基于Scipy的特征值绝对值为1的矩阵优化求解困境与改进

关于Scipy求解不可行的原因 #

1. 约束迭代收敛偏差：虽然Tr(A²)=2和Tr(A⁴)=2对于n=1的2维实对称矩阵是特征值绝对值为1的充要条件，但Scipy的通用优化器（如SLSQP）处理这类非线性约束时，容易出现约束违反：
   • 四次方迹约束是光滑但高度非线性的，优化器的梯度导向可能优先提升目标函数，暂时牺牲约束满足；若约束惩罚权重不足以拉回可行域，最终结果就会违反约束。
   • 迭代步长的调整策略难以兼顾目标函数提升与约束满足，当两者梯度方向冲突时，局部最优解可能落在可行域外。
2. 数值精度积累误差：四次方迹计算涉及矩阵高次幂，数值计算中的精度误差会逐步积累，导致优化器对约束满足的判断出现偏差，最终得到近似违反约束的结果。

更优的约束表示方式 #

1. 直接使用矩阵平方等于单位矩阵 #

对于实对称矩阵，“所有特征值绝对值为1”等价于A²=I（I为同维度单位矩阵）。这个约束更直接，避免了迹约束的间接性。在Scipy中，可将矩阵展平为向量，定义约束函数：重构矩阵A后，返回A @ A - I的所有元素，要求其等于0。

2. 参数化可行域内的矩阵 #

特征值为±1的实对称矩阵可表示为A=UΛU^T，其中U是正交矩阵，Λ是对角元素为±1的对角矩阵。直接参数化正交矩阵和Λ的符号，可将优化限制在可行域内：

• 以n=1的2维矩阵为例，正交矩阵可用单个角度θ参数化：U=[[cosθ, sinθ], [-sinθ, cosθ]]，Λ有4种可能的对角组合，可枚举或作为离散优化变量处理，完全规避约束。

3. 采用半定规划（SDP）工具 #

Tsirelson界问题本身适合用凸优化框架求解，使用CVXPY等工具配合SDP求解器（如MOSEK、SCS），可将“实对称矩阵特征值绝对值为1”转化为A^T A = I且A=A^T的约束，这类工具对矩阵约束的处理远优于Scipy的通用优化器，能更稳定地得到可行解。

内容的提问来源于stack exchange，提问作者qmww987