Я пытаюсь настроить сценарий оптимизации, который будет смотреть на набор моделей, подгонять кривые к моделям и затем оптимизировать их по нескольким параметрам.
По сути, у меня есть доход как функция стоимости, в убывающей функции, и у меня это есть для нескольких портфелей, скажем, 4 или 5. В качестве входных данных у меня есть данные о затратах и доходах с заданными приращениями. То, что я хочу сделать, это подогнать кривую к портфелю в форме Выручка = A * стоимость ^ B, а затем оптимизировать по разным портфелям, чтобы найти оптимальное распределение затрат между каждым портфелем для заданного бюджета.
Приведенный ниже код (я извиняюсь за неуместность этого, я уверен, что МНОГИЕ улучшения должны быть сделаны!) По существу считывает в моих данных, в этом случае симуляция, создает необходимые кадры данных (это, вероятно, где мое неравенство входит), вычисляет необходимые переменные для кривых для каждого моделирования и создает графики для проверки подгонки кривой к данным.
Моя проблема в том, что теперь у меня есть 5 кривых формы:
доход = A * Стоимость ^ B (разные A, B и стоимость для каждой функции)
И я хочу знать, учитывая 5 переменных, как я должен разделить свои затраты между ними, поэтому я хочу оптимизировать сумму 5 кривых с учетом
Стоимость <= Бюджет </strong>
Я знаю, что мне нужно использовать constrOptim, но я потратил буквально часы, стуча головой по столу (буквально часы, а не стуча головой ...), и до сих пор не могу понять, как настроить функционировать таким образом, чтобы максимизировать доход при условии ограничения затрат ...
Любая помощь здесь будет принята с благодарностью, это беспокоит меня уже несколько недель.
Спасибо!
Rich
## clear all previous data
rm(list=ls())
detach()
objects()
library(base)
library(stats)
## read in data
sim<-read.table("input19072011.txt",header=TRUE)
sim2<-data.frame(sim$Wrevenue,sim$Cost)
## identify how many simulations there are - here you can change the 20 to the number of steps but all simulations must have the same number of steps
portfolios<-(length(sim2$sim.Cost)/20)
## create a matrix to input the variables into
a<-rep(1,portfolios)
b<-rep(2,portfolios)
matrix<-data.frame(a,b)
## create dummy vector to hold the revenue predictions
k<-1
j<-20
for(i in 1:portfolios){
test<-sim2[k:j,]
rev9<-test[,1]
cost9<-test[,2]
ds<-data.frame(rev9,cost9)
rhs<-function(cost, b0, b1){
b0 * cost^b1
m<- nls(rev9 ~ rhs(cost9, intercept, power), data = ds, start = list(intercept = 5,power = 1))
matrix[i,1]<-summary(m)$coefficients[1]
matrix[i,2]<-summary(m)$coefficients[2]
k<-k+20
j<-j+20
}
## now there exists a matrix of all of the variables for the curves to optimise
matrix
multiples<-matrix[,1]
powers<-matrix[,2]
coststarts<-rep(0,portfolios)
## check accuracy of curves
k<-1
j<-20
for(i in 1:portfolios){
dev.new()
plot(sim$Wrevenue[k:j])
lines(multiples[i]*(sim$Cost[k:j]^powers[i]))
k<-k+20
j<-j+20
}