็ยิ่งดี คุณจะเห็นว่า PROXQP แก้ปัญหาได้เร็วที่สุดกว่า 60% (เช่นสำหรับ $ tau = 1 $ ) และสำหรับการแก้ปัญหาประมาณ 90% มันช้ากว่านักแก้ปัญหาที่เร็วที่สุด 2 เท่าในการแก้ปัญหาเหล่านี้ (เช่นสำหรับ $ tau ประมาณ 2 $ -

หมายเหตุ: ผลลัพธ์ทั้งหมดเหล่านี้ได้รับด้วย Gen Intel (R) Core (TM) I7-11850H ที่ 11 CPU CPU

qplayer

Qplayer ช่วยให้สามารถใช้ QP เป็นเลเยอร์ภายในสถาปัตยกรรมการเรียนรู้มาตรฐาน แม่นยำยิ่งขึ้น qplayer แตกต่างกันไป $ theta $ โซลูชั่นแรกและสองของ QP ของแบบฟอร์ม

$$ เริ่มต้น {จัดตำแหน่ง} min_ {x} & ~ frac {1} {2} x^{t} h ( theta) x+g ( theta)^{t} x \ text {st} & ~ a ( theta) c ( theta) x leq u ( theta) end {จัดตำแหน่ง} $$

ที่ไหน $ x in mathbb {r}^n $ เป็นตัวแปรการเพิ่มประสิทธิภาพ ฟังก์ชั่นวัตถุประสงค์ถูกกำหนดโดยเมทริกซ์ semidefinite บวก $ h ( theta) in mathcal {s}^n _+$ และเวกเตอร์ $ g ( theta) in mathbb {r}^n $ - ข้อ จำกัด เชิงเส้นถูกกำหนดโดยเมทริกซ์ความเท่าเทียมกัน $ a ( theta) in mathbb {r}^{n_ text {eq} times n} $ และเมทริกซ์ความไม่เท่าเทียมกัน $ c ( theta) in mathbb {r}^{n_ text {in} times n} $ และเวกเตอร์ $ b in mathbb {r}^{n_ text {eq}} $ - $ l ( theta) in mathbb {r}^{n_ text {in}} $ และ $ u ( theta) in mathbb {r}^{n_ text {in}} $ ดังนั้น $ b_i in mathbb {r}, ~ forall i = 1, ... , n_ text {eq} $ และ $ l_i in mathbb {r} cup { - infty} $ และ $ u_i in mathbb {r} cup { + infty}, ~ forall i = 1, ... , n_ text {in} $ -

Qplayer สามารถเรียนรู้สถาปัตยกรรมที่มีโครงสร้างมากขึ้น ตัวอย่างเช่น, $ theta $ สามารถประกอบด้วยในการเรียนรู้องค์ประกอบบางอย่างของ $ a $ ในขณะที่ปล่อยให้ $ b $ แก้ไข (ดูเช่นตัวอย่างเกี่ยวกับวิธีการรวม qplayer ลงในไปป์ไลน์การเรียนรู้) Qplayer ยังสามารถสร้างความแตกต่างผ่าน LPS ได้ Qplayer อนุญาตให้มีแคลคูลัสแบบขนานผ่าน CPU และเชื่อมต่อกับ pytorch

อ้างถึง qplayer

หากคุณใช้ qplayer สำหรับงานของคุณเราขอแนะนำให้คุณอ้างอิงกระดาษที่เกี่ยวข้อง

ขั้นตอนการติดตั้ง

โปรดทำตามขั้นตอนการติดตั้งที่นี่