1. 初识CVX你的凸优化建模“翻译官”如果你曾经被优化问题折磨得焦头烂额面对一堆数学公式和复杂的求解器接口无从下手那么CVX很可能就是你的“救星”。简单来说CVX是一个基于MATLAB的建模系统它扮演着一个“高级翻译官”的角色。你不需要去手动推导拉格朗日函数、计算梯度或者跟那些晦涩难懂的求解器API打交道。你只需要用近乎数学公式的自然语言告诉CVX你的目标是什么比如最小化成本约束条件有哪些比如资源不能超过某个上限它就能自动帮你把问题转换成求解器能懂的标准格式并调用合适的算法求出最优解。我刚开始接触凸优化时手动调用像SeDuMi、SDPT3这样的求解器光是数据格式转换和错误调试就耗去大量时间。CVX的出现让我能把精力重新聚焦在问题建模本身而不是求解的细枝末节上。它特别擅长处理标准凸规划Disciplined Convex Programming, DCP。所谓“标准”就是它有一套严格的语法规则确保你构建的问题在数学上确实是凸的。这听起来像是限制但实际上是一种保护——它帮你避免了不小心写出一个非凸问题然后求解器返回一个错误的局部最优解而你却浑然不知的尴尬局面。CVX Release 2.2 是一个功能相当成熟的版本它原生支持线性规划LP、二次规划QP、二阶锥规划SOCP和半正定规划SDP这四大类经典凸优化问题。更棒的是通过其DCP规则你还能构建许多更复杂的模型比如涉及熵函数、对数障碍函数的问题。对于工程师和研究人员来说这意味着你可以快速地将一个工程或研究想法比如设计一个最节能的通信网络或者拟合一个最稳健的统计模型转化为可计算的优化问题并迅速得到验证。2. 从零开始CVX环境搭建与基础语法2.1 快速安装与验证CVX的安装过程非常友好。你只需要从它的官方网站下载对应版本的安装包解压到MATLAB的搜索路径下然后在MATLAB命令行中切换到该目录运行cvx_setup命令即可。安装程序会自动配置路径并检查兼容性。安装完成后我习惯用一个小例子来验证是否成功cvx_begin variable x(2) minimize( norm(x - [3; 1]) ) subject to x(1) x(2) 2; x 0; cvx_end这段代码求解了一个简单的问题在二维平面上找到一个点x使得它到点(3,1)的欧几里得距离最短同时满足x1 x2 2且x的每个分量都非负。运行后CVX会输出求解状态如“Solved”和最优目标值并在工作区生成最优解x。第一次看到这个流程你会感觉优化建模就像写伪代码一样直观。2.2 核心语法三板斧变量、目标与约束所有CVX模型都必须包裹在cvx_begin和cvx_end这对命令中这就像告诉MATLAB“嗨接下来我要描述一个优化问题了”。声明变量是第一步。你需要用variable关键字来创建优化变量并可以指定其维度。例如variable x(10)声明了一个10维的向量变量variable Z(5,5) symmetric则声明了一个5x5的对称矩阵变量。这里有个非常实用的技巧CVX允许你直接声明变量的特殊结构比如semidefinite半正定、nonnegative非负、integer整数等。这不仅仅是语法糖它能让CVX和底层求解器更高效地处理问题。例如声明一个半正定矩阵变量variable P(3,3) semidefinite远比你先声明一个普通矩阵P再添加约束P semidefinite(3)要来得高效和清晰。定义目标函数使用minimize()或maximize()函数。这里的关键是目标函数必须是凸的对于最小化或凹的对于最大化。CVX内置的原子函数库如norm,sum_square,quad_over_lin保证了这一点。如果你写minimize( sin(x) )CVX会立刻报错因为sin不是凸函数这帮你提前堵住了建模错误。添加约束则使用和操作符。CVX的约束书写非常符合直觉凸函数凹函数或者仿射函数仿射函数。例如norm(A*x - b, 2) epsilon表示误差的二范数小于某个阈值x 0表示变量非负。