含整数变量与平方目标函数的优化问题求解故障及方案咨询

一、修复CVXPY报错的方法 #

报错核心原因是默认的SCIPY求解器不支持混合整数二阶锥规划（MISOCP）——你的平方目标会被CVXPY自动转化为二阶锥约束，加上整数变量后，必须使用支持MISOCP的专用求解器。

1. 更换支持MISOCP的求解器 #

CVXPY兼容SCIP、Gurobi、CPLEX等求解器，其中SCIP是开源免费的，优先推荐：

• 安装SCIP：通过conda执行conda install -c conda-forge scip-python，或pip执行pip install scip-python
• 修改代码调用SCIP求解器：

import cvxpy as cp

a = cp.Variable(integer=True)
b = cp.Variable(integer=True)
c = cp.Variable(integer=True)
d = cp.Variable(integer=True)

objective = cp.Minimize(cp.square(-2*a + 1.5*b + 3*c + 6.5*d - 2000))
constraints = [
    a >= 0, b >= 0, c >= 0, d >= 0,
    a + b <= 3000, c + d <= 2000,
    a + c == 500, b + d == 2000
]

problem = cp.Problem(objective, constraints)
# 指定使用SCIP求解器
problem.solve(solver=cp.SCIP)

print("optimal var", a.value, b.value, c.value, d.value)

2. 等价转化目标函数（可选） #

最小化cp.square(X)等价于最小化abs(X)，而绝对值可以通过线性约束转化为混合整数线性规划（MILP），这样更多开源求解器（如CBC）都能支持：

import cvxpy as cp

a = cp.Variable(integer=True)
b = cp.Variable(integer=True)
c = cp.Variable(integer=True)
d = cp.Variable(integer=True)
t = cp.Variable()  # 辅助变量，代表绝对值

X = -2*a + 1.5*b + 3*c + 6.5*d - 2000
objective = cp.Minimize(t)
constraints = [
    a >= 0, b >= 0, c >= 0, d >= 0,
    a + b <= 3000, c + d <= 2000,
    a + c == 500, b + d == 2000,
    # 绝对值的线性约束：-t ≤ X ≤ t
    X <= t,
    -X <= t,
    t >= 0
]

problem = cp.Problem(objective, constraints)
# 用CBC求解MILP，CVXPY默认支持该开源求解器
problem.solve(solver=cp.CBC)

print("optimal var", a.value, b.value, c.value, d.value)

二、推荐替代Python优化包 #

如果CVXPY的求解器配置过于繁琐，这些工具更适合处理整数+平方/二次目标的优化问题：

1. OR-Tools #

Google开源的优化工具包，内置MILP/MISOCP求解器，安装和使用门槛低：

from ortools.linear_solver import pywraplp

solver = pywraplp.Solver.CreateSolver('SCIP')
if not solver:
    exit()

# 定义整数变量
a = solver.IntVar(0, solver.infinity(), 'a')
b = solver.IntVar(0, solver.infinity(), 'b')
c = solver.IntVar(0, solver.infinity(), 'c')
d = solver.IntVar(0, solver.infinity(), 'd')

# 添加约束
solver.Add(a + b <= 3000)
solver.Add(c + d <= 2000)
solver.Add(a + c == 500)
solver.Add(b + d == 2000)

# 直接定义平方目标
X = -2*a + 1.5*b + 3*c + 6.5*d - 2000
solver.Minimize(X*X)

status = solver.Solve()
if status == pywraplp.Solver.OPTIMAL:
    print("optimal var", a.solution_value(), b.solution_value(), c.solution_value(), d.solution_value())

2. PuLP #

轻量级MILP建模工具，适合快速搭建模型，可通过转化绝对值约束处理平方目标：

from pulp import LpProblem, LpMinimize, LpInteger, LpVariable

# 创建问题实例
prob = LpProblem("Square_Objective_IP", LpMinimize)

# 定义整数变量
a = LpVariable('a', lowBound=0, cat=LpInteger)
b = LpVariable('b', lowBound=0, cat=LpInteger)
c = LpVariable('c', lowBound=0, cat=LpInteger)
d = LpVariable('d', lowBound=0, cat=LpInteger)
t = LpVariable('t', lowBound=0)

# 添加约束
prob += a + b <= 3000
prob += c + d <= 2000
prob += a + c == 500
prob += b + d == 2000

# 转化平方目标为绝对值约束：最小化t，且t ≥ |X|
X = -2*a + 1.5*b + 3*c + 6.5*d - 2000
prob += X <= t
prob += -X <= t
prob += t

# 求解
prob.solve()
print("optimal var", a.varValue, b.varValue, c.varValue, d.varValue)

3. Pyomo #

高度灵活的建模框架，支持多种开源/商业求解器，适合复杂优化场景，可直接定义二次目标并搭配SCIP、Gurobi等求解器处理混合整数二次规划问题。

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