読者です 読者をやめる 読者になる 読者になる

MyEnigma

とあるエンジニアのブログです。#Robotics #Programing #C++ #Python #MATLAB #Vim #Mathematics #Book #Movie #Traveling #Mac #iPhone

Raspberry PiをMacから操作できるようにセットアップする方法

RaspberryPi

目次

  • 目次
  • はじめに
  • OSのインストール
  • 日本語キーボードレイアウトにする
  • vimを入れる
  • IPアドレスを固定する
  • デフォルトユーザpiのパスワードを変更する
  • sshサーバの設定
  • VNCサーバのインストールと起動
    • VNCサーバのセットアップ
    • VNCクライアントのセットアップ
  • 最後に
  • 参考資料

はじめに

ネットを見てたら、

Raspberry Pi 3のセットが、

かなり安くで売っていたので、

つい買ってしまいました。

 

ブームからはかなりズレていますが、

OSをインストールし、

ディスプレイやキーボード, マウスに繋げなくても、

Macから操作できるようにセットアップしたので、

その方法をメモしておきたいと思います。

 

続きを読む

飛行機移動を快適にするためにしていること

Trip

パラダイス山元の飛行機のある暮らし―――年間最多搭乗1022回「ヒコーキの中の人」が贈る空の過ごし方

パラダイス山元の飛行機のある暮らし―――年間最多搭乗1022回「ヒコーキの中の人」が贈る空の過ごし方

目次

 

はじめに

先日、知り合いから

飛行機移動する時ってどんな工夫してる?

と聞かれました。

その時にはあまりすぐに答えられなかったのですが、

その後、落ち着いて考えてみると

約10年前初めて飛行機に乗ってから

色々試行錯誤の結果、

様々な工夫をしていることに気がついたので、

今後同じことを聞かれた時用に、

メモとして残しておきたいと思います。

 

iPadに映画やドラマをダウンロードしておく

自分は機内では、

iPadで映画を見ていることが多いです。

 

使っているiPadはiPad Proの9.7インチです。

9.7インチですと大抵の場合、

充電無しで使い続けることができます。

 

映画を見る時は、手で持つか、

テーブルにアップル公式のカバーを使って固定して見ています。

 

映画や動画のダウンロードは、

以前はDVDをリッピングして、

それをiTunesでiPadに入れて見ていましたが、

最近はAmazon Prime VideoとNetflixのiPadアプリが、

動画のダウンロード&オフライン視聴に対応したので、

事前に映画を大量にダウンロードして、

飛行機の中で見続けています。

Amazonプライム・ビデオ
Amazonプライム・ビデオ
開発元:AMZN Mobile LLC
無料
posted with アプリーチ
Netflix
Netflix
開発元:Netflix, Inc.
無料
posted with アプリーチ

(HuluとYoutubeは早くオフラインダウンロード機能つけて欲しいです。。。)

 

国際線の機内では、前の席のモニターで映画が見れることも多いですが、

解像度が悪かったり、見たい映画が無かったり、

再生時間を選べなかったりなど、色々不満が多いので、

最近はもっぱらiPadで見るようになりました。

 

また、以前は機内でプログラミングなども試してみましたが、

ネットが無いとどうしても効率が上がらなかったので、

止めてしまいました。

 

前から見たかった映画を2,3本見れば、

長い飛行機移動も結構あっという間に過ぎてしまう気がします。

 

ちなみに大量の動画を入れておくので、

iPad Proは120GBのモデルを使っています。

 

iPadに電子書籍をダウンロードしておく

上記の動画に疲れた時は、

iPadで本を読むことも多いです。

大抵はKindleか、

Kindle電子書籍リーダー:人気小説や無料漫画、雑誌も多数
Kindle電子書籍リーダー:人気小説や無料漫画、雑誌も多数
開発元:AMZN Mobile LLC
無料
posted with アプリーチ

事前にダウンロードしたpdfの論文などを

Good Readerで見ています。

 

また、機内は狭いですし、

旅の疲れで集中できないことが多いので、

Kindleの気になる漫画を一気に読んでいることも多いです。

前回の長距離移動では、NARUTOを全巻読破しました。

 

