如何在Python中优化含迹与矩阵的多变量标量函数？报错解决

问题描述 #

需要优化的函数包含两类优化变量：

• 向量变量x = [x₁, x₂]，对应计算X₂ = x₁²*A + x₂²*B（A、B为正定矩阵）
• 矩阵变量σ

尝试使用scipy.optimize.minimize实现优化时触发错误，原代码如下：

from scipy.optimize import minimize
import numpy as np

def objective(x):
    x_array = x[0]
    sigma = x[1]
    fun = np.trace((np.kron(np.diag(np.square(x_array)), rho.T)) @ sigma)
    return fun

x0 = np.array([np.array([1 ,1]), np.eye(4)])

res = minimize(objective, x0, method = 'Nelder-Mead')

运行时报错：

ValueError: setting an array element with a sequence.

核心原因 #

scipy.optimize.minimize要求优化变量必须是一维扁平数组，不能传入嵌套的数组/矩阵结构。原代码中x0是嵌套数组（包含向量和矩阵），导致内部处理时类型不兼容，触发上述错误。

解决方法 #

步骤1：扁平化所有优化变量 #

把向量x和矩阵σ全部展开为一维数组，作为优化函数的输入参数。

步骤2：在目标函数中恢复变量结构 #

从扁平数组中拆分出x向量和σ矩阵，再进行目标函数的计算。

步骤3：调整初始值为扁平数组 #

将初始的x向量和σ矩阵拼接成一维数组，作为优化的初始输入。

修正后的完整代码 #

from scipy.optimize import minimize
import numpy as np

# 补充示例参数（请根据实际场景替换）
rho = np.random.rand(4, 4)  # 假设rho为4x4矩阵
# 构造正定矩阵A和B
A = np.random.rand(4, 4)
A = A @ A.T
B = np.random.rand(4, 4)
B = B @ B.T

def objective(flat_vars):
    # 从扁平数组拆分变量：前2个元素是x=[x1,x2]，剩余元素是sigma的扁平化结果
    x_array = flat_vars[:2]
    sigma = flat_vars[2:].reshape(4, 4)  # 恢复为4x4矩阵
    
    # 计算目标函数值
    kron_term = np.kron(np.diag(np.square(x_array)), rho.T)
    fun = np.trace(kron_term @ sigma)
    return fun

# 构造扁平化初始值
x0_x = np.array([1, 1])
x0_sigma = np.eye(4).flatten()  # 将4x4单位矩阵展开为一维数组
x0 = np.concatenate([x0_x, x0_sigma])

# 执行优化（Nelder-Mead适用于无约束优化，有约束时建议换用SLSQP等方法）
res = minimize(objective, x0, method='Nelder-Mead')

# 解析优化结果
print("优化状态：", "成功" if res.success else "失败")
print("最优目标值：", res.fun)
optimal_x = res.x[:2]
optimal_sigma = res.x[2:].reshape(4, 4)
print("最优x向量：", optimal_x)
print("最优sigma矩阵：\n", optimal_sigma)

额外注意事项 #

• 如果σ有约束（如必须正定），需要通过minimize的constraints参数添加约束条件，同时选择支持约束的优化方法（如SLSQP）。
• 确保所有矩阵运算的维度匹配，避免出现维度不兼容的错误。

内容的提问来源于stack exchange，提问作者NikNack