CVXPY中L1范数约束为何不满足DCP规则？如何解决？

问题场景 #

执行cp.norm(weights, 1).is_dcp()返回True，但在优化问题中使用cp.norm(weights, 1) == 1.作为约束时触发DCPError，而替换为cp.sum(weights) == 1.则可正常运行。

测试代码：

import numpy as np
import cvxpy as cp

inputs = np.random.normal(0, 1, (100, 300))
inputs_mean = inputs.mean(axis=1) # shape (features,)
inputs_cov = np.asmatrix(np.cov(inputs)) # shape (features, features)

weights = cp.Variable(len(inputs))
risk = cp.quad_form(weights, inputs_cov)

constraints = [
    # cp.norm(weights, 1) == 1.,
    cp.sum(weights) == 1.,
]
problem = cp.Problem(cp.Minimize(risk), constraints)
problem.solve(verbose=True)
weights.value

替换为L1范数约束后报错：

DCPError: Problem does not follow DCP rules. Specifically:
The following constraints are not DCP:
norm1(var456) == 1.0 , because the following subexpressions are not:
|--  norm1(var456) == 1.0

一、为什么cp.norm(weights,1) ==1.不满足DCP规则？ #

CVXPY的DCP规则对约束有严格要求：

• 不等式约束必须是凸函数 ≤ 凹函数或凹函数 ≥ 凸函数；
• 等式约束必须是两个仿射函数相等。

cp.norm(weights,1)是凸函数，但不是仿射函数（仿射函数要求同时满足凸和凹）；而常数1.0是仿射函数。凸函数 == 仿射函数不符合DCP的等式约束规则——DCP仅允许仿射函数之间的等式成立。

反观cp.sum(weights) ==1.，cp.sum(weights)是仿射函数，所以这个等式约束符合DCP规则。

二、如何排查DCP合规性问题？ #

1. 检查表达式属性：用expr.is_convex()、expr.is_concave()、expr.is_affine()分别验证约束两边的表达式属性：
   • 执行cp.norm(weights,1).is_affine()会返回False，说明它不是仿射函数；
   • 执行(cp.norm(weights,1) ==1.).is_dcp()会直接返回False，确认该约束本身不符合DCP规则。
2. 明确DCP规则边界：记住DCP的核心要求——所有约束都必须符合凸/凹函数的不等式逻辑，等式只能在仿射函数间成立。如果某个约束触发错误，先拆解成子表达式逐一验证属性。

三、实现权重绝对值和为1的替代方案 #

要实现sum(|weights|) =1的约束，需要转换成DCP兼容的形式，常见方案有：

方案1：引入辅助变量拆分绝对值约束 #

通过引入与weights同维度的辅助变量t，用两个不等式约束t >= weights和t >= -weights来表示t_i = |weights_i|，再约束t的和为1。所有约束均符合DCP规则：

import numpy as np
import cvxpy as cp

inputs = np.random.normal(0, 1, (100, 300))
inputs_mean = inputs.mean(axis=1)
inputs_cov = np.asmatrix(np.cov(inputs))

weights = cp.Variable(len(inputs))
t = cp.Variable(len(inputs))  # 辅助变量，t_i >= |weights_i|
risk = cp.quad_form(weights, inputs_cov)

constraints = [
    t >= weights,
    t >= -weights,
    cp.sum(t) == 1.
]
problem = cp.Problem(cp.Minimize(risk), constraints)
problem.solve(verbose=True)
print(weights.value)

方案2：针对非负权重场景简化 #

如果你的问题允许权重非负，那么sum(|weights|)=1等价于sum(weights)=1且weights >=0，直接用这两个约束即可，无需引入辅助变量。

方案3：调整为不等式约束（按需选择） #

如果业务需求可以接受权重的L1范数≤1，那么cp.norm(weights,1) <=1是合法的DCP约束，直接使用即可。但注意这和“等于1”的约束逻辑不同，需根据实际场景判断是否适用。

内容的提问来源于stack exchange，提问作者Maximus