また、新しい場所への旅行の場合は、

機内で地球の歩き方などのガイドブックを

Kindleで読んでいることも多いです。

 

iPadにPodcastをダウンロードしておく

動画や読書に疲れた時は、

iPadでPodcastを事前にダウンロードしておいて、

それを聞いています。

(大抵はそのまま寝てしまいますが笑)

 

Podcastを聞く時は、

iPhoneでも使っている

Overcastというアプリを使っています。

Overcast: Podcast Player

Overcast: Podcast Player

  • Overcast Radio, LLC
  • ニュース
  • 無料

 

BoseのQC20で、飛行機の騒音からの疲労を軽減する

自分は、飛行機の席に座った瞬間から、

飛行機を降りるまで、

下記の記事でも紹介したBoseのQuiet Comport20を使って、

常にノイズキャンセリングをしています。

myenigma.hatenablog.com

 

飛行機は常にエンジンや飛行時の振動音がしていますが、

それを聞き続けているとかなり体と頭が疲労するようです。

自分はこのBoseのQuiet Comport20を使い始めてから、

確かに、飛行機移動の後の疲労が少なくなった気がしています。

 

上記で説明した、映画やPodcastなども

すべてこのQC20でノイズキャンセリングしながら、

音声を聞いています。

 

QC20の詳しい説明は上記の記事を参照下さい。

 

機内食は食べない

自分は、どうしても飛行機の機内食が美味しいと感じられません。。

気圧の問題もあると思いますが、

そもそも食欲もあまりわきませんし、

逆に機内食の匂いで気持ち悪くなってしまいます。

 

そこで、自分はほとんど機内食を食べないようにしています。

食べる時も果物や甘いお菓子のみにしています。

 

そこで、出発前にかならず何かしら食べておきますし、

目的地についた時には、

現地の美味しいものをすぐに食べるようにしています。

 

乾燥と匂い対策用のマスクを準備する

飛行機の中は、

飛行機の機体のメンテナンスの問題で、

かなり湿度を低く保っているようです。

そのせいか、飛行機に長時間のると、

すぐに喉が痛くなってしまいます。

 

また前述の通り、

自分は機内食の匂いがあまり得意ではありません。

そこで、下記のような

加湿機能+匂い機能の2つを有したマスクを必ず付けています。

これを使うことで、

喉の痛みや、風邪を機内でうつされる可能性を軽減できますし、

いい匂いが長時間持続するので、

機内の快適さがかなり向上しました。

 

搭乗前に飲み物を二本買っておく

機内では、ドリンクはCAの人に言えばもらえますが、

ジュースなどはコップに入れてもらう形になるため、

少しずつ飲みたい時などに、

狭い機内では邪魔になります。

 

そこでかならず、

飛行機に乗る前に飲み物を2本、

自分で買うようにしました。

また、できるだけ体力を温存するために、

日本発の時は、ポカリスエットを買っています。

外国発の時は大抵、水とオレンジジュースが多いです。

 

好きな時に好きな量、

飲み物を飲めるのはかなり快適だと思います。

 

長時間の場合はスウェットに着替えておく

飛行機が長時間になる時は、

ジーパンなどを履いていると、

疲れが蓄積する気がしていたので、

最近は、搭乗の寸前に下だけスウェットに着替えています。

これにより飛行機の疲労が軽減されている気がします。

 

また一応、他の人の目もあるので、

あまりダボダボのスウェットではなく、

下記のような、

多少スキニータイプのスウェットを履いています。

最近は家から、スウェットで空港に向かうようになりました笑

 

寝る時はアイマスクをする

となりの人が、

読書灯などを付けて、

仕事をしている可能性もあるので、

必ずアイマスクを準備しています。

 

ちなみに自分の場合、

時差ボケ対策のために、

飛行機に乗った瞬間から、

現地の時間通りに寝るようにしています。

 

トイレでスクワットする

長時間飛行機で座っていると、

体が強張って、ダルくなってきたり、

最悪の場合、エコノミー症候群になったりします。

しかし、体を動かすスペースはあまり無いので、

自分の場合、定期的に飛行機のトイレで

スクワットをしています。

 

参考資料

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

パラダイス山元の飛行機のある暮らし―――年間最多搭乗1022回「ヒコーキの中の人」が贈る空の過ごし方

パラダイス山元の飛行機のある暮らし―――年間最多搭乗1022回「ヒコーキの中の人」が贈る空の過ごし方

シンプルなMPC最適化モデリングの数式導出とPythonサンプルコード

Model Predictive Control: Classical, Robust and Stochastic (Advanced Textbooks in Control and Signal Processing)

