CVXPY构建含可变求和项的优化问题触发DCPError报错求助

问题原因 #

你使用的目标函数项A*x^B/(C+x^B)不符合DCP规则：

• DCP要求最大化的目标必须是凹函数，而该表达式当B>1时是拟凹函数（局部最优等于全局最优，但不满足DCP的严格凹凸性要求），因此CVXPY会抛出DCPError。

解决方案：变量替换法 #

通过变量替换将原函数转化为符合DCP规则的形式：

1. 令y = x^B（因x≥0、B>0，故y≥0），则x = y^(1/B)
2. 原目标函数转化为A*y/(C+y)，该表达式是凹函数（推导：A*y/(C+y) = A*(1 - C/(C+y))，C/(C+y)是凸函数，1减去凸函数为凹函数，乘以正数A后仍为凹函数）
3. 预算约束转化为sum(y^(1/B)) ≤ budget，y^(1/B)（B>1时1/B∈(0,1)）是凹函数，求和后仍为凹函数，凹函数 ≤ 常数属于凸约束，符合DCP规则

修改后的代码 #

def optimize(optimization_granularity, number_scenarios, brands, channels, 
             param_dict, media, budgets):  # 补全原代码漏传的budgets参数
    
    variables = {}
    
    # 为每个品牌创建优化问题
    for brand in brands:
        variables[brand] = {}
        # 定义替换后的变量y（对应原x^B）
        for media_channel in channels[brand]:
                variables[brand][media_channel] = cp.Variable(nonneg=True) 

        # 修正后的约束：sum(x) = sum(y^(1/B)) ≤ 品牌预算
        constraint = [
            cp.sum([
                variables[brand][channel] ** (1/param_dict[brand][channel]['B'])
                for channel in channels[brand]
            ]) <= budgets[brand]
        ]

        # 修正后的目标函数：A*y/(C+y)的求和
        obj = cp.Maximize(
            cp.sum([
                param_dict[brand][channel]['A'] * variables[brand][channel] / 
                (param_dict[brand][channel]['C'] + variables[brand][channel])
                for channel in channels[brand]  # 修正原代码遍历错误
            ])
        )
        
        # 求解
        prob = cp.Problem(obj, constraint)
        prob.solve(solver='ECOS', verbose=True)
        
        # 可选：输出原变量x的最优值
        for channel in channels[brand]:
            x_value = variables[brand][channel].value ** (1/param_dict[brand][channel]['B'])
            print(f"品牌{brand}渠道{channel}的最优x值：{x_value}")

额外注意点 #

• 确保所有参数A、B、C均为正数，这是媒体预算优化场景的常规设定，也是上述变换符合凹凸性的前提
• 原代码中目标函数循环遍历channels而非channels[brand]属于逻辑bug，已在修改后的代码中修正
• 若需要原变量x的最优值，可通过x = y^(1/B)计算得到

内容的提问来源于stack exchange，提问作者taystew0927