#!/usr/bin/env?python
#?-*-?coding:?utf-8?-*-
#?@Date????:?2019-10-11?17:21:42
#?@Author??:?${QU?JINMING}
#?@Email????:?${qjming97@163.com}


import?os
import?math
import?sklearn
import?numpy?as?np
import?csv
import?matplotlib.pyplot?as?plt


def?trans_to_karmarkar（a?b?c?m?n）:

????#?約束矩陣A?等式右端b（列向量）?目標參數c（列向量）?約束數量m?變量數量n

????at?=?np.transpose（a）
????ct?=?np.transpose（c）
????bt?=?np.transpose（b）

????fu_b?=?-1?*?b
????fu_c?=?-1?*?c

????fu_at?=?-1*at
????fu_bt?=?-1*bt

????i_n?=?np.identity（n）
????zero_1?=?np.zeros（（m?2*m+n））??#?第一行的0
????zero_2?=?np.zeros（（n?n））??#?第二行的0
????zero_3?=?np.zeros（（1?n））??#?第三行的0
????#?print（zero_3）
????zero_4?=?np.array（[[0]]）

????e_total?=?np.ones（2*m+2*n）
????e_last?=?np.ones（（1?2*m+2*n+2））

????#?print（b.shapec.shapezero_3.shape）

????b_gang?=?np.concatenate（（b?c?zero_4）?axis=0）
????#?print（b_gang.shape）
????fu_b_bang?=?-1*b_gang

????#?按行拼接再按列拼接
????A_plus1?=?np.concatenate（（a?zero_1）?axis=1）
????#?print（A_plus1.shape）
????A_plus2?=?np.concatenate（（zero_2?at?fu_at?i_n）?axis=1）
????#?print（A_plus2.shape）
????A_plus3?=?np.concatenate（（ct?fu_bt?bt?zero_3）?axis=1）
????#?print（A_plus3.shape）
????A_plus?=?np.concatenate（（A_plus1?A_plus2?A_plus3）?axis=0）
????#?print（A_plus.shape）
????B_ae?=?b_gang?-?np.reshape（np.dot（A_plus?e_total）?（m+n+1?1））

????#?print（B_ae.shape）

????B_1?=?np.concatenate（（A_plus?B_ae?fu_b_bang）?axis=1）
????#?print（B_1.shape）
????B?=?np.concatenate（（B_1?e_last）?axis=0）

????c_aim_1?=?np.zeros（（2*m+2*n?1））
????temp?=?np.array（[[1]?[0]]）
????c_aim?=?np.concatenate（（c_aim_1?temp）?axis=0）

????return?B?c_aim


def?karmarkar（B?c_aim）:
????#?近似解的效果嚴重依賴于參數L?和?步長alpha
????#?收斂條件可采用L參數法?或比較目標函數值的變動比率
????#?調節兩個參數的時候?alpha相當于learning?rate?盡量小
????#?L或者變動比率?L越小即絕對值越大收斂條件越苛刻?容易出現步長越界
????#?同理變動比率越小越容易越界?但越容易逼近目標最優值

????m?=?len（B）
????n?=?len（B[1]）
????A?=?B[:m-1]
????#?print（“輸入A“A）
????r?=?1/math.sqrt（n*（n-1））
????#?print（‘r‘r）
????#?print（A）

????L?=?-22
????alpha?=?1/32
????X_0?=?np.ones（（n?1））/n
????#?print（“x0“X_0）
????#?X_0=np.array（[[0.6220][1/3][0.0447]]）
????Y_ORIGINAL?=?np.dot（np.transpose（c_aim）?X_0）
????#?print（“y00“Y_ORIGINAL）
????FLAG?=?Y_ORIGINAL*math.pow（2?L）??#?這個是教材給的收斂條件用的
????#?print（“FLAG“FLAG）
????Y_each=[]
????X_each=[]
????print（“--------------迭代開始---------------\n“）
????while?1:
????????X_1?=?karmarkar_one_step（X_0?n?A?c_aim?alpha?r）
????????Y_0?=?np.dot（np.transpose（c_aim）?X_0）
????????Y_1?=?np.dot（np.transpose（c_aim）?X_1）

????????assert?Y_1?
????????X_0?=?X_1
????????Y_each.append（Y_1）
????????X_each.append（X_1）
????????print（“當前目標函數值：“?Y_1）

????????bias?=?（Y_0-Y_1）/Y_1

????????if?bias?????????????print（“--------------迭代結束---------------“）
????????????print（“最優近似變量值\n“?X_1?“\n最優近似?karmarkar目標值\n“?Y_1）
????????????break
????????else:
????????????continue
????X_LAST?=?X_1
??