Python二次规划实现：动态创建可运算变量向量的问题

用SymPy生成可运算的符号变量向量 #

你之前用字符串生成变量的思路行不通，因为字符串无法直接参与矩阵乘法、求导等数学运算。SymPy是Python专门用于符号代数运算的库，完美适配你的需求——它能生成真正的符号变量，直接支持后续的矩阵运算和梯度计算。

生成符号变量向量的代码示例 #

import sympy as sp

def get_symbolic_x(N):
    # 根据维度N生成[x₁, x₂, ..., x_N]的符号向量
    return sp.Matrix([sp.symbols(f'x_{i+1}') for i in range(N)])

这里sp.Matrix会把生成的符号变量包装成矩阵对象，天然支持转置（.T）、矩阵乘法（@）等操作，完全匹配你对x向量的需求。

构建目标函数并计算梯度 #

有了符号变量向量后，直接按公式构建Phi，再通过SymPy的求导方法计算梯度：

def compute_phi_and_gradient(x, c, G):
    # 将输入的c、G转换为SymPy矩阵（支持数值或符号输入）
    c_mat = sp.Matrix(c)
    G_mat = sp.Matrix(G)
    
    # 计算目标函数Phi
    phi = 0.5 * x.T @ G_mat @ x + c_mat.T @ x
    
    # 计算Phi对x每个元素的偏导，得到梯度向量
    gradient = sp.Matrix([phi.diff(var) for var in x])
    
    return phi, gradient

求解最小值点 #

二次规划的最小值点满足梯度为0，也就是解方程 ( Gx + c = 0 )。用SymPy可以直接求解这个线性方程组：

def find_minimizer(x, c, G):
    G_mat = sp.Matrix(G)
    c_mat = sp.Matrix(c)
    
    # 求解Gx + c = 0
    solution = sp.solve(G_mat @ x + c_mat, x)
    
    # 将解转换为向量形式
    minimizer = sp.Matrix([solution[var] for var in x])
    return minimizer

额外说明 #

如果你的最终目标是数值求解而非符号推导，也可以先用SymPy完成代数推导（比如确认梯度表达式），再将公式转换为数值代码。如果直接做数值二次规划，也可以用scipy.optimize.minimize或cvxopt这类库，但你既然要自己实现算法，SymPy的符号运算阶段是绕不开的关键步骤。

内容的提问来源于stack exchange，提问作者Lalaaar