Yalmip入门教程(4)-约束条件定义的相关函数
博客中所有内容均来源于自己学习过程中积累的经验以及对yalmip官方文档的翻译：https://yalmip.github.io/tutorials/
这篇博客将详细介绍yalmip工具箱中约束条件定义等相关函数的用法。
1.约束条件定义的相关函数
1.1 alldifferent函数
alldifferent函数用于表示某个矩阵或向量中所有元素都不相同，使用语法如下：
F = alldifferent(X)
其中，X为决策变量，F为约束条件，表示X中所有元素都不同。
下面是一个代码示例，可以使用alldifferent函数产生整数1-5的一组排列：
x = intvar(1,5);
F = [alldifferent(x), 1<=x<=5];
optimize(F)value(x)运行结果如下：
ans =
1 5 4 2 3
图1 一个数独问题
合理地使用alldifferent函数解决实际的优化问题，可以大大降低建模的难度，例如，上一篇博客中提到的数独问题，就是要使得数组中每一行，每一列以及每一个3×3的子块中的数字从1-9各不相同，那么使用alldifferent函数很方便地完成建模。针对图1所示的数组问题，采用alldifferent函数进行建模的代码如下：
A0 = [
0 4 7 0 5 0 0 0 8;
6 0 5 0 3 0 2 0 1;
0 0 0 7 0 6 0 3 0;
0 0 6 0 7 0 0 2 4;
9 0 0 8 0 4 0 0 6;
4 5 0 0 1 0 9 0 0;
0 1 0 5 0 2 0 0 0;
2 0 8 0 4 0 5 0 3;
5 0 0 0 9 0 7 1 0;
];
A = intvar(9,9,'full');
fixed = find(A0);
F = [1 <= A <= 9, A(fixed) == A0(fixed)];
for i = 1:3
for j = 1:3
block = A((i-1)*3+(1:3),(j-1)*3+(1:3));
F = [F, alldifferent(block)];
end
end
for i = 1:9
F = [F, alldifferent(A(i,:))];
F = [F, alldifferent(A(:,i))];
end
F = [F, sum(A,1) == 45, sum(A,2) == 45];
optimize(F);
value(A)运行结果如下：
ans =
3 4 7 2 5 1 6 9 8
6 8 5 4 3 9 2 7 1
1 2 9 7 8 6 4 3 5
8 3 6 9 7 5 1 2 4
9 7 1 8 2 4 3 5 6
4 5 2 6 1 3 9 8 7
7 1 3 5 6 2 8 4 9
2 9 8 1 4 7 5 6 3
5 6 4 3 9 8 7 1 2
通过该函数的使用，可以非常快速地解决数独问题。但需要注意的是，由于alldifferent函数内部使用了大M法进行建模，因此为了提高问题的求解效率，需要用到该函数的变量最好要提前给定上下限。所以这份代码在最开始就令变量A位于区间[1,9]。此外，该函数一般只适用于整数变量，如果对连续型变量使用，模型可能会存在不可解的问题。
1.2 complements函数
在数学优化领域，互补性条件是一个非常重要的概念，在KKT条件，对偶变换，最值变换等理论中都有所应用，yalmip工具箱中的complements函数可用于互补性条件的建模，在这里只对该函数的用法进行介绍，不涉及相关原理。
互补性条件要求要求一对变量满足互补关系，即它们的乘积为零。这种情况下，其中一个变量的取值为零，就意味着另一个变量的取值为非零，它们之间存在一种互相排斥的关系，例如对于变量x1和变量x2，互补性条件可以写做：
x1≥0，x2≥0，x1×x2=0
complements函数的基本语法如下：
F = complements(Constraint1,Constraint2)
其中，Constraint1和Constraint2表示两个不同的约束条件，F表示他们形成的互补性条件。
例1：使用yalmip中的complements函数对下列约束条件进行建模：
y≥0，x+z≥1，y(x+z)=0
Matlab代码如下：
sdpvar x y z
F = complements(y >= 0, x+z >= 1)和alldifferent函数一样，complements函数内部使用了大M法进行建模，因此为了提高问题的求解效率，需要用到该函数的变量最好要提前给定上下限。
