如何用CVXPY的DQCP解决向量变量的乘积和优化问题？

核心原因 #

单个正变量的乘积属于DQCP允许的双线性项（可表示为凸/凹函数的单调组合），但多个双线性项的和既不是凸函数也不是凹函数，无法满足DQCP的表达式规则，因此断言失败。

可行解决思路 #

1. 重构为DGP问题 #

DGP（几何规划）天然支持正变量的乘积和（每个x_i * y_i是单项式，单项式的正线性组合属于DGP合法表达式）。如果你的整体优化问题（目标+约束）能适配DGP规则，这是最直接的方案：

• 确保所有变量声明为pos=True
• 目标函数和约束仅使用DGP允许的操作：乘积、除法、幂运算、正系数的和/差等
• 求解时启用DGP模式

示例代码：

import cvxpy as cp

x = cp.Variable(2, pos=True)
y = cp.Variable(2, pos=True)

# 示例约束：正变量的线性约束（DGP兼容）
constraints = [cp.sum(x) + cp.sum(y) <= 5, x >= 0.5, y >= 0.5]
# 目标：最小化向量乘积和
objective = cp.Minimize(cp.sum(cp.multiply(x, y)))

prob = cp.Problem(objective, constraints)
prob.solve(gp=True)  # 启用DGP求解模式

print(f"x最优值: {x.value}")
print(f"y最优值: {y.value}")
print(f"目标值: {prob.value}")

2. 转化为二阶锥规划（SOCP） #

若DGP不适用（比如约束包含非对数凸形式），可通过变量替换将双线性项转化为凸约束：

• 对于最大化sum(x_i y_i)的场景，利用AM-GM不等式松弛：x_i y_i ≤ (x_i² + y_i²)/2，将原目标替换为sum((x_i² + y_i²)/2)，转化为凸优化问题（平方和是凸函数）
• 对于最小化场景，可引入辅助变量结合二阶锥约束，将双线性项转化为标准SOCP形式，不过这种方法仅适用于特定约束下的问题。

3. 使用非线性求解器直接求解非凸问题 #

如果问题本质是非凸且无有效凸松弛，可跳过DQCP/DGP，直接使用CVXPY支持的非线性求解器（如IPOPT）：

import cvxpy as cp

x = cp.Variable(2, pos=True)
y = cp.Variable(2, pos=True)

constraints = [x >= 1, y >= 1, cp.sum(x) <= 3]
objective = cp.Minimize(cp.sum(cp.multiply(x, y)))

prob = cp.Problem(objective, constraints)
# 使用IPOPT求解非凸问题，注意可能陷入局部最优
prob.solve(solver=cp.IPOPT, max_iter=1000)

print(f"x最优值: {x.value}")
print(f"y最优值: {y.value}")
print(f"目标值: {prob.value}")

注意：非凸优化无法保证全局最优，建议尝试多组变量初始值或验证解的合理性。

4. 重新审视问题结构 #

如果你的问题中sum(x_i y_i)是作为某个单调函数的输入（比如最大化log(sum(x_i y_i))），可尝试将表达式拆分为DQCP允许的单调组合：例如log(sum(x_i y_i))是凹函数（因为sum(x_i y_i)为正，log是单调递增的凹函数，凹函数的单调递增凹组合仍为凹函数），此时可纳入DQCP框架。

内容的提问来源于stack exchange，提问作者rawiron5