你好呀！首先注意到你问题里的小笔误：目标函数和决策变量列表都重复写了y，应该是x、y、z、t这类不重复的决策变量吧？咱们先按这个修正后的情况来分析~

先明确核心问题：你的问题不是凸优化问题 #

你提到“看起来是凸的”，但凸优化要求目标函数是凸函数，且所有约束对应的集合都是凸集，咱们逐个拆解：

• 非负变量约束、线性约束都是凸集，没问题；
• 三次项约束$a_1x^3 + a_2y^3 + a_3z^3 - t ≤ 0$：因为$a_i>0$且变量非负，$x^3$这类函数在非负域是凸函数，多个凸函数的正线性组合还是凸函数，而约束可改写为$t ≥ a_1x^3+a_2y3+a_3z^3$——对于凸函数$f$，$t≥f(x,y,z)$对应的集合是凸集，所以这个约束没问题；
• 四次项约束$b_1x^4 + b_2y^4 + b_3z^4 - y ≤ 0$：这里的约束函数$g(x,y,z)=b_1x^4 + b_2y^4 - y + b_3z^{4$，对y求二阶导数得$12b_2y}2 - 2$，当y较小时（比如y=0），二阶导数为负，说明$g$在非负域不是凸函数，对应的约束集合也就不是凸集。

所以整个问题属于非凸多项式优化问题，不是凸优化问题哦。

针对不同目标函数的解决方案 #

情况1：目标函数为线性（原问题的$x+y+z+t$）

这种情况下，你可以选择以下几种路径：

• 全局优化求解器：如果变量规模不大（比如变量数≤10），直接用BARON、Gurobi全局优化模块（需开启NonConvex=2参数）这类工具，它们能处理非凸多项式约束，找到全局最优解；
• 凸松弛近似：如果变量规模大、追求求解速度，可以用平方和（SOS）松弛，把非凸多项式约束转化为半正定规划（SDP）问题近似求解，不过会引入松弛误差，需要后续验证解的质量；
• 局部优化+多初始点：如果只需要局部最优解，用IPOPT、L-BFGS这类局部非凸优化求解器，从多个不同初始点出发求解，取最优的那个局部解作为近似全局解。

情况2：目标函数为二次+三次项（$x^2 + y^2 + z^2 + t^3 + y^3$）

此时目标函数是凸函数（二次项、非负域的三次项都是凸函数，和也是凸函数），但约束仍有非凸项，问题还是非凸的。除了上面的三种方法，还可以利用目标凸的特性：

• 局部优化求解器（比如IPOPT）在目标凸的情况下，收敛到局部最优的可靠性更高，甚至如果初始点选得好，有可能直接得到全局最优；
• 可以尝试把非凸约束做分段处理：比如分析y的取值范围，当y足够大时，$12b_2y^2 - 2>0$，此时四次项约束函数变为凸函数，把问题拆成y较小和y较大的子问题分别求解，再合并结果。

额外小提示 #

• 先修正变量的重复问题，确保决策变量唯一，避免求解器报错；
• 如果有额外的线性约束，可以先用它们缩小变量的取值范围，能有效降低求解难度；
• 先拿小规模的测试案例验证求解器效果，再推广到实际问题中。

备注：内容来源于stack exchange，提问作者Tuong Nguyen Minh