1.3 cone函数
二阶锥规划(Second-Order Cone Programming, SOCP)是最常用的凸优化之一，对于含二次约束的非线性规划，可以通过二阶锥松弛将其转为凸优化问题，具体原理可以查看相关资料进行学习，这里不再赘述，只重点讲解函数用法。该函数基本语法为：
c = cone(x,y)
这段代码表示了下面形式的二阶锥约束：
1.4 iff函数
iff函数用于表示两个约束之间的等价关系，其标准语法为：
F = iff(A,B)
约束F的含义为：当约束A成立时，约束B也成立，当约束B成立时，约束A也成立。
例2：使用yalmip工具箱中的iff函数对下列约束条件进行建模
使用iff函数对其进行建模的代码如下：
A = 2;
b = 0.5;
x = sdpvar(1);
d = binvar(1);
F = iff(d,A*x <= b);实际上，iff也可以用”==”符号进行替换，下面的代码一样可以实现例2中的约束，和iff函数的建模完全等价：
A = 2;
b = 0.5;
x = sdpvar(1);
d = binvar(1);
F = [d == A*x <= b];实际应用的过程中可以根据自己的需要合理地选择两种不同的方式。
1.5 ismember函数
ismember函数用于约束变量的取值位于某个离散集中，标准语法如下：
F = ismember(x,Y)
其中x表示变量，Y表示离散集合。例如要使连续变量x取值只能为{0.5, 1, 1.5, 2}其中一个数，可以用ismember函数表示为：
sdpvar x
F = ismember(x,[0.5 1 1.5 2]);
巧妙地应用ismember函数，可以提升优化问题求解的效率，更多的应用之后会展开来讲。
1.6 isoutside函数
需要注意的是，isoutside函数是新版yalmip工具箱中给出的函数，如果在使用时提示找不到函数或变量，说明下载的不是最新版工具箱，更新一下即可。isoutside函数的标准用法如下：
Model = isoutside(P)
P表示一组线性不等式约束，Model也是一组约束，但是Model所表示的可行域将位于P表示的可行域外部。这么说可能非常难理解，举个简单的例子。假设约束P为：
P = [1 <= x <=2 , 2 <= y <=5];
显然该约束所表示的可行域为一个矩形，那么isoutside(P)所表示的可行域则为矩形的外部。在yalmip工具箱中，重写了可以应用于lmi类型变量的plot函数，可以绘制出线性约束条件所表示的可行域，约束P和isoutside(P)表示的可行域对比如下：
sdpvar x y
P = [1 <= x <= 2 , 2 <= y <= 5];
S = isoutside(P);
figure
plot(P,[],[],[],sdpsettings('plot.shade',0.1));
figure
plot(S,[],[],[],sdpsettings('plot.shade',0.1));运行结果为：
图2 约束P所代表的可行域
图3 约束isoutside(P)所代表的可行域
isoutside函数在日常求解优化问题中也有很多用处，下面是一个例子：
例3：求坐标原点(0,0)到下列约束组成的五边形区域边界距离的最小值：
首先，我们利用针对lmi类型变量的plot函数，画出该可行域，如图4所示：
sdpvar x y
F = [2*x - 3*y + 6 >= 0 , ...
x + y - 2 <= 0 , ...
x - y - 4 <= 0 , ...
x + 2*y + 8 >= 0 , ...
3*x + y + 9 >= 0];
figure
axis([-3.5 3.5 -4.5 2.5])
plot(F,[],[],[],sdpsettings('plot.shade',0.1));图4 例3中变量的可行域
问题中要求的是原点到该五边形区域边界距离的最小值，在已知约束F的情况下，似乎不好对目标函数进行建模。但是如果我们转换一下思维，也可以认为是求原点到F描述的可行域之外区域距离的最小值，这样就可以利用isoutside函数，很轻松地完成建模，matlab代码和结果如下：
sdpvar x y
F = [2*x - 3*y + 6 >= 0 , ...
x + y - 2 <= 0 , ...
x - y - 4 <= 0 , ...
x + 2*y + 8 >= 0 , ...
