优化算法

详细说明

本节中的优化算法最小化或最大化函数值，在指定约束下或者没有任何约束。

类
类	cv::ConjGradSolver
	此类用于对具有已知梯度的函数执行非线性非约束最小化，更多...
类	cv::DownhillSolver
	此类用于对函数执行非线性非约束最小化，更多...
类	cv::MinProblemSolver
	所有求解器基本接口。更多...

枚举
枚举	cv::SolveLPResult {   cv::SOLVELP_LOST = -3 ,   cv::SOLVELP_UNBOUNDED = -2 ,   cv::SOLVELP_UNFEASIBLE = -1 ,   cv::SOLVELP_SINGLE = 0 ,   cv::SOLVELP_MULTI = 1 }
	cv::solveLP() 函数的返回代码 更多...

函数
int	cv::solveLP (InputArray Func, InputArray Constr, OutputArray z)
int	cv::solveLP (InputArray Func, InputArray Constr, OutputArray z, double constr_eps)
	使用单纯形算法（单纯形方法）来解决给定的（非整数）线性规划问题。

枚举类型文档

SolveLPResult

枚举 cv::SolveLPResult

#include <opencv2/core/optim.hpp>

cv::solveLP() 函数的返回代码

枚举器
SOLVELP_LOST  Python: cv.SOLVELP_LOST	问题可行，但由于浮点数计算错误，求解器失去了解
SOLVELP_UNBOUNDED  Python：cv.SOLVELP_UNBOUNDED	问题无解（目标函数可以达到任意高值）
SOLVELP_UNFEASIBLE  Python：cv.SOLVELP_UNFEASIBLE	问题无解（没有点满足所有施加的约束）
SOLVELP_SINGLE  Python：cv.SOLVELP_SINGLE	目标函数只有一个最大值
SOLVELP_MULTI  Python：cv.SOLVELP_MULTI	目标函数有多个最大值 - 返回其中一个最大值

函数说明文档

solveLP() [1/2]

int cv::solveLP	(	InputArray	Func,
		InputArray	Constr,
		OutputArray	z
	)

Python
	cv.solveLP(	Func, Constr, constr_eps[, z]	) ->	retval, z
	cv.solveLP(	Func, Constr[, z]	) ->	retval, z

#include <opencv2/core/optim.hpp>

这是一个重载函数成员，供方便使用。它仅在接受的参数方面与以上函数不同。

solveLP() [2/2]

int cv::solveLP	(	InputArray	Func,
		InputArray	Constr,
		OutputArray	z,
		double	constr_eps
	)

Python
	cv.solveLP(	Func, Constr, constr_eps[, z]	) ->	retval, z
	cv.solveLP(	Func, Constr[, z]	) ->	retval, z

#include <opencv2/core/optim.hpp>

使用单纯形算法（单纯形方法）来解决给定的（非整数）线性规划问题。

在本文中我们所说的“线性规划问题”（或简称“LP 问题”）可以如此表述

\[\mbox{Maximize } c\cdot x\\ \mbox{Subject to:}\\ Ax\leq b\\ x\geq 0\]

其中 \(c\) 是固定的1行n列的行向量，\(A\) 是固定的m行n列的矩阵，\(b\) 是固定的m行1列的列向量，\(x\) 是任意n行1列的列向量，满足这些 约束。

单形算法是设计来有效处理此类问题的众多算法之一。虽然从理论上说它并非是最优的（存在可以多项式时间内求解上述问题的算法，而单形法对某些特殊情况会退化为指数时间），但它研究充分、易于实现且事实证明非常适用于实际用途。

具体实现几乎完全取自 T. H. Cormen、C. E. Leiserson、R. L. Rivest 和 Clifford Stein 的算法导论第三版。尤其是，采用布兰德规则 http://en.wikipedia.org/wiki/Bland%27s_rule 来防止循环。

参数

Func	此行向量对应于线性规划问题表述中的 \(c\)（请见上文）。它应包含 32 或 64 位浮点数。为方便起见，列向量也可以提交，在后一种情况下它被理解为对应于 \(c^T\)。
Constr	m 乘以 n+1 的矩阵，其最右侧列对应于上文表述中的 \(b\)，其余的对应于 \(A\)。它应包含 32 或 64 位浮点数。
z	解将此处作为列向量返回 - 它对应于上文表述中的 \(c\)。它将包含 64 位浮点数。
constr_eps	允许的约束数值差异

返回

其中一个 cv::SolveLPResult