Model Predictive Control: Classical, Robust and Stochastic (Advanced Textbooks in Control and Signal Processing)

目次

はじめに

先日、

凸最適化のモデリングツールCVXやCVXPY, CVXGENを紹介しましたが、

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

 

シンプルなモデル予測制御MPCの最適化問題であれば、

モデリングツールを使わずに、MPCの最適化式を

二次凸最適の標準形に変形して、

ソルバーのみで解くことができます。

myenigma.hatenablog.com

 

モデリングツールは、

任意の凸最適化問題を解くことができるので、

最適化問題を設計している段階では便利ですが、

モデリングコードを解析するために計算時間がかかってしまうので、

最適化システムを高速で回したい場合は、

モデリングの部分を自作実装したほうが良いです。

 

そこで、今回は非常にシンプルなMPC最適化問題を、

下記の資料をベースに

数式導出し、Pythonで実装してみましたので紹介したいと思います。

 

シンプルなMPC問題

今回の例では、

下記の標準的なMPC問題を解きたいとします。

f:id:meison_amsl:20170205052109p:plain

x0は初期状態であるとします。

 

また今回の例題では、

下記の安定なシステムである

MPCパラメータを使うことにします。

A = np.matrix([[0.8, 1.0], [0, 0.9]])
B = np.matrix([[-1.0], [2.0]])
(nx, nu) = B.shape
 
N = 10  # number of horizon
Q = np.eye(nx)
R = np.eye(nu)

 

入力制約のみのMPCモデリングの数式導出とPythonサンプルコード

数式導出

まず初めに、

入力制約条件のみのMPCモデリングの数式を導出したいと思います。

入力プロファイルを一つのベクトルとすると、

下記のように、線形方程式で状態ベクトルのプロファイルを計算することができます。

f:id:meison_amsl:20170207063125p:plain

 

そこで、上記の線形方程式の考えから、

上記のMPCの問題は、

下記のような二次凸問題に変形することができます。

f:id:meison_amsl:20170207063349p:plain

 

上記の式において、入力制約を追加しない場合は、

MPCの制約無しの解となります。

入力の最大値や最小値などの、

入力制約を入れたい場合は、

下記の式のようなに二次凸最適化の不等式制約を入れることで、

入力値の制約条件を追加することができます。

f:id:meison_amsl:20170207072420p:plain

f:id:meison_amsl:20170207072427p:plain

f:id:meison_amsl:20170207072438p:plain

 

Pythonコード

上記の数式をPythonのnumpyで実装したのが、

下記のコードになります。

それぞれのMPCパラメータと、

入力制約(オプション)を入力すると、

最適なMPCの状態プロファイルと、

入力プロファイルを計算してくれます。

 

def opt_mpc_with_input_const(A, B, N, Q, R, P, x0, umax=None, umin=None):
    """
    optimize model predictive control only with input constraints
    (if you want to solve a problem with state constraints, you can use opt_mpc_with_state_const())
    return
        x: state
        u: input
    """
    (nx, nu) = B.shape

    # calc AA
    Ai = A
    AA = Ai
    for i in range(2, N + 1):
        Ai = A * Ai
        AA = np.vstack((AA, Ai))

    # calc BB
    AiB = B
    BB = np.kron(np.eye(N), AiB)
    for i in range(1, N):
        AiB = A * AiB
        BB += np.kron(np.diag(np.ones(N - i), -i), AiB)

    RR = np.kron(np.eye(N), R)
    QQ = scipy.linalg.block_diag(np.kron(np.eye(N - 1), Q), P)

    H = (BB.T * QQ * BB + RR)

    gx0 = BB.T * QQ * AA * x0
    P = matrix(H)
    q = matrix(gx0)

    if umax is None and umin is None:
        sol = cvxopt.solvers.qp(P, q)
    else:
        G = np.zeros((0, nu * N))
        h = np.zeros((0, 1))

        if umax is not None:
            tG = np.eye(N * nu)
            th = np.kron(np.ones((N * nu, 1)), umax)
            G = np.vstack([G, tG])
            h = np.vstack([h, th])

        if umin is not None:
            tG = np.eye(N * nu) * -1.0
            th = np.kron(np.ones((N * nu, 1)), umin * -1.0)
            G = np.vstack([G, tG])
            h = np.vstack([h, th])

