如何在cvxpy中实现分段alpha_beta函数以完成凸优化问题求解？

你原有基于NumPy实现的alpha_beta函数无法直接用于CVXPY建模的核心原因是，NumPy的逻辑判断和np.piecewise不支持CVXPY的符号决策变量，必须转换为CVXPY原生支持的分段凸函数形式，才能符合DCP（ disciplined convex programming ）规则正常求解。

改造后的兼容函数 #

import cvxpy as cp

def alpha_beta_cvx(x):
    # 固定参数与原定义完全一致
    a = 0.0019727939
    b = 0.0078887
    Lmin, Lnom, Lmax = 0.8035, 2.3811, 3.084
    c = 0.006226
    # 四个分段分别对应：x<Lmin、[Lmin, Lnom)、[Lnom, Lmax)、x>=Lmax
    funcs = [
        lambda x: 0, 
        lambda x: a * cp.square(x - Lnom) + c,
        lambda x: b * cp.square(x - Lnom) + c,
        lambda x: 0
    ]
    # 分段点按从小到大顺序排列
    breakpoints = [Lmin, Lnom, Lmax]
    return cp.piecewise(x, breakpoints, funcs)

使用方法 #

直接把目标函数中所有调用alpha_beta的位置替换为alpha_beta_cvx即可，无需修改其他目标逻辑：

cp.Minimize(k*(w1*abs(x0-L10)+w2*abs(x1-L20))+β*Dindf[0]*(w1*alpha_beta_cvx(x0)+w2*alpha_beta_cvx(x1)+w1*alpha_beta_cvx(x2)+w2*alpha_beta_cvx(x3)) +\
                k*(w1*abs(x2-x0) + w2*abs(x3-x1)+w1*abs(x4-x2) + w2*abs(x5-x3)))

注意事项 #

• 该分段函数所有分段均为凸函数，放在最小化目标中完全符合DCP规则，可直接调用CVXPY的凸优化求解器求解。
• 若业务逻辑中决策变量x的取值范围本身就限定在[Lmin, Lmax]区间内，建议额外给x添加约束x >= Lmin和x <= Lmax，既可以避免边界区间的判断歧义，也能缩小可行域加快求解速度。
• 若需要保留x超过[Lmin, Lmax]时返回0的逻辑，可将分段点中的Lmax调整为Lmax + 1e-8，解决CVXPY分段默认左闭右开导致x=Lmax时取值不符合原定义的问题。

内容的提问来源于stack exchange，提问作者Jian ZUO