R中求解带sum((x)_+)=1约束的优化问题（替换GLPK）

先解决约束线性化（兼容GLPK） #

你的需求里的sum((x)_+) = 1和sum(x) = 0可以转化为标准线性约束，不用换求解器就能在GLPK里实现：

1. 引入两个非负变量向量x_pos和x_neg，满足x = x_pos - x_neg（线性规划的特性会自动保证每个分量的x_pos[i]和x_neg[i]不同时为正，无需额外约束）。
2. 替换原约束：
   • sum(x_pos) = 1（对应正项和为1）
   • sum(x_neg) = 1（由sum(x) = sum(x_pos) - sum(x_neg) = 0推导而来，对应原需求的负项和为-1）

R中用GLPK实现的简化代码示例：

library(Rglpk)

# 假设原问题的c, A, b已定义
n <- length(c)
# 构造新目标函数：c*x = c*(x_pos - x_neg) = c*x_pos - c*x_neg
new_c <- c(c, -c)
# 原约束转化：A*(x_pos - x_neg) <= b → A*x_pos - A*x_neg <= b
new_A <- cbind(A, -A)
new_b <- b
# 添加正项和、负项和约束
sum_pos_constraint <- c(rep(1, n), rep(0, n))
sum_neg_constraint <- c(rep(0, n), rep(1, n))
new_A <- rbind(new_A, sum_pos_constraint, sum_neg_constraint)
new_b <- c(new_b, 1, 1)
# 变量非负约束
lower_bounds <- rep(0, 2*n)
upper_bounds <- rep(Inf, 2*n)

# 求解
result <- Rglpk_solve_LP(obj = new_c, mat = new_A, dir = c(rep("<=", length(b)), "=", "="), rhs = new_b, bounds = list(lower = lower_bounds, upper = upper_bounds), max = FALSE)
# 还原原变量x
x_solution <- result$solution[1:n] - result$solution[(n+1):(2*n)]

无需手动线性化的R求解器推荐 #

如果觉得手动线性化太繁琐，推荐以下几款对新手友好、支持这类约束（或自动处理变量拆分）的求解器：

• lpSolveAPI：封装了经典线性规划求解器，语法直观，文档示例丰富，可直接通过变量拆分实现需求，适合小规模问题。
• ROI：统一优化接口包，支持GLPK、Gurobi、CPLEX等多种后端。只需定义一次问题，就能灵活切换求解器，内置辅助函数可简化约束定义，降低学习成本。
• gurobi：商业求解器，针对大规模优化问题效率极高，学术用户可申请免费许可。R包支持直接定义分段线性约束或通过变量转换实现你的需求，文档完善，社区资源充足。
• cplexAPI：另一款商业求解器，适合大规模复杂优化场景，学术用户可免费使用，对各类约束的支持非常成熟。

内容的提问来源于stack exchange，提问作者Vimar