        G = matrix(G)
        h = matrix(h)

        sol = cvxopt.solvers.qp(P, q, G, h)

    u = np.matrix(sol["x"])

    # recover x
    xx = AA * x0 + BB * u
    x = np.vstack((x0.T, xx.reshape(N, nx)))

    return x, u

 

凸二次ソルバーとしては、

以前紹介したcvxoptを使いました。

myenigma.hatenablog.com

 

下記はモデリングツールcvxpyを使って、

MPCを解いた場合と、

上記の関数を使った場合の結果です。

 

下記のシミュレーションでは、

下記の入力制約を追加しています。

f:id:meison_amsl:20170207081844p:plain

 

両方の出力で同じ結果が得られていることがわかります。

f:id:meison_amsl:20170207073417p:plain

 

状態・入力制約を含んだMPCモデリングの数式導出とPythonサンプルコード

数式導出

前述の方法だと、入力制約は追加できますが、

状態制約が付けられないので、

別の方法で数式導出する必要があります。

 

まず初めに入力プロファイルと状態プロファイルを一つのベクトルZにまとめた場合、

下記の二次凸最適化の標準形に変形することができます。

f:id:meison_amsl:20170207075337p:plain

f:id:meison_amsl:20170207075705p:plain

 

入力制約と、状態制約は先程と同じように、

不等式制約とすることで、計算することができます。

f:id:meison_amsl:20170207072420p:plain

f:id:meison_amsl:20170207080959p:plain

f:id:meison_amsl:20170207080207p:plain

 

Pythonコード

上記の数式をPythonのnumpyで実装したのが、

下記のコードにです。

 

それぞれのMPCパラメータと、

入力制約, 状態制約(それぞれオプション)を入力すると、

最適なMPCの状態プロファイルと、

入力プロファイルを計算してくれます。

 

def opt_mpc_with_state_constr(A, B, N, Q, R, P, x0, xmin=None, xmax=None, umax=None, umin=None):
    """
    optimize MPC problem with state and (or) input constraints

    return
        x: state
        u: input
    """
    (nx, nu) = B.shape

    H = scipy.linalg.block_diag(np.kron(np.eye(N), R), np.kron(np.eye(N - 1), Q), np.eye(P.shape[0]))

    # calc Ae
    Aeu = np.kron(np.eye(N), -B)
    Aex = scipy.linalg.block_diag(np.eye((N - 1) * nx), P)
    Aex -= np.kron(np.diag([1.0] * (N - 1), k=-1), A)
    Ae = np.hstack((Aeu, Aex))

    # calc be
    be = np.vstack((A, np.zeros(((N - 1) * nx, nx)))) * x0
    #  print(be)

    # === optimization ===
    P = matrix(H)
    q = matrix(np.zeros((N * nx + N * nu, 1)))
    A = matrix(Ae)
    b = matrix(be)

    if umax is None and umin is None:
        sol = cvxopt.solvers.qp(P, q, A=A, b=b)
    else:
        G, h = generate_inequalities_constraints_mat(N, nx, nu, xmin, xmax, umin, umax)

        G = matrix(G)
        h = matrix(h)

        sol = cvxopt.solvers.qp(P, q, G, h, A=A, b=b)

    fx = np.matrix(sol["x"])

    u = fx[0:N * nu].reshape(N, nu).T

    x = fx[-N * nx:].reshape(N, nx).T
    x = np.hstack((x0, x))

    return x, u

def generate_inequalities_constraints_mat(N, nx, nu, xmin, xmax, umin, umax):
    """
    generate matrices of inequalities constrints

    return G, h
    """
    G = np.zeros((0, (nx + nu) * N))
    h = np.zeros((0, 1))
    if umax is not None:
        tG = np.hstack([np.eye(N * nu), np.zeros((N * nu, nx * N))])
        th = np.kron(np.ones((N * nu, 1)), umax)
        G = np.vstack([G, tG])
        h = np.vstack([h, th])

    if umin is not None:
        tG = np.hstack([np.eye(N * nu) * -1.0, np.zeros((N * nu, nx * N))])
        th = np.kron(np.ones((N, 1)), umin * -1.0)
        G = np.vstack([G, tG])
        h = np.vstack([h, th])

