CVXPY优化含求和除法表达式报DCPError错误的原因与解决方案求助

报错原因分析 #

• 核心原因是你的优化问题不符合CVXPY要求的*DCP（有纪律凸规划）*规则：你定义的pmx = fxw@w/cp.sum(fxw@w*dx)是两个和优化变量fxw相关的仿射表达式的比值，属于既非凸也非凹的表达式。
• cp.entr()函数要求输入参数必须是凹函数或仿射表达式，你传入的非凸非凹的pmx不满足该要求，因此目标函数无法通过DCP校验，直接抛出报错。
• 你的问题本质是求概率分布pmx的最大熵，而pmx本身满足归一化约束sum(pmx * dx) = 1，且和fxw是线性映射关系，原表达式的fxw存在尺度不变性：fxw乘以任意正标量得到的pmx完全相同，这是可以做变量替换的基础。

解决方法 #

用变量替换消除除法，把问题转化为符合DCP规则的形式：

1. 利用pmx的尺度不变性，放弃直接优化fxw，引入新的非负变量z代替带缩放的fxw，令pmx = z @ w
2. 增加显式的归一化约束：cp.sum(pmx * dx) == 1，同时增加非负约束z >= 0（如果f(x,w)本身有非负要求的话，没有的话可以去掉该约束）
3. 此时目标函数-cp.sum(cp.entr(pmx))是凸函数，完全符合DCP规则，可以正常求解。求解完成后得到的z就是最优的f(x,w)（若有额外的尺度要求，对z做对应缩放即可）

修改后可运行的代码示例：

import cvxpy as cp
import numpy as np

# 替换你自己的x、w定义即可
len_w = 50
len_x = 49
w = np.arange(len_w)
x = np.linspace(0, 3, len_x)
dx = x[1] - x[0]

# 替换变量，nonneg参数对应f(x,w)非负的物理意义
z = cp.Variable((len_x, len_w), nonneg=True)
pmx = z @ w
# 归一化约束
constraints = [
    cp.sum(pmx * dx) == 1
]
# 目标函数保持不变
objective = cp.Minimize(-cp.sum(cp.entr(pmx)))
prob = cp.Problem(objective, constraints)
# 可根据需要指定ECOS、SCS等支持熵优化的求解器
prob.solve(solver=cp.ECOS)

# 输出最优解
fxw_opt = z.value
print("最优f(x,w)矩阵：\n", fxw_opt)
print("对应的pmx分布：\n", pmx.value)

内容的提问来源于stack exchange，提问作者mate jozsa