Я новичок в этом, поэтому я пытаюсь реализовать наименьшую абсолютную регрессию как задачу линейной оптимизации из этой формулировки:
КОД ОБНОВЛЕНИЯ
Пока это мой код, но я уверен, что он бесполезен, потому что я получаю следующую ошибку:
ОШИБКА: не выполнено правило при создании выражения для ограничения neg_Constraint
с индексом 1: AttributeError: объект 'NoneType' не имеет атрибута 'getname'
#Settings my variables
nsample = 100
nvariables = 2
beta=np.random.randint(-5,5,size=([nvariables+1,1]));
x0 = np.ones([nsample,1])
x1 = np.random.uniform(0,5,([nsample,nvariables]))
X = np.concatenate([x0,x1], axis = 1)
error = np.random.normal(0,1, (nsample,1))
Y = np.dot(X, beta) + error
#Defining my model
from pyomo.environ import *
opt = SolverFactory("glpk")
from pyomo.environ import SolverFactory
def la_reg_opt(n,m,x,y):
model = AbstractModel()
model.n = n
model.m = m
model.I = RangeSet(1, model.n)
model.J = RangeSet(1, model.m)
model.y = y
model.x = x
model.b = Var(model.J, domain = NonNegativeReals)
model.t = Var(model.I, domain = NonNegativeReals) #Tercera restriccion
def obj_funct(model):
return summation(model.t)
model.OBJ = Objective(rule = obj_funct)
def lower_bound(model,i):
return model.y[i] - sum(model.x[i,j]*model.b[j] for j in model.J) >= -model.t[i]
model.neg_Constraint = Constraint (model.I, rule = lower_bound)
def upper_bound(model,i):
return model.y[i] - sum(model.x[i,j]*model.b[j] for j in model.J) >= model.t[i]
model.pos_Constraint = Constraint (model.I, rule = upper_bound)
instance = model.create_instance()
instance.dual = Suffix(direction=Suffix.IMPORT)
results = opt.solve(instance)
return results
#calling my model
res=la_reg_opt(nsample, nvariables, X, Y)
print (res)
Что я делаю не так?
Чем тебе столько.