这里要特别注意赋值用的单等号和表示等式约束的双等号在CVX中有天壤之别。如果你不小心写了x 0CVX会认为你要把变量x重写为常数0从而报错。这个设计虽然一开始可能让人困惑但它强制你形成了良好的编程习惯避免了潜在的逻辑错误。3. 深入DCP规则让CVX理解你的模型DCP规则是CVX的灵魂也是新手最容易“踩坑”的地方。它本质上是一套基于凸分析理论的、用于自动验证问题凸性的语法规则。理解它你就能从“碰运气”写代码变成“有把握”地构建模型。3.1 曲率分类凸、凹、仿射与常量CVX将每一个标量表达式都归类为四种“曲率”之一常量、仿射、凸函数或凹函数。这个分类是递归进行的常量就是固定的数值如5,pi。仿射线性函数包括常数项。例如a*x b其中a,b是常数x是变量。仿射函数既是凸的也是凹的。凸函数像norm(x),square(x),sum_square(x)这样的函数其图形像碗状。凹函数像sqrt(x),log(x)这样的函数定义域内其图形像拱形。一个常见的误区是认为两个凸函数相加一定是凸的这没错但认为凸函数相乘或相除也一定是凸的。这是完全错误的例如x^2 * y其中x, y是变量就不是一个DCP合规的表达式因为凸函数乘以一个变量既非恒定非负也非恒定非正不保证凸性。CVX的DCP规则会禁止这种写法从而防止你构建出一个非凸问题。3.2 复合规则函数的组合之道这是DCP规则中最精妙的部分。当你把一个函数作用于另一个表达式时结果的曲率不仅取决于函数本身的曲率还取决于函数的单调性。举个例子sqrt函数是凹的并且在其定义域内是非递减的。根据复合规则如果一个非递减的凹函数如sqrt作用于一个凹表达式结果仍是凹的。所以sqrt( log(x) )是合规的假设x0log(x)是凹的。但是如果一个非递减的凹函数作用于一个凸表达式规则就不允许。这就是为什么sqrt( square(x) 1 )虽然数学上等于norm([x; 1])是凸的但直接写sqrt(x^21)会被CVX拒绝。你需要改用等价的、CVX认识的凸函数norm([x; 1])。另一个我常举的例子是rel_entr(x,y)它是CVX内置的凸函数表示x*log(x/y)。假设我们想表达熵最大化问题里的约束sum(x.*log(x)) C直接写sum(x.*log(x))是不行的因为x*log(x)不是DCP规则承认的凸函数写法。但我们可以巧妙地利用rel_entrsum(rel_entr(x, 1))就等价于sum(x.*log(x))因为rel_entr(x,1) x*log(x/1) x*log(x)。这就是吃透内置函数库带来的便利。3.3 标量二次型的特殊待遇DCP规则一般禁止变量之间的乘积但为标量二次型开了个后门。这是因为像x*Q*x这样的形式其中Q是常数半正定矩阵是凸优化中最常见的结构之一且有高效的求解方法。CVX能智能识别如x*x、(A*x-b)*Q*(A*x-b)这样的表达式并将其内部转换为等价的square_pos或quad_form函数调用。但这里有个坑CVX只识别单个仿射表达式的乘积或二次型。比如x^2 2*x*y y^2会被拒绝因为2*x*y这一项是两个变量的乘积不符合二次型规则。但你可以把它重写为(xy)^2这样CVX就能识别了。这提醒我们建模时尽量使用向量化的范数形式如norm(A*x-b)^2而不是显式的平方和sum_square(A*x-b)前者通常能被求解器更高效地处理。4. 实战建模从线性规划到熵最大化理论说再多不如动手写一行代码。让我们通过几个由浅入深的例子看看如何用CVX Release 2.2解决实际问题。4.1 线性规划LP资源分配问题假设一家工厂生产两种产品需要消耗两种原料利润不同。如何安排生产计划使总利润最大这就是经典的LP问题。