如何在CVXPY中设置Toeplitz矩阵约束？

要在CVXPY中高效构造带对称/半正定约束的Toeplitz矩阵，核心是利用Toeplitz矩阵的结构特性——n阶Toeplitz矩阵仅由n个独立元素（第一行/列的元素）决定，无需直接定义n×n的矩阵变量。通过向量变量+符号化索引构造的方式，既能保证矩阵结构，又能大幅降低优化问题的维度，提升求解效率。

实现步骤 #

1. 定义核心向量变量：用长度为n的向量t存储Toeplitz矩阵的对角线元素（对称Toeplitz矩阵的第一列与第一行完全一致，因此只需一个向量即可）。
2. 符号化构造Toeplitz矩阵：利用行/列索引的差值绝对值，从向量t中索引对应位置的元素，生成符号化的Toeplitz矩阵。这种构造方式属于线性变换，完全兼容CVXPY的凸优化框架。
3. 添加约束：如需半正定约束，直接对构造好的矩阵使用cp.psd()即可；对称特性由Toeplitz结构自动保证。

代码示例 #

import cvxpy as cp
import numpy as np

# 设定矩阵阶数
n = 5

# 定义Toeplitz矩阵的核心元素向量
t = cp.Variable(n)

# 构造符号化Toeplitz矩阵
row_indices = np.arange(n)[:, np.newaxis]  # 列向量形式的行索引
col_indices = np.arange(n)[np.newaxis, :]  # 行向量形式的列索引
# 每个位置(i,j)的元素对应t[|i-j|]
toeplitz_matrix = t[np.abs(row_indices - col_indices)]

# 示例优化问题：最小化矩阵迹，约束矩阵半正定且首个对角线元素为1
objective = cp.Minimize(cp.trace(toeplitz_matrix))
constraints = [
    cp.psd(toeplitz_matrix),  # 半正定约束
    t[0] == 1                  # 自定义约束示例
]

# 求解问题
prob = cp.Problem(objective, constraints)
prob.solve()

# 输出结果
print("最优核心向量：", t.value.round(4))
print("最优Toeplitz矩阵：\n", toeplitz_matrix.value.round(4))

效率优势 #

这种方式将变量数量从n²压缩到n，显著减少了优化问题的自由度，能大幅提升求解速度，尤其是当n较大时效果更明显。同时，符号化构造的矩阵完全符合CVXPY的要求，不会引入非线性约束，保证了问题的凸性和求解的稳定性。

内容的提问来源于stack exchange，提问作者Amol Shah