CVXPY如何编写符合DCP规则的取值范围约束？

DCP规则对约束的凹凸性有严格要求：sum(abs(x))是凸函数，凸函数只能放在<= 常数、== 仿射表达式的约束侧，凸函数 >= 常数对应的可行域是非凸的，自然不符合凸优化的DCP建模规范，这就是报错的直接原因。你提到的链式不等式CVXPY本身支持语法解析，但解析后还是会拆成上下界两个独立约束，下界的非凸问题依然存在，所以写链式也解决不了问题。

方案1：开启DQCP模式快速实现 #

如果不想大幅修改建模逻辑，可以直接用CVXPY内置的拟凸优化（DQCP）能力，只需要在求解时打开qcp开关即可，不需要改原有约束写法：

import cvxpy as cv
import numpy as np

# 替换成你自己的guess_vector和固定零值索引idx
guess_vector = np.random.randn(100) * 0.005
idx = [2,5,7]

proposed_vector = cv.Variable(100)
prob = cv.Problem(
    cv.Minimize(cv.sum(cv.abs(proposed_vector - guess_vector))),
    [
        cv.abs(proposed_vector) <= 0.01,
        cv.sum(proposed_vector) == 0,
        cv.sum(cv.abs(proposed_vector)) <= 2.5,
        proposed_vector[idx] == 0.,
        cv.sum(cv.abs(proposed_vector)) >= 0.2,
    ]
)
# 开启QCP求解模式
prob.solve(qcp=True)

# 求解完成后通过proposed_vector.value即可拿到结果

注意：DQCP基于二分法迭代求解拟凸问题，速度比纯凸优化慢，且不保证全局最优，对初始点有一定敏感度，适合快速验证场景。

方案2：引入二进制变量转混合整数规划（全局最优） #

如果需要稳定获得全局最优解，可以通过引入0-1辅助变量把绝对值约束转化为线性约束，把整个问题转为符合DCP规则的混合整数线性规划（MILP），这是工程上处理这类约束的通用方案：
核心逻辑是对向量每个维度，引入两个非负变量v_pos[i]、v_neg[i]和一个二进制变量z[i]，满足：

• proposed_vector[i] = v_pos[i] - v_neg[i]
• 0 ≤ v_pos[i] ≤ 0.01 * z[i]
• 0 ≤ v_neg[i] ≤ 0.01 * (1 - z[i])
  这套约束下v_pos和v_neg永远不会同时非零，因此|proposed_vector[i]| = v_pos[i] + v_neg[i]，原来的绝对值和就变成了线性表达式，不管是上界还是下界约束都符合DCP规则。

对应实现代码：

import cvxpy as cv
import numpy as np

# 替换成你自己的参数
guess_vector = np.random.randn(100) * 0.005
idx = [2,5,7]

proposed_vector = cv.Variable(100)
# 定义辅助变量
v_pos = cv.Variable(100, nonneg=True)
v_neg = cv.Variable(100, nonneg=True)
z = cv.Variable(100, boolean=True)

constraints = [
    # 绝对值分解约束
    proposed_vector == v_pos - v_neg,
    v_pos <= 0.01 * z,
    v_neg <= 0.01 * (1 - z),
    # 原有业务约束
    cv.sum(proposed_vector) == 0,
    cv.sum(v_pos + v_neg) <= 2.5,
    proposed_vector[idx] == 0.,
    cv.sum(v_pos + v_neg) >= 0.2,
]

prob = cv.Problem(
    cv.Minimize(cv.sum(cv.abs(proposed_vector - guess_vector))),
    constraints
)
# 调用支持MILP的求解器，开源可选CBC，商业可选Gurobi/CPLEX
prob.solve(solver=cv.CBC)

这个方案的优点是结果为全局最优，稳定性高，你当前场景只有100维变量，MILP求解速度完全可以满足需求；缺点是大维度下整数规划的求解开销会上升。

内容的提问来源于stack exchange，提问作者PyRsquared