详细描述

本节中的算法在指定的约束条件下或没有任何约束的情况下，最小化或最大化函数值。

类
类	cv::ConjGradSolver
	此类用于执行已知梯度的函数的非线性非约束最小化。更多...

类	cv::DownhillSolver
	此类用于执行函数的非线性非约束最小化。更多...

类	cv::MinProblemSolver
	所有求解器的基本接口。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（单纯形法）求解给定的（非整数）线性规划问题。

枚举类型文档

◆ SolveLPResult

enum 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	问题是可行的，但由于浮点算术错误，求解器丢失了解决方案
SOLVELP_UNBOUNDED Python: cv.SOLVELP_UNBOUNDED	问题是无界的（目标函数可以达到任意高的值）
SOLVELP_UNFEASIBLE Python: cv.SOLVELP_UNFEASIBLE	问题是不可行的（没有满足所有施加约束的点）
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 - 返回任意一个

函数文档

◆ 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>

这是一个重载的成员函数，为方便起见而提供。它与上述函数的不同之处仅在于它接受的参数。

◆ 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（单纯形法）求解给定的（非整数）线性规划问题。

我们这里所说的“线性规划问题”（或简称为 LP 问题）可以表述为

\[\mbox{最大化 } c\cdot x\\ \mbox{受以下条件限制：}\\ Ax\leq b\\ x\geq 0\]

其中\(c\)是固定的1-by-n行向量，\(A\)是固定的m-by-n矩阵，\(b\)是固定的m-by-1列向量，\(x\)是任意n-by-1列向量，它满足约束。

单纯形算法是许多旨在有效处理此类问题的算法之一。虽然它在理论意义上不是最优的（存在可以在多项式时间内解决上述任何问题的算法，而单纯形法对于某些特殊情况会退化为指数时间），但它经过充分研究，易于实现，并且被证明在实际应用中效果良好。

这个特殊的实现几乎逐字取自 算法导论，第三版，作者是 T. H. Cormen、C. E. Leiserson、R. L. Rivest 和 Clifford Stein。特别是，Bland 规则 http://en.wikipedia.org/wiki/Bland%27s_rule 用于防止循环。

参数

Func	此行向量对应于 LP 问题公式中的\(c\)（见上文）。它应包含 32 位或 64 位浮点数。为方便起见，也可以提交列向量，在后一种情况下，它被理解为对应于\(c^T\)。
Constr	`m`-by-`n+1`矩阵，其最右边的列对应于上述公式中的\(b\)，其余列对应于\(A\)。它应包含 32 位或 64 位浮点数。
z	解决方案将作为列向量在此处返回 - 它对应于上述公式中的\(c\)。它将包含 64 位浮点数。
constr_eps	约束允许的数值差异

返回: cv::SolveLPResult 之一