- چگونه کمینه‌سازی نرم یک را در JuMP پیاده‌سازی کنیم؟
@variable(model, v_abs[1:n])
@constraint(model, v_abs .>= v)
@constraint(model, v_abs .>= -v)
@objective(model, Min, sum(v_abs[i] for i in 1:n))
به خاطر این‌که قیدهای مسئله نتیجه می‌دهند $v_{abs} \geq \max(v,-v)$ این روش جواب می‌دهد.
- آیا در راند آخر سوال بهینه‌سازی شماره (4) را باید خودمان حل کنیم؟
خیر، ماتریس‌های $\tilde{L}$ و $\tilde{U}$ به شما داده نخواهند شد و پس از ارسال پاسخ راند آخر به سرور برای امتیازدهی سامانه داوری آنلاین این سوال را حل خواهد کرد.
- آیا داده‌ای به جز مثالی که در صورت سوال آورده شده برای تست در اختیارمان هست؟
بله، برای مثال می‌توانید به داده زیر رجوع کنید. دقت کنید که یک راه‌حل feasible ولی نه چندان ایده‌آل نیز برای مقایسه با نتایج خود در اختیار شما قرار گرفته است. همچنین ماتریس‌های $\tilde{L}$ و $\tilde{U}$ که در مسابقه اصلی در دسترس شما نخواهند بود برای تست داده شده‌اند.
داده سوال آزمایشی: mat asdf
یک پاسخ ساده: mat asdf
داده داوری راند آخر: mat asdf
- چگونه در ژولیا داده فرمت .mat را ایمپورت کنیم؟
import Pkg
Pkg.add(“MAT”)
using MAT
vars = matread(“R1T1.mat”)
- راهنمایی سوال در راند آخر به چه قید اضافه‌ای اشاره دارد؟
قید نامساوی کم‌تر مساوی $K$ در سوال بهینه‌سازی (3) را با اضافه کردن یک پنالتی در تابع هدف برای عبارت سمت چپ این نامساوی می‌توان به سوال راند قبلی آن تبدیل نمود. مقدار دقیق $\lambda$ متناظر را می‌توان با استفاده از نظریه دوگانی لاگرانژ و در نظر گرفتن $\lambda$ به عنوان ضریب دوگان به دست آورد ولی در این مورد خاص یک روش عددی ساده نیز می‌تواند تخمین خوبی ارائه دهد. لازم به یادآوری است که این صرفا یک راه ممکن است و از سایر راه‌حل‌های نوآورانه‌ای که لزوما ازین راهنمایی استفاده نمی‌کنند به شدت استقبال می‌شود.
- خطای تقریب صفر در داوری نتایج چقدر است؟
2e-5
- آیا زمانی که جواب ارسال می‌شود و ساعت پاسخگویی ثبت شده در تعیین رتبه و امتیازدهی اثری دارد؟
خیر
- آیا تعداد دفعاتی که پاسخ را ارسال می‌کنیم و همچنین بازه زمانی بین آپلود جواب‌ها در تعیین رتبه و امتیازدهی اثری دارد؟
خیر
