如何避免CVXPY优化100×100矩阵部分元素L1范数时出现NaN？

针对100×100矩阵部分元素L1范数最小化时求解返回NaN的问题，结合全元素L1优化正常的现象，给出以下实用解决思路：

1. 更换更鲁棒的求解器 #

ECOS在处理大规模或特殊结构的锥优化问题时，数值稳定性可能不足。推荐换用SCS或OSQP，二者对大规模问题的适配性更好：

# 使用SCS求解（适合大规模锥优化，鲁棒性强）
result = prob.solve(solver=cvxpy.SCS, verbose=True, max_iters=10000)
# 或使用OSQP（适合带线性约束的问题，效率高）
result = prob.solve(solver=cvxpy.OSQP, verbose=True)

SCS基于交替方向乘子法(ADMM)，对大规模问题的数值鲁棒性优于ECOS；OSQP在处理线性约束类问题时，稳定性和计算效率表现突出。

2. 优化目标函数的构造方式 #

当前使用cvx.multiply(zero_inds, vx)筛选元素的方式，可能引入不必要的数值耦合。直接通过索引选取目标元素，能简化问题结构：

# 先获取需要最小化的元素索引
selected_idx = np.where(zero_inds == 1)[0]
# 直接对选中元素取L1范数
objective = cvxpy.Minimize(cvxpy.norm(vx[selected_idx], 1))

这种方式避免了逐元素相乘的冗余操作，让CVXPY生成更简洁的问题表达式，降低求解器的数值计算负担。

3. 确保zero_inds的数值准确性 #

检查zero_inds是否为严格的0-1向量，避免因浮点误差产生的微小非零值（如1e-16量级的数）——这类微小值会让求解器误判目标元素，引发数值不稳定：

# 强制将zero_inds转为严格的0-1浮点向量
zero_inds = np.array(zero_inds > 0.5, dtype=np.float64)

4. 对约束进行数值缩放 #

如果约束矩阵A的元素量级差异过大，会导致求解器数值计算出现溢出或精度损失。可对A和b进行缩放，让每行的L2范数接近1：

# 计算每行的L2范数
row_norms = np.linalg.norm(A, axis=1)
# 避免除以0（若存在全0行，需先验证约束合理性）
row_norms[row_norms == 0] = 1.0
# 缩放约束矩阵和向量
A_scaled = A / row_norms[:, np.newaxis]
b_scaled = b / row_norms
# 更新约束
constraints = [A_scaled @ vx == b_scaled]

缩放后能让求解器的数值计算更稳定，减少NaN出现的概率。

5. 尝试添加微小松弛项（调试用） #

若以上方法无效，可给约束添加微小松弛，验证是否因约束过于严格导致数值崩溃：

eps = 1e-6
constraints = [A@vx >= b - eps, A@vx <= b + eps]

如果添加松弛后能得到有效解，说明原约束的数值条件较差，需进一步优化约束矩阵的构造或缩放策略。

内容的提问来源于stack exchange，提问作者xu_pi