    if xmax is not None:
        tG = np.hstack([np.zeros((N * nx, nu * N)), np.eye(N * nx)])
        th = np.kron(np.ones((N, 1)), xmax)
        G = np.vstack([G, tG])
        h = np.vstack([h, th])

    if xmin is not None:
        tG = np.hstack([np.zeros((N * nx, nu * N)), np.eye(N * nx) * -1.0])
        th = np.kron(np.ones((N, 1)), xmin * -1.0)
        G = np.vstack([G, tG])
        h = np.vstack([h, th])

    return G, h

 

下記のグラフはcvxpyを使って、計算した結果の比較です。

下記のシミュレーションでは、

下記の入力制約と状態制約を追加しています。

f:id:meison_amsl:20170207081754p:plain

 

モデリングツールを使った結果と

同じ結果が得られていることがわかります。

f:id:meison_amsl:20170207081429p:plain

 

MPCのTrackingサンプルコード

上記のMPCのコードは、

すべて状態を0にするように制御する

いわゆるRegulatorのコードでしたが、

ある目標値に状態値を近づけるように制御する

いわゆるMPC Tracking の方法を紹介したいと思います。

数式の導出

Trackingの数式の導出に関しては、

下記の書籍の2章と3章を参考にして下さい。

モデル予測制御―制約のもとでの最適制御

モデル予測制御―制約のもとでの最適制御

Predictive Control with Constraints

Predictive Control with Constraints

Python サンプルコード

"""
MPC tracking sample code
author: Atsushi Sakai
"""

import numpy as np
import matplotlib.pyplot as plt
import scipy.linalg

from cvxopt import matrix
import cvxopt

DEBUG_ = False

def get_mat_psi(A, N):
    psi = np.matrix(np.zeros((0, A.shape[1])))

    for i in range(1, N + 1):
        psi = np.vstack((psi, A ** i))

    return psi


def get_mat_gamma(A, B, N):
    (nx, nu) = B.shape
    gamma = np.zeros((nx, nu)) + B

    for i in range(1, N):
        tmat = (A ** i) * B + gamma[-nx:, :]
        gamma = np.vstack((gamma, tmat))

    return gamma


def get_mat_theta(A, B, N):
    AiB = B
    (nx, nu) = B.shape
    theta = np.kron(np.eye(N), AiB)

    tmat = np.zeros((nx, 0))

    for i in range(1, N):
        t = np.zeros((nx, nu)) + B
        for ii in range(1, i + 1):
            t += (A ** ii) * B
        tmat = np.hstack((t, tmat))

    for i in range(1, N):
        theta[i * nx:(i + 1) * nx, :i] += tmat[:, -i:]

    return theta


def model_predictive_control(A, B, N, Q, R, T, x0, u0):

    (nx, nu) = B.shape

    du = np.matrix([0.0] * N).T

    psi = get_mat_psi(A, N)
    gamma = get_mat_gamma(A, B, N)
    theta = get_mat_theta(A, B, N)

    QQ = scipy.linalg.block_diag(np.kron(np.eye(N), Q))
    RR = scipy.linalg.block_diag(np.kron(np.eye(N), R))

    H = theta.T * QQ * theta + RR
    g = - theta.T * QQ * (T - psi * x0 - gamma * u0)

    P = matrix(H)
    q = matrix(g)
    sol = cvxopt.solvers.qp(P, q)
    du = np.matrix(sol["x"])

    fx = psi * x0 + gamma * u0 + theta * du

    ffx = fx.reshape(N, nx)
    ffx = np.vstack((x0.T, ffx))

    u = np.cumsum(du).T + u0

    return ffx, u

def test1():
    print("start!!")
    A = np.matrix([[0.8, 1.0], [0, 0.9]])
    B = np.matrix([[-1.0], [2.0]])
    (nx, nu) = B.shape

    N = 50  # number of horizon
    Q = np.diag([1.0, 1.0])
    R = np.eye(nu)

    x0 = np.matrix([2.0, 1.0]).T
    u0 = np.matrix([0.0])

    T = np.matrix([1.0, 0.25] * N).T

    x, u = model_predictive_control(A, B, N, Q, R, T, x0, u0)

