Я пытался решить простую задачу оптимизации, сначала с помощью фреймворка Python.Cvxpy, а затем с помощью фреймворка Julia.JuMP, но формулировка Julia.JuMP работает в 15 раз медленнее.
Моя проблема с оптимизацией:
- В Python.Cvxpy: (время выполнения: 4 секунды)
# Run: time python this_file.py
import cvxpy as cp
import numpy as np
n = 2
b = np.array([2,3])
c1 = np.array([[3,4],[1,0],[0,1]])
c2 = [1,0,0]
x = cp.Variable(n)
prob = cp.Problem( cp.Minimize(b@x), [ c1@x >= c2 ])
prob.solve(cp.MOSEK) # FOSS alternative: prob.solve(cp.GLPK)
print('Solution:', prob.value)
- В Julia.JuMP: (время работы: 1мин 7сек)
# Run: time julia this_file.jl
using JuMP
using Mosek, MosekTools # FOSS alternative: using GLPK
function compute()
n = 2
b = [2,3]
c1 = [3 4 ; 1 0 ; 0 1]
c2 = [1,0,0]
prob = Model(optimizer_with_attributes(Mosek.Optimizer))
# FOSS alternative: Model(optimizer_with_attributes(GLPK.Optimizer))
@variable(prob, x[1:n])
@objective(prob, Min, b'*x)
@constraint(prob, c1*x .>= c2)
JuMP.optimize!(prob)
println("Solution: ", JuMP.objective_value(prob))
end;
compute()
Есть какие-нибудь советы или рекомендации по закреплению кода Julia.JuMP?
compute()
во второй раз в вашем случае вы увидите что-то вроде нескольких секунд. - person Przemyslaw Szufel   schedule 26.04.2021time
, а для решателя - вы можете использовать альтернативу FOSS:GLPK
. Обновили приведенный выше код для обеих проблем. - person pqrz   schedule 27.04.2021