% 定义参数利润向量c资源消耗矩阵A资源上限b c [20; 30]; A [1, 2; % 产品1和2对原料1的消耗 4, 3]; % 产品1和2对原料2的消耗 b [100; 200]; % 原料1和2的可用量 cvx_begin variable x(2) % 两种产品的产量 maximize( c * x ) % 最大化总利润 subject to A * x b; % 资源约束 x 0; % 产量非负 cvx_end fprintf(最优生产计划产品1生产 %.2f 单位产品2生产 %.2f 单位\n, x(1), x(2)); fprintf(最大利润为%.2f\n, cvx_optval);在这个例子中目标函数c*x和约束A*x b、x0都是仿射的完全符合DCP规则。CVX会自动识别这是一个LP问题并调用相应的求解器如Gurobi, MOSEK, 或内置的SDPT3。4.2 二次约束规划QCQP与二阶锥规划SOCP投资组合优化在金融中马科维茨均值-方差模型要求在一定预期收益下最小化风险方差。这天然是一个二次规划问题。但更稳健的模型是使用标准差方差平方根作为风险度量并设置风险上限这就变成了一个二阶锥约束。% 参数n种资产的期望收益率mu协方差矩阵Sigma目标收益率r_target风险上限risk_budget n 10; mu randn(n,1)*0.05 0.1; % 模拟生成收益率 Sigma randn(n,n); Sigma Sigma*Sigma/n eye(n)*0.01; % 模拟生成正定协方差矩阵 r_target 0.08; risk_budget 0.15; cvx_begin variable w(n) % 投资组合权重 minimize( quad_form(w, Sigma) ) % 最小化方差 w*Sigma*w subject to mu * w r_target; % 期望收益约束 sum(w) 1; % 权重和为1 w 0; % 不允许卖空非负 norm(Sigma^(1/2)*w, 2) risk_budget; % 风险标准差上限约束这是一个二阶锥约束 cvx_end fprintf(最优投资组合权重已计算完成。\n); fprintf(预期收益率%.4f 预期风险标准差%.4f\n, mu*w, sqrt(w*Sigma*w));这里quad_form(w, Sigma)是凸的二次型目标。最关键的是norm(Sigma^(1/2)*w, 2) risk_budget这个约束它正是二阶锥约束||Axb||_2 cxd的形式。CVX会将其识别为SOCP约束并用更适合的算法求解这比把标准差约束写成w*Sigma*w risk_budget^2一个二次约束在数值上更稳定、求解效率也往往更高。4.3 处理复杂函数熵最大化问题熵最大化在信息论、统计推断中广泛应用。其目标是找到在满足一定矩约束下“最不确定”或者说“最均匀”的概率分布。% 假设我们有一个随机变量已知其期望值约束 E[f_i(x)] b_i % 这里我们简化假设我们只知道期望值约束 sum(p) 1 和 mean m n 5; % 支持集大小 m 2.5; % 已知的期望值 x_support (1:n); % 支持点例如 [1;2;3;4;5] cvx_begin variable p(n) % 概率分布 maximize( sum(entr(p)) ) % 最大化熵 sum(-p.*log(p)) entr是CVX内置的熵函数 subject to sum(p) 1; % 概率和为1 p 0; % 概率非负 x_support * p m; % 期望值约束 cvx_end disp(最大化熵的概率分布为); disp(p);这里直接使用了CVX内置的entr(p)函数它表示-p.*log(p)当p0这是一个凹函数所以maximize(sum(entr(p)))是合规的。如果你不知道entr函数可能会尝试写sum(-p.*log(p))但这在DCP规则下是无效的因为-p.*log(p)不是CVX原子库直接认可的凹函数形式。这个例子展示了查阅并利用CVX丰富内置函数库的重要性。4.4 利用对偶变量进行灵敏度分析求解完问题后我们常常想知道约束的“紧密度”。