    # test
    tx = x0
    rx = x0
    for iu in u[:, 0]:
        tx = A * tx + B * iu
        rx = np.hstack((rx, tx))

    if DEBUG_:
        plt.plot(x[:, 0])
        plt.plot(x[:, 1])
        plt.plot(u[:, 0])
        plt.grid(True)
        plt.plot(rx[0, :].T, "xr")
        plt.plot(rx[1, :].T, "xb")

        plt.show()

    for ii in range(len(x[0, :]) + 1):
        for (i, j) in zip(rx[ii, :].T, x[:, ii]):
            assert (i - j) <= 0.0001, "Error" + str(i) + "," + str(j)

    target = T.reshape(N, nx)
    for ii in range(len(x[0, :]) + 1):
        assert abs(x[-1, ii] - target[-1, ii]) <= 0.3, "Error"

 

上記のコードを実行すると、

下記のようにMPCで目標値に追従させる

入力プロファイルを計算することができます。

f:id:meison_amsl:20170217055226p:plain

 

すべてのPythonサンプルコード

すべてのPythonサンプルコードは、

下記のGithubリポジトリで公開しています

github.com

 

参考資料

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

Model Predictive Control: Classical, Robust and Stochastic (Advanced Textbooks in Control and Signal Processing)

Model Predictive Control: Classical, Robust and Stochastic (Advanced Textbooks in Control and Signal Processing)

『優秀なエンジニアになる方法』を読んで

Book

スゴ腕のエンジニアになる ─ITエンジニアの“今

スゴ腕のエンジニアになる ─ITエンジニアの“今"と“これから"

目次

はじめに

下記の『優秀なエンジニアになる方法』という

電気情報通信学会誌を読みました。

 

色々、自分が出来ていなくて

心が痛い内容が多かったので、

戒めのためにいくつかの内容を参照しておきます。

 

優秀な自発性

  • 本来の仕事をこなしながら、それ以外の仕事を探すこと (ライがパソコンのソフトウェアをインストールしたように)

  • 同僚のためまたは組織のため、手伝ってあげること (ライが同僚のプログラムを直すために手伝ってあげたように)

  • だれの責任でもない、突然表れる仕事を自分から進んでやり、立派にこなすこと

  • プロジェクトを始めたら、実現するまで根気よくやり遂げること (ライが残業をして新しいソフトウェアをイン ストールしたように)

 

適切な発表

普通のエンジニアがよく失敗するのは、

ただ情報を伝える ことだけを考えて、

その後の反響をまでも考えた

メッセージ の伝達ができないことである。

聴衆が変っても発表のやり方 を変えようとしない

 

正しい仕え方

優秀なエンジニアはもっと有利な仕え方を早くから覚える。

それは良い右腕になることである。

つまり自分で点を取 るより、アシストをする方が重要なことが多い。

組織やリーダーを成功させるように手伝いながら、

やるべき事とそのや り方について独立的で、かつ鋭い判断力を発揮する。

 

参考資料

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

myenigma.hatenablog.com

最適化問題における双対問題とは?

optimization

経済数学入門16:線型計画法(双対性)

経済数学入門16:線型計画法(双対性)

目次

  • 目次
  • はじめに
  • 双対問題とは?
  • なぜ双対問題を考えるのか?
  • 非線形問題における双対問題
  • 線形計画法の双対問題を導出してくれるPythonライブラリdual
  • 様々な最適化問題の双対問題まとめ
    • 線形計画問題 1
    • 線形計画問題 2
    • Second-order cone programming
  • より詳しい双対問題の説明を知りたい人は
  • 参考資料

はじめに

最適化問題を勉強していると、

双対問題[そうついもんだい] (dual problem)という言葉が出てきます。

 

実は最近の凸最適化のソルバーなどが、

高速に問題を解けるようになったのは、

この双対問題という考えを使うことにより、

実現していることが多いようです。

 

今回、この双対問題の概要と、

なぜ双対問題を考えると、

最適化を解きやすくなるのかを

紹介したいと思います。

 

続きを読む

アメリカの運転免許をレンタカーで取得するまでの注意点とおおまかな流れ

America

海外に飛び出す前に知っておきたかったこと

海外に飛び出す前に知っておきたかったこと

  • 作者: 小林慎和
  • 出版社/メーカー: ディスカヴァー・トゥエンティワン
  • 発売日: 2016/05/14
  • メディア: 単行本(ソフトカバー)
  • この商品を含むブログを見る

