CVXPY求解二次型迹最小化遇DCPError，求变量V的正确定义

核心问题原因 #

触发DCPError的两个关键原因：

1. W矩阵不满足对称半正定要求：CVXPY中cp.quad_form(V, W)作为最小化目标时，要求W是对称半正定矩阵——只有这样，二次型V'@W@V才是凸函数，符合DCP规则。如果W不是半正定，目标函数非凸，直接违反约束。
2. 约束维度不匹配：cp.quad_form(V, Q)的输出是2x2矩阵（因为V是6x2，Q是6x6，计算后维度为2x2），但你用了3x3的np.eye(3)做比较，维度无法匹配，这也是潜在问题。

修正后的代码示例 #

import cvxpy as cp
import numpy as np

# 构造对称半正定的W矩阵（示例）
W = np.random.randn(6, 6)
W = W @ W.T  # 保证对称半正定

# 构造Q矩阵（示例，若约束需要凸性，Q也建议半正定）
Q = np.random.randn(6, 6)
Q = Q @ Q.T

V = cp.Variable(shape=(6, 2))

# 目标函数：最小化trace(V'@W@V)
objective = cp.Minimize(cp.trace(cp.quad_form(V, W)))

# 约束修正为2x2单位矩阵，匹配quad_form输出维度
con = cp.quad_form(V, Q)
cons = [con <= np.eye(2)]

prob = cp.Problem(objective, cons)
result = prob.solve()

print("最优目标值:", result)
print("最优V矩阵:\n", V.value)

额外说明 #

• 若你的W矩阵无法构造为半正定，说明原问题不是凸优化问题，CVXPY无法直接求解（它只支持符合DCP规则的凸问题），此时需要重新审视问题定义，或改用非凸优化工具。
• 约束中的Q矩阵如果是半正定的，cp.quad_form(V, Q) <= I是凸约束，符合DCP规则；若Q不定，约束非凸，同样会触发错误。

内容的提问来源于stack exchange，提问作者Manu Dwivedi