3*x + y + 9 >= 0];
F1 = isoutside(F);
optimize([F1, -3.5 <= x <= 3.5 , -4.5 <= y <= 2.5] , x^2 + y^2);
figure
axis([-3.5 3.5 -4.5 2.5])
plot(F,[],[],[],sdpsettings('plot.shade',0.1));
hold on;grid on
plot(value(x),value(y),'*')
r = sqrt(value(x^2 + y^2));
t = 0:0.01:2*pi;
plot(r*cos(t),r*sin(t),'--')图5 可行域F边界上到(0,0)距离最小的点所在位置
1.7 uncertain函数
uncertain函数是利用Yalmip工具箱求解鲁棒优化的一个功能函数，用于将变量定义为不确定变量，之前我写过博客进行介绍，这里不再赘述，想要了解可以打开我之前的博客(https://blog.csdn.net/weixin_44209907/article/details/125691435)或者官方文档。
1.8 implies函数
implies函数是使用yalmip工具箱将非线性约束转为线性约束最常用的函数之一，作用是定义约束条件之间的逻辑关系，用法如下：
F = implies(A,B)
其中，A，B均为约束条件，F表示当约束条件A成立时，约束条件B也一定成立。(需要注意和iff函数的区别，iff函数也是定义两组约束之间的逻辑关系，但表示的是两者完全等价，而使用implies函数定义的约束则只能由A成立得到B成立，反之则不确定)。
在优化问题的约束条件含有逻辑关系、具有分段函数等情况时，采用implies函数可以方便地进行数学建模，下面是一个示例：
例4：使用yalmip工具箱对下列分段函数进行建模
仅仅从逻辑上分析，可以使用matlab中的if-else语句完成这个函数的建模，代码如下：
sdpvar e
if e <= -5
f = 7;
elseif e >= -5 && e <= -2
f = 2-e;
elseif e>=-2 && e <= 2
f = e^2;
elseif e>=2 && e <= 5
f = 2+e;
elseif e >= 5
f = 7;
end
但是在运行上面的代码一定会出现下列报错，这是因为sdpvar类型的变量不支持在if-esle语句中进行逻辑判断。
从 constraint 转换为 logical 时出现以下错误:
无法从 constraint 转换为 logical。
出错 test (line 3)
if e <= -5
为了实现分段函数建模，可以利用implies函数，matlab代码如下：
sdpvar e
d = binvar(5,1);
Model = [sum(d) == 1,
implies(d(1), [e <= -5, f == 7]);
implies(d(2), [-5 <= e <= -2, f == 2-e]);
implies(d(3), [-2 <= e <= 2, f == e^2]);
implies(d(4), [ 2 <= e <= 5, f == 2+e]);
implies(d(5), [ 5 <= e, f == 7])];在建模时，引入了一个5维的0-1变量d，限制sum(d)=1表示五种情况只能取得其中一种。这样就可以简单直观地完成分段函数建模。implies函数还有更多用法，这里不再赘述。此外，implies函数内部也是使用大M法完成建模的，因此使用implies函数时最好保证涉及的变量都指定了上下限。
2测试题
2.1测试1
使用Yalmip工具箱求下列数独问题的解，并比较采用alldifferent函数与不采用alldifferent函数时模型的求解速度：
2.2测试2
请使用yalmip工具箱求解下列优化问题(需使用complements函数)：
2.3测试3
画出下列约束表示的可行域的范围，并求坐标原点(0,0)到下列约束组成的可行域边界距离的最小值：
2.4测试4
已知商品A的单价随购买数量的增大而减小，购买0-500件时单价为10元，购买500-1000件时超出500件的商品单价为8元，购买1000件以上时超出1000件的商品单价为6元。某次进货后计算得到该商品的的平均单价为7.875元，请问共买了多少件商品A？(使用yalmip工具箱求解)
2.5测试题参考答案
第四章测试题的参考答案可以从下面的链接中获取：
https://download.csdn.net/download/weixin_44209907/88162171