目次

  • 目次
  • はじめに
  • アメリカの運転免許の取得フロー
  • 筆記試験
    • 筆記試験の必要なもの
    • 筆記試験の流れ
      • 1. アポイントを入れたDMVに行き、アポイント有りの人用の受付に並ぶ
      • 2 受付でアポイントがある旨を伝えると免許の申請書(DL44)がもらえるので記入する
      • 3 受付の人に記入用紙を手渡す。そうすると番号札がもらえるので呼ばれるまで待つ
      • 4 呼ばれる際には、番号と一緒に窓口も指定されるので、その窓口に向かう。
      • 5 窓口では、パスポートの確認などが行われた後、視力検査が行われる。
      • 6 別のブースで免許証用の写真撮影が行われる。
      • 7 筆記試験を行う場所に移動する。
      • 8 結果を担当者に渡す
      • 9 筆記試験に合格後、その場で仮免許証を受け取る
    • 筆記試験勉強用資料
    • アメリカ特有の運転ルール
      • 赤信号でも右折できる
      • 路肩の色
      • 速度制限
      • Carpool or HOV〔High Occupancy Vehicle〕Lane
  • 実車試験(behind-the-wheel driving test)
    • 実車試験の予約
    • 実技試験に必要なもの
    • レンタカーで実車試験を受ける
    • 実車試験当日の流れ
      • 1 DMVに到着したら、アポイント有り用の受付に並ばずに、直接実技試験の窓口に行く
      • 2 窓口でアポイントがある旨を伝えると、仮免許証や同乗者の運転免許証などの確認がある。
      • 3 DMV玄関前の実技試験の列に車で並ぶ
      • 4 順番がきたら試験官に書類を手渡す
      • 5 試験官の指示に従い、車の正常動作確認のための操作をします。
      • 6 路上で実技試験を行う
      • 7. 試験が終了したらDMVに戻ってきて、その場で合否を試験官から伝えられる。
  • 最後に
  • 参考資料

はじめに

アメリカは車社会と言われますが、

最近は、UberやRiftなどのタクシー配車サービスや、

myenigma.hatenablog.com

Zipcarや

www.zipcar.ca

car2goなどのカーシェアリングを使うと、

car2go US

場所によっては意外と、自家用車を持たずに生活できます。

 

しかし、国際免許は1年で切れてしまいますし、

また結構大きくて邪魔なので、

カーシェアリングを使うために

アメリカの免許を取っておくと便利です。

myenigma.hatenablog.com

 

そこで実際にレンタカーを使って

アメリカの運転免許をとってみたので、

その手法をメモしておきたいと思います。

 

続きを読む

等式制約下の凸二次計画法をソルバーを使わずにPythonで解いてみた

optimization Python

あたらしい数理最適化: Python言語とGurobiで解く

あたらしい数理最適化: Python言語とGurobiで解く

  • 作者: 久保幹雄,ペドロソジョア・ペドロ,村松正和,レイスアブドル
  • 出版社/メーカー: 近代科学社
  • 発売日: 2016/09/06
  • メディア: Kindle版
  • この商品を含むブログを見る

目次

  • 目次
  • はじめに
  • 等式制約下の凸二次計画法の数学的解法
  • Pythonサンプルコード
  • 参考資料

はじめに

先日、凸最適化の概要を紹介しましたが、

myenigma.hatenablog.com

一般的にこの凸最適化を解くためには、

既存のソルバーと呼ばれるライブラリを使うことが一般的です。

 

Pythonでは以前紹介したcvxoptというソルバーが有名です。

myenigma.hatenablog.com

 

しかし、別の言語で最適化システムを実装したいときなど、

このソルバーを使わずに凸最適問題を解きたい時もあります。

 

そこで、まず手始めに、

等式制約条件のみの凸二次計画法

(不等式制約は無し)

の解法を数学的に導出し、

それを元にPythonでソルバーを使わずに

凸二次最適化を解くサンプルコードを

作成したので紹介したいと思います。

 

