使用CVXPY求解二次规划遇ArpackNoConvergence及AssertionError求助

尝试用Python的CVXPY库求解带L1正则的二次规划问题时持续报错，代码如下：

p = lasso.p # 数值类型
Sigma_opt = lasso.Sigma_opt # 形状为(p,p)的半正定矩阵
rho_pair = lasso.rho_pair # 形状为(p,)的向量
mu = lasso.mu # 正标量

def solve_2nd_problem(p, Sigma_opt, rho_pair, mu):
  beta = cp.Variable(p) # 待优化变量
  obj = cp.Minimize(0.5 * cp.quad_form(beta, Sigma_opt) - rho_pair.T @ beta + mu * cp.norm1(beta)) # 最小化目标函数
  constraints = [] # 约束条件

  # 求解优化问题
  prob = cp.Problem(obj, constraints)
  prob.solve()

  return beta.value

beta_opt = solve_2nd_problem(p, Sigma_opt, rho_pair, mu)

最初报错信息：

ArpackNoConvergence: ARPACK error -1: No convergence (11281 iterations, 0/1 eigenvectors converged) [ARPACK error -14: ZNAUPD did not find any eigenvalues to sufficient accuracy.]

尝试用cp.psd_wrap(Sigma_opt)替换原矩阵，并设置cp.settings.EIGVAL_TOL = 1e-06后，出现AssertionError。

已确认Sigma_opt是正定对称矩阵（np.all(np.linalg.eigvals(Sigma_opt) > 0)和(Sigma_opt.T == Sigma_opt).all()均返回True），维度为(946,946)，rho_pair维度为(946,)。

• 指定适配的求解器：CVXPY默认求解器在处理大规模正定矩阵时易出现收敛问题，建议切换到ECOS或OSQP——这两个求解器对L1正则二次规划的兼容性更强。修改求解代码：

  # 使用ECOS求解器
  prob.solve(solver=cp.ECOS)
  # 或使用OSQP，可调整最大迭代次数
  prob.solve(solver=cp.OSQP, max_iter=100000)
  

• 修正矩阵数值精度问题：尽管已确认矩阵正定，但浮点误差可能导致极小的负特征值，手动添加小扰动确保严格正定：

  epsilon = 1e-8
  Sigma_reg = Sigma_opt + epsilon * np.eye(p)
  

  之后在目标函数中用Sigma_reg替代原Sigma_opt，规避CVXPY的正定性校验报错。

• 精准设置特征值校验阈值：不要修改全局cp.settings.EIGVAL_TOL，而是在二次型构造或求解时局部指定：

  # 在quad_form中指定阈值
  obj = cp.Minimize(0.5 * cp.quad_form(beta, Sigma_opt, eigval_tol=1e-6) - rho_pair.T @ beta + mu * cp.norm1(beta))
  # 或在求解时传递参数
  prob.solve(eigval_tol=1e-6)
  

• 预处理矩阵降低计算负担：对正则化后的矩阵做Cholesky分解，将二次型转换为范数形式，减少求解器计算压力：

  L = np.linalg.cholesky(Sigma_reg)
  obj = cp.Minimize(0.5 * cp.norm(L @ beta, 2)**2 - rho_pair.T @ beta + mu * cp.norm1(beta))
  

内容的提问来源于stack exchange，提问作者Noomkwah