Python下基于CVXPY的可分离非凸约束优化问题求解咨询

CVXPY原生仅支持凸优化问题建模，你的目标函数存在凹区间，属于非凸优化范畴，无法直接用CVXPY的凸求解器得到全局最优，以下是适配Python的可落地方案：

方案1：SciPy SLSQP 多初值求解（零额外依赖，轻量高效） #

这个方案适合绝大多数场景，尤其是变量规模n<1000的情况，利用已知的最优解结构设计初值，几乎可以100%收敛到目标全局最优点。
你的目标函数有明确的全局下界：p(x)在[0,1]区间上非负，且在x=0和x=1处取到最小值0，可行域内刚好存在满足和为1的点（单个变量为1、其余为0）达到这个下界，求解时只要碰到目标值接近0的结果就可以直接判定为最优。
参考实现代码：

import numpy as np
from scipy.optimize import minimize

# 定义单变量多项式惩罚项
def p(x):
    return x**3 * (1 - x)**2 * (x + 2)

# 定义总目标函数
def total_obj(x):
    return np.sum(p(x))

# 修改变量数n适配你的实际问题
n = 10
# 等式约束：所有变量求和等于1
eq_constraint = {"type": "eq", "fun": lambda x: np.sum(x) - 1}
# 变量边界：所有x取值在[0,1]区间
var_bounds = [(0, 1) for _ in range(n)]

# 构造多组初值，避免陷入局部极小
init_points = [np.ones(n) / n]  # 第一组初值：变量均匀分配
for i in range(n):
    # 后续n组初值：每个位置预置较大初始值，引导收敛到单点最优结构
    x_init = np.full(n, 0.1 / (n - 1))
    x_init[i] = 0.9
    init_points.append(x_init)

best_obj = float("inf")
best_x = None
for x0 in init_points:
    # 用SLSQP序列二次规划方法求解带约束非线性优化
    res = minimize(
        total_obj,
        x0,
        method="SLSQP",
        bounds=var_bounds,
        constraints=eq_constraint,
        tol=1e-8
    )
    if res.success and res.fun < best_obj:
        best_obj = res.fun
        best_x = res.x
        # 碰到全局下界直接提前终止，不需要跑完所有初值
        if best_obj < 1e-6:
            break

print(f"最优目标值: {best_obj:.6f}")
print(f"最优解（保留4位小数）: {np.round(best_x, 4)}")

运行后正常会输出某一位接近1、其余位接近0的结果，符合预期。

方案2：全局优化求解器（适合更大规模/更复杂场景） #

如果变量规模更大，或者后续问题会增加更复杂的约束，可以选择以下工具：

• 直接使用scipy.optimize.differential_evolution差分进化算法，属于无梯度全局启发式算法，不需要手动设置初值，适合光滑度高、变量数不高的场景，等式约束可以通过惩罚项纳入目标。
• 使用Pyomo通用优化建模库，对接开源非线性求解器Ipopt（适合大规模光滑非线性问题），或者商业全局求解器如Baron、Gurobi非凸模式，稳定性更高，适合复杂工程场景。
• 高版本CVXPY也支持对接SCIP等开源非凸求解器求解非凸问题，但对于这种纯多项式光滑优化，上述两种方案的效率和易用性更优。

补充提示：根据p(x)的二阶导数计算结果，p(x)在[0, 0.37]和[0.85, 1]区间为凸，在[0.37, 0.85]区间为凹，如果你后续要调整p(x)的形式，只要保持p(x)在[0,1]上非负、端点取0的性质，上述求解逻辑依然成立。

内容的提问来源于stack exchange，提问作者user35083