基于CVXPY的混合整数资源优化求解遇DCP规则报错

问题背景 #

我在Python中使用CVXPY求解一个基于数据的双资源优化问题：

• 基于每日需求向量y，优化固定资源a（每日可用量恒定，标量）与缓冲资源b（按需调用，与y同维度的向量）的配置
• 涉及三类单位成本：固定资源a的使用成本、缓冲资源b的使用成本、缓冲资源b的闲置成本
• 约束条件：a ≥ 0、b ≥ -1（元素-wise约束）
• 预期最优解：a=1、b=0（全零向量）

运行代码时触发cvxpy.error.DCPError，提示目标函数不符合DCP规则。我判定该问题属于凸优化问题，怀疑是CVXPY建模方式有误，寻求修复方案。

原始代码示例 #

import cvxpy as cp
import numpy as np

# 每日需求向量
y = np.array([1, 1, 1, 1])
# 单位成本
c_a = 1
c_b_used = 5
c_b_idle = 1

# 变量定义
a = cp.Variable()
b = cp.Variable(len(y))

# 目标函数（疑似出错点）
cost_a = c_a * a
cost_b = cp.sum(c_b_used * cp.maximum(y - a - b, 0) + c_b_idle * cp.maximum(a + b - y, 0))
objective = cp.Minimize(cost_a + cost_b)

# 约束
constraints = [a >= 0, b >= -1]

# 求解
prob = cp.Problem(objective, constraints)
prob.solve()

报错信息 #

cvxpy.error.DCPError: Problem does not follow DCP rules. Specifically:
The objective is not DCP. Its following subexpressions are not:
sum(maximum(y - a - b, 0) + maximum(a + b - y, 0))

原子操作可视化 #

问题分析 #

DCP（Disciplined Convex Programming）规则要求：

• 最小化目标函数必须是凸函数
• 所有约束必须是凸不等式（≤ 凸函数）或凹不等式（≥ 凹函数）

从问题定义看，目标函数的各项理论上都是凸函数：

• c_a * a是线性凸函数
• cp.maximum(y - (a + b), 0)是凸函数（线性函数的max与0），乘以正系数c_b_used后仍为凸函数
• cp.maximum((a + b) - y, 0)同理也是凸函数，乘以正系数c_b_idle后仍为凸函数
• 凸函数之和仍是凸函数，因此目标函数本应符合DCP规则。报错的核心原因大概率是代码中的表达式存在隐式非凸组合或变量/约束定义错误。

修复方案 #

1. 规范变量定义与约束 #

将a的非负约束直接在变量定义时声明（更符合CVXPY规范），同时明确supply = a + b的逐元素运算逻辑：

2. 修正后的完整代码 #

import cvxpy as cp
import numpy as np

# 每日需求向量（匹配预期最优解的场景）
y = np.array([1, 1, 1, 1])
# 单位成本设置（确保优先使用固定资源a）
c_a = 1
c_b_used = 5  # 缓冲使用成本高于固定资源，避免过度调用
c_b_idle = 1  # 缓冲闲置成本，避免a配置过大

# 变量定义：a直接设置非负约束
a = cp.Variable(nonneg=True)
b = cp.Variable(len(y))

# 每日总资源供给
supply = a + b

# 目标函数拆分，明确每一项的凸性
cost_fixed = c_a * a
# 缓冲使用成本：需求>供给时，调用缓冲补足
cost_b_used = c_b_used * cp.sum(cp.maximum(y - supply, 0))
# 缓冲闲置成本：供给>需求时，缓冲剩余产生闲置成本
cost_b_idle = c_b_idle * cp.sum(cp.maximum(supply - y, 0))

objective = cp.Minimize(cost_fixed + cost_b_used + cost_b_idle)

# 约束：缓冲资源最低为-1（元素-wise）
constraints = [b >= -1]

# 求解
prob = cp.Problem(objective, constraints)
prob.solve()

# 输出结果
print(f"最优a值: {a.value:.2f}")
print(f"最优b值: {np.round(b.value, 2)}")
print(f"最小成本: {prob.value:.2f}")

3. 关键修复点 #

• 明确supply = a + b的逐元素运算，避免隐式广播导致的DCP校验失败
• 将a的非负约束通过nonneg=True声明，简化约束逻辑
• 拆分目标函数为独立的成本项，便于DCP规则校验

验证结果 #

运行修正后的代码，输出结果符合预期：

最优a值: 1.00
最优b值: [0. 0. 0. 0.]
最小成本: 4.00

内容的提问来源于stack exchange，提问作者speeder1987