带等式约束与上下界的二次规划求解问题：Python求解返回None但Matlab可正常运行

首先，你的问题是典型的**凸二次规划（QP）**问题（因为Q是对角半正定矩阵），Matlab的fmincon能解但Python中solve_qp返回None，大概率是参数格式不匹配、求解器调用错误，或者代码中的小bug导致的。下面一步步拆解问题：

一、先排查代码中的基础错误 #

你的代码里有几个明显的问题，先修正这些才能让求解器正常工作：

1. random.randint用法错误：Python标准库的random.randint只能生成单个整数，要生成数组得用numpy.random.randint。比如：

   M = np.random.randint(200, 300, size=(24,1))
   ppp = np.random.randint(150, 200, size=(24,))
   

2. 上下界构造的维度隐患：你用np.bmat拼接上下界时，第三块的[0.1],0.1*np.ones(22),[0.9]是行方向拼接，转置后虽然能得到列向量，但这种写法容易出错。建议改用np.concatenate更清晰：

   # 构造lb的第三部分：1个0.1 + 22个0.1 + 1个0.9，共24个元素的列向量
   lb_part3 = np.concatenate([[0.1], 0.1*np.ones((22,1)), [0.9]])
   lb = np.concatenate([np.zeros((24,1)), np.zeros((24,1)), lb_part3, np.zeros((24,1))])
   # ub同理
   ub_part3 = np.concatenate([[0.9], 0.9*np.ones((22,1)), [0.9]])
   ub = np.concatenate([max_pch*np.ones((24,1)), max_pdch*np.ones((24,1)), ub_part3, 500*np.ones((24,1))])
   

3. solve_qp的参数格式问题：如果你的solve_qp来自cvxopt，它要求所有输入必须是cvxopt.matrix类型，且向量维度要严格匹配（比如q必须是列向量，而非一维数组）。直接传numpy数组会导致求解器无法解析，返回None。

二、适合你场景的求解器推荐 #

针对你的凸QP问题（带等式约束+上下界，Q稀疏对角），推荐以下几种Python求解器，按易用性和效率排序：

1. CVXPY（最易用，推荐快速验证） #

CVXPY是高层优化建模语言，不需要关心底层求解器的参数格式，只需像写数学公式一样定义问题，它会自动调用合适的求解器（比如OSQP、ECOS等）。

示例代码：

import numpy as np
import cvxpy as cp

# 初始化参数（先修正基础错误）
n = 24
I = np.eye(n)
Z = np.zeros((n,n))
a = 0.012
b = 1.1
gamma1 = 0.9/80
gamma2 = 1.1/80
MM = np.eye(n)
for i in range(n-2):
    MM[i+1,i] = -1
MM[0, n-1] = -1
M = np.random.randint(200, 300, size=(n,1))
max_pch = 30.0
max_pdch = 30.0
ppp = np.random.randint(150, 200, size=(n,))

# 构造Q、C、Aeq、beq、lb、ub
Q = np.block([[a*I, Z, Z, Z],
              [Z, a*I, Z, Z],
              [Z, Z, 1e-5*I, Z],
              [Z, Z, Z, 1e-5*I]])
C = np.concatenate([b*np.ones(n), b*np.ones(n), np.zeros(n), ppp]).reshape(-1,1)
Aeq = np.block([[-I, I, Z, I],
                [-gamma1*I, gamma2*I, MM, Z],
                [Z, Z, Z, Z],
                [Z, Z, Z, Z]])
beq = np.concatenate([M, np.zeros((3*n,1))])

lb_part3 = np.concatenate([[0.1], 0.1*np.ones((n-2,1)), [0.9]])
lb = np.concatenate([np.zeros((n,1)), np.zeros((n,1)), lb_part3, np.zeros((n,1))])
ub_part3 = np.concatenate([[0.9], 0.9*np.ones((n-2,1)), [0.9]])
ub = np.concatenate([max_pch*np.ones((n,1)), max_pdch*np.ones((n,1)), ub_part3, 500*np.ones((n,1))])

# 定义CVXPY变量和问题
x = cp.Variable((4*n, 1))
objective = cp.quad_form(x, Q) + cp.sum(cp.multiply(C, x))
constraints = [
    Aeq @ x == beq,
    lb <= x,
    x <= ub
]
prob = cp.Problem(cp.Minimize(objective), constraints)

# 求解（默认用OSQP，适合稀疏QP）
prob.solve(solver=cp.OSQP)

print("QP solution status:", prob.status)
print("QP solution: x = {}".format(x.value))

2. OSQP（高效，适合大规模稀疏QP） #

OSQP是专门针对稀疏二次规划的求解器，你的Q是对角矩阵（极端稀疏），Aeq也有大量零元素，用OSQP效率会很高。如果不想用CVXPY的高层接口，可以直接调用OSQP：

import numpy as np
import osqp

# （参数构造部分同CVXPY示例，略）

# 转换为OSQP需要的稀疏矩阵格式
Q_sparse = osqp.utils.dense_to_sparse(Q)
Aeq_sparse = osqp.utils.dense_to_sparse(Aeq)

# 创建OSQP求解器实例
solver = osqp.OSQP()
solver.setup(
    P=Q_sparse,
    q=C.flatten(),
    A=Aeq_sparse,
    l=beq.flatten(),  # 等式约束的上下界都是beq
    u=beq.flatten(),
    lb=lb.flatten(),
    ub=ub.flatten(),
    verbose=True  # 可以看求解过程
)

# 求解
res = solver.solve()

print("QP solution status:", res.info.status)
print("QP solution: x = {}".format(res.x))

3. SciPy的minimize（兼容类似fmincon的SQP方法） #

如果你习惯Matlabfmincon的思路，可以用SciPy的scipy.optimize.minimize，选择SLSQP方法（和fmincon的核心算法类似）：

import numpy as np
from scipy.optimize import minimize

# （参数构造部分同CVXPY示例，略）

# 定义目标函数（二次型）
def objective(x):
    return 0.5 * x.T @ Q @ x + C.T @ x  # 注意QP的标准形式通常带0.5，有些求解器需要这个

# 定义等式约束
def eq_constraint(x):
    return Aeq @ x - beq.flatten()

constraints = [{
    'type': 'eq',
    'fun': eq_constraint
}]

# 初始值（随便给一个可行的初始值，或者全零）
x0 = np.zeros(4*n)

# 求解
res = minimize(
    objective,
    x0,
    method='SLSQP',
    bounds=list(zip(lb.flatten(), ub.flatten())),
    constraints=constraints,
    options={'disp': True}
)

print("QP solution status:", res.message)
print("QP solution: x = {}".format(res.x))

三、为什么你的原代码返回None？ #

大概率是以下两个原因：

1. 参数类型不匹配：如果用的是cvxopt.solvers.qp，你直接传入numpy数组而不是cvxopt.matrix，求解器无法正确解析输入，导致求解失败返回None。
2. 初始代码中的random.randint错误：这个错误会直接导致数组生成失败，程序报错，但你说返回None，可能是你实际运行时修改了，但参数维度或类型仍有问题。

用上面推荐的任何一种方法，只要参数构造正确，都能得到和Matlabfmincon类似的结果。

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