CVXPY添加两类约束求解可行性问题返回None的求助

看起来你遇到的问题是整个约束系统完全不可行——也就是不存在同时满足constraintsA和constraintsB的X向量，这也是CVXPY返回None的核心原因。咱们一步步拆解来看：

第一步：简化constraintsA的实际约束 #

你的Ms全是零矩阵，所以原本的二次约束X.T * M * X + B * X + C == 0会直接退化成线性等式（二次项消失了）：

B @ X + C == 0

展开后就是三个线性方程：

1. -18x₁ + 18x₄ + 270 = 0 → 简化为 x₄ = x₁ - 15
2. -36x₅ + 540 = 0 → 直接算出 x₅ = 15
3. -18x₃ -18x₆ +810 =0 → 简化为 x₆ = 45 - x₃

第二步：代入constraintsB的约束找矛盾 #

现在把上面的结果代入constraintsB的线性约束，就能发现明显的矛盾：

• 从As[0]的第二个约束-x₅ + x₆ =10：代入x₅=15和x₆=45-x₃，得到-15 + (45 -x₃)=10 → 算出x₃=20，进而x₂=x₃=20，x₆=25
• 从As[1]的第一个约束-x₁ +x₂=20：代入x₂=20，得到x₁=0，进而x₄=0-15=-15
• 现在看As[1]的第二个约束-x₄ +x₅=10：代入x₄=-15和x₅=15，得到15+15=30≠10——这里直接矛盾了！
• 再看As[2]的第一个约束-x₁ +x₃=-20：代入x₁=0和x₃=20，得到0+20=20≠-20，又是一个矛盾！

解决建议 #

1. 先验证约束系统的可行性：可以把所有线性约束整理成Ax = b的形式，用numpy的np.linalg.lstsq或者检查系数矩阵和增广矩阵的秩是否相等，如果不等就说明无解。
2. 查看CVXPY的求解状态：不要只看X.value，一定要打印prob.status，它会明确告诉你问题是INFEASIBLE（不可行）、OPTIMAL（最优）还是其他状态，比如：

   result = prob.solve()
   print("Problem status:", prob.status)
   print("X value:", X.value)
   

3. 规范矩阵乘法写法：在CVXPY中，矩阵乘法建议用@而不是*（*是元素-wise乘法），虽然这里Ms全零不影响，但养成好习惯能避免后续二次约束的错误，比如把X.T * M * X改成X.T @ M @ X。

内容的提问来源于stack exchange，提问作者jnm