CVXPY求解等价带对数约束优化问题结果不一致问题咨询

• 约束失效的核心错误是problem2中将k定义为了优化变量：优化目标是最小化二次型y^T C y，求解器会自动调整k到能满足约束的最小值，极限情况下k可以取负无穷，此时b.T @ cp.log(y) >=k对任意合法y都成立，完全失去约束作用，因此结果和无对数约束的problem3完全一致。
• 你描述的两个优化问题等价的前提是第二个问题的对数约束为固定阈值，而非将阈值设为可优化变量，你对等价问题的形式理解有误。

1. 修正优化问题形式 #

将对数约束的右值替换为固定阈值，你提到的理论最优k值约为-2.4827，直接用该值作为约束阈值即可，不要将k设为优化变量。

2. 避免变量取0导致log报错 #

CVXPY不支持严格不等约束，凸优化求解器默认处理弱不等式，因此可以给变量加一个极小的下界（如1e-8）替代y>=0，避免出现log(0)的无意义计算。

修复后的代码示例 #

import cvxpy as cp
import numpy as np

def problem_2_fixed(C):
    n, _ = np.shape(C)
    y = cp.Variable(n)
    b = np.array([1 / n] * n)
    # 对数约束阈值用理论值-2.4827，也可以根据problem1的结果反推对应阈值
    LOG_THRESH = -2.4827
    obj = cp.quad_form(y, C)
    constraints = [
        b.T @ cp.log(y) >= LOG_THRESH,
        cp.sum(y) == 1,
        y >= 1e-8 # 小下界避免log输入为0
    ]
    cp.Problem(cp.Minimize(obj), constraints).solve()
    return y.value

运行上述修正后的代码，输出结果会和problem1的结果一致，符合预期。

problem1能得到正确结果的原因是它的对数约束右值为固定的0.5，约束本身是有效的：只要x存在一个元素为0，log(x)就为负无穷，约束无法满足，因此求解器会自动保证x所有元素都大于0，不需要额外加下界。

内容的提问来源于stack exchange，提问作者Nipper