例如资源约束如果放松一点目标函数能改善多少这可以通过对偶变量来评估。cvx_begin variable x(2) dual variable lambda % 声明对偶变量lambda minimize( norm(x - [3; 1]) ) subject to lambda: x(1) x(2) 2; % 将lambda与这个约束关联 x 0; cvx_end fprintf(最优解 x [%.4f; %.4f]\n, x); fprintf(约束 x1x22 的对偶变量 lambda %.4f\n, lambda);在输出结果后lambda的值就代表了该约束的影子价格。如果lambda较大说明这个约束非常“关键”放松它能显著提升目标对于最小化问题通常是降低目标值如果lambda为0则说明该约束在当前最优解处是松弛的不起作用。这个功能对于方案评估和决策支持极具价值。5. 高级技巧与避坑指南掌握了基础我们来看看一些能让你代码更稳健、更高效的高级技巧。5.1 表达式持有符Expression Holders的使用当中间表达式很复杂且需要重复使用时expression关键字能让你代码更清晰。它与variable不同expression声明的对象是一个可以存储计算结果的临时容器。cvx_begin variable x(n) variable y(m) expression residual % 声明一个表达式持有符 residual A * x B * y - b; % 计算残差并存储 minimize( norm(residual, 2) gamma * norm(x, 1) ) % 在目标中使用 subject to norm(residual, inf) epsilon; % 在约束中再次使用 cvx_end这样写避免了重复计算A*xB*y-b让模型描述更贴近数学公式也减少了出错的概率。5.2 避免严格不等式CVX允许使用和但强烈不建议。因为从数值计算和凸优化理论的角度严格不等式定义的集合通常不是闭集最优解可能不存在趋于边界。CVX内部会将严格不等式当作非严格不等式处理。如果你真的需要确保变量大于0比如为了使用log(x)更好的做法是加一个小的正边界如x 1e-6。CVX中许多函数如log,inv_pos自带定义域检查你不需要额外写x0写了也可能被忽略。5.3 几何规划模式与SDP模式对于特定类型的问题CVX提供了特殊模式来简化建模。几何规划模式通过cvx_begin gp启动。在这个模式下你可以直接使用单项式、多项式等非凸表达式如x^a * y^bCVX会自动通过变量替换将其转化为等价的凸问题。这对处理工程设计中常见的基于幂律模型的问题非常有用。半正定规划模式通过cvx_begin sdp启动。此模式下和运算符作用于矩阵时会被解释为矩阵不等式即半正定序。你可以直接写A 0来表示矩阵A是半正定的这比用A semidefinite(n)更直观。5.4 调试与错误解读当CVX报错“Disciplined convex programming error”时不要慌张。这通常意味着你的表达式违反了DCP规则。仔细检查目标函数对于minimize你确定它是凸的吗对于maximize你确定它是凹的吗约束是否遵循“凸凹”或“仿射仿射”的规则函数组合检查函数复合时的曲率和单调性是否匹配。尝试将复杂表达式拆解一步步验证每个子表达式的曲率。利用等价形式很多数学上等价的表达式在DCP规则下不等价。例如norm(x)^2是合规的凸函数但sum(x.^2)也是合规的而x*x对于向量变量则可能被识别为标量二次型。多查阅CVX函数库文档找到正确的原子函数。最后保持耐心。CVX的严格性初期可能会带来挫败感但一旦你习惯了它的思维方式你会发现它是一堵强大的“防火墙”保护你不会在复杂的建模中构建出错误的、难以求解的非凸问题。从简单的LP、QP开始逐步尝试SOCP和利用rel_entr、norm等函数构建更复杂的模型你会逐渐体会到用CVX进行凸优化建模的那种“所想即所得”的快感。