如何在CVXPY中向量化对称矩阵变量以实现线性运算？

直接用CVXPY内置的cp.vec()函数 #

CVXPY自带cp.vec()函数，能直接把矩阵变量按列优先顺序拉成一维向量，完全匹配你的需求。对于你定义的对称矩阵变量X = cp.Variable((size_n, size_n), symmetric=True)，直接调用cp.vec(X)就能得到size_n*size_n × 1的向量，之后正常计算A @ cp.vec(X)并构建目标函数即可：

import cvxpy as cp
import numpy as np

size_n = 3
# 定义对称矩阵变量
X = cp.Variable((size_n, size_n), symmetric=True)
# 示例线性算子A（需保证维度匹配）
A = np.random.rand(5, size_n*size_n)
# 构建最小化目标
objective = cp.Minimize(cp.norm(A @ cp.vec(X)))
# 添加自定义约束（如果需要）
constraints = []
# 求解问题
prob = cp.Problem(objective, constraints)
prob.solve()

针对对称矩阵的性能优化（可选） #

如果你的线性算子A只需要对称矩阵的独立元素（比如上三角/下三角部分），可以用np.triu_indices(size_n)或np.tril_indices(size_n)提取非重复元素，减少变量维度，进一步提升求解效率：

# 提取上三角元素（包含对角线）
triu_idx = np.triu_indices(size_n)
X_triu = X[triu_idx]
# 调整A的维度，只保留对应独立元素的列
A_triu = A[:, np.ravel_multi_index(triu_idx, (size_n, size_n))]
# 构建优化目标
objective = cp.Minimize(cp.norm(A_triu @ X_triu))

不推荐手动加约束的原因 #

手动创建向量变量并添加元素一一对应的约束，会引入size_n*size_n个等式约束，大幅增加优化问题的规模，导致求解速度变慢、内存占用上升。而cp.vec()是直接对矩阵变量的表达式做操作，不会额外引入约束，性能和简洁性都远优于手动约束的方法。

内容的提问来源于stack exchange，提问作者patchouli