続きを読む

Cコンパイラを知るための基礎知識まとめ

Programming

ふつうのコンパイラをつくろう 言語処理系をつくりながら学ぶコンパイルと実行環境の仕組み

ふつうのコンパイラをつくろう 言語処理系をつくりながら学ぶコンパイルと実行環境の仕組み

目次

  • 目次
  • はじめに
  • 抽象構文木 (Abstract Syntax Tree: AST)
  • アセンブラ(アセンブリ言語)とは?
  • 代表的なアセンブラ命令(ニーモニック)
    • MOV
  • 参考資料

はじめに

コンピューターの基礎的な知識を得たいと思い、

シンプルなC言語コンパイラとして有名な8ccを写経しながら、

Cコンパイラの勉強をしています。

github.com

 

元々、情報系出身じゃないので、

色々知らない知識が出てきたので、

メモとして残しておきたいと思います。

 

続きを読む

凸二次計画法を高速に解くc言語ソルバーを自動生成できるCVXGENの使い方

optimization

離散凸解析と最適化アルゴリズム (数理工学ライブラリー)

離散凸解析と最適化アルゴリズム (数理工学ライブラリー)

 

目次

  • 目次
  • はじめに
  • CVXGENとは?
  • CVXGENの特徴1: ライブラリフリーのcソルバーを自動生成できる
  • CVXGENの特徴2: 非常に高速なソルバーを生成できる
  • CVXGENの制約事項
  • CVXGENのライセンス
  • CVXGENの使い方
    • コメント
    • 各タグの意味
    • Parametersで使うことができる属性
  • C言語ソルバーの使い方
    • コードの実行方法
    • 最適化のデータ
    • ZERO_LIBRARY_MODE
    • 最適化の収束判定
  • 参考資料

はじめに

先日、凸最適化のモデリングツールとして、

MATLAB製のCVXや

myenigma.hatenablog.com

Python製のCVXPYを紹介しましたが、

myenigma.hatenablog.com

実際にロボットの制御などで凸最適化を利用したい場合、

高速に実行できるように、

C++などに最適化のコードを移植する必要があります。

しかし、モデリングの過程や、

ソルバーの中身はかなりブラックボックスなので、

移植は大変です。

 

そこで、モデリングツールでありながら、

モデリングした対象を実行するc言語ソフトを自動生成する

CVXGENというツールを使ってみたので

その時の使い方をメモしておきたいと思います。

 

続きを読む

Jenkinsで個人コードの自動テスト環境を作る方法

Programming

改訂新版Jenkins実践入門 ――ビルド・テスト・デプロイを自動化する技術 (WEB+DB PRESS plus)

改訂新版Jenkins実践入門 ――ビルド・テスト・デプロイを自動化する技術 (WEB+DB PRESS plus)

  • 作者: 佐藤聖規,和田貴久,河村雅人,米沢弘樹,山岸啓,川口耕介
  • 出版社/メーカー: 技術評論社
  • 発売日: 2015/06/10
  • メディア: 単行本(ソフトカバー)
  • この商品を含むブログ (3件) を見る

目次

  • 目次
  • はじめに
  • Jenkinsとは?
  • Jenkinsのインストール
    • Mac
  • 同じPC上のソフトの自動テスト環境の作り方
    • 1. Jenkins上で新規ジョブを登録する
      • 古いビルドを破棄する
      • gitリポジトリの設定
      • SCMのポーリングをオン
      • テストスクリプトの設定
      • E-Mail通知の設定
    • 2. gitのhookで下記のjenkinsのURLを叩くようにする
  • Pythonでテスト環境を作る時の注意点
    • ライブラリへのパスが通らない時
  • Jenkinsからメールを送る設定
  • Jenkinsにログイン出来なくなった時
  • 参考資料

はじめに

以前、

C++とPythonのテストコードの書き方の概要を紹介しましたが、

myenigma.hatenablog.com

myenigma.hatenablog.com

ちゃんと定期的にテストを実行しないと、

結局、気づいた時には通らないテストだらけになり、

放置された状態になってしまいます。

 

そこでやはり利用したいのが、

自動テストシステムですが、

すべてのコードを公開するわけではないので、

Travis CIやCircle CIなどの外部サーバのシステムはすこし使いづらいです。

 

そこで、オンプレにインストールできる

Continuous Integration(CI)ソフトとして有名な

Jenkinsを自分のMacに入れて、

自動テストするように設定しました。

 

その時の設定方法をメモとして残しておきます。

続きを読む