MATLAB CVX中cvx.Variable详解：从变量声明到凸优化建模实战

简介面向在MATLAB中开展凸优化建模的工程师与科研人员这份演示代码以单个m脚本为载体集中展示CVX工具箱的核心用法——通过cvx_variable类声明标量、向量或矩阵变量并以接近数学表达式的自然语法构建目标函数与约束条件。压缩包内为1个m源文件整体仅1KB轻量易读适合快速查看关键API调用样例。目前已有644人学习适合希望借助短小示例快速上手CVX的初学者。文件围绕变量定义展开包含维度设定、元素上界约束等常见写法同时配合cvx_end语句触发求解能帮助理解从建模到求解的完整流程。读者可从中提取变量类型转换、凸性保持等注意事项并迁移到自己项目的优化模型搭建中减少摸索时间。对于需要解决线性规划、二次规划及其他凸优化问题的MATLAB用户这是一份高效的入门参考。1. 用一次资源分配场景认识 cvx.Variable为什么“声明变量”是做优化最重要的一步拿到一个实际问题比如给一组传感器节点分配发射功率目标是在总功耗受限的情况下让信噪比尽量均衡。新手通常会写两层循环去暴力搜索老手则会先把问题翻译成“变量 约束 目标”三段式再丢给求解器。而 MATLAB 的 CVX 工具箱把中间最繁琐的建模过程压缩成一行cvx.Variable。这个函数不是普通的变量赋值它定义了一个带数学属性的优化变量——向量、矩阵、对称、半正定、复数都靠它统一表达之后写的目标函数和约束条件会被自动推导成标准的凸优化形式交给底层的 Sedumi、SDPT3 或 Mosek 去解。这篇文章围绕cvx.Variable展开讲清楚它和普通 MATLAB 变量的本质差别再通过最小二乘、投资组合、半定规划三个 DEMO 展示不同变量类型的写法最后落到求解器的精度控制和排错技巧。适合两类人一类是刚接触 CVX 想快速上手凸优化的工程师另一类是已经跑通过基础例子、但遇到“声明变量后表达式报错”“求解结果不精确”这类问题上手无策的进阶用户。整个思路就是先理解变量对象的行为再大胆建模最后学会看求解器的反馈来修模型。2. cvx.Variable 的声明语法与三种核心变量类型在 CVX 里cvx.Variable是函数式调用与variables关键字等价。它必须在cvx_begin和cvx_end之间使用离开这个区域它就不是一个可赋值的数值矩阵而是一个带有维度、类型和内置属性的抽象对象。理解这一点是避免后续所有报错的前提。2.1 cvx.Variable 与普通 MATLAB 变量的本质区别普通 MATLAB 变量A [1 2; 3 4]在赋值瞬间就确定了具体的数值你可以直接索引、做矩阵乘法、画图。但cvx.Variable声明出来的对象在求解完成之前没有任何数值它只承载了“形状”和“性质”。例如下面这段代码cvx_begin variable x(5,1) minimize( norm(x - ones(5,1)) ) cvx_endvariable x(5,1)等价于cvx.Variable(5, 1)它告诉 CVX“这里有个 5 行 1 列的未知向量”。后续的norm(x - ones(5,1))只是一个表达式CVX 会把这个表达式转换成一个等价的锥规划形式交给求解器求解最后才把结果写入x的value属性里。所以在这个作用域内直接输出x显示的要么是cvx convex expression的提示要么是求解后的数值而这完全取决于你是在cvx_end之前还是之后打印它。注意区分variables是 CVX 提供的命令式声明cvx.Variable是函数式声明。二者功能完全相同但函数式写法可以在循环或函数句柄中动态构造变量比如cvx.Variable(n, n, symmetric)这样的调用更接近普通 MATLAB 函数风格。我一般习惯用variable关键字写小模型用cvx.Variable写需要参数化构造变量的复杂模型。2.2 维度、类型与第二个参数从向量到半定矩阵cvx.Variable完整调用形式是cvx.Variable(dim1, dim2, ... , type, option)。第一个到第 N 个参数是维度剩下的字符串参数是结构修饰符。symmetric声明对称矩阵semidefinite声明半正定矩阵hermitian声明 Hermitian 复矩阵complex声明复值变量toeplitz声明 Toeplitz 结构。默认情况下的矩阵变量没有任何结构约束。常见的映射关系如下表声明语句变量的数学属性典型应用场景cvx.Variable(n,1)实值列向量稀疏重构、回归系数cvx.Variable(n,m)普通实值矩阵矩阵回归、低秩逼近cvx.Variable(n,n,symmetric)实对称矩阵协方差估计、二次型规划cvx.Variable(n,n,semidefinite)对称半正定矩阵SDP、松弛后的组合优化cvx.Variable(n,1,complex)复值向量波束成形、信号处理cvx.Variable(m,n,toeplitz)Toeplitz 结构矩阵谱估计、系统辨识这里有一个关键点半正定矩阵变量本身就蕴含了对称性所以不需要再额外添加对称约束。声明cvx.Variable(n,n,semidefinite)之后CVX 自动把变量限制在对称半正定锥内。与之相比如果只声明symmetric你还得自己通过约束M semidefinite(n)来强制半正定二者最终结果一致但前者代码更简洁。3. 三个可复现 DEMO从向量变量到矩阵变量的完整建模链路有了变量声明做地基就可以正式搭建模型了。这一节给三个由浅入深的 DEMO分别在 MATLAB R2024a/b 及主流 2023b 环境验证过。三个例子覆盖cvx.Variable最常用的场景向量做稀疏优化、向量做带约束的二次规划、矩阵做半定规划。每个例子都给出完整代码、关键行注释和参数设计理由。3.1 DEMO 1用 L1 范数最小化做稀疏信号重构变量是 n 维向量假设有一个未知稀疏信号x_true我们通过一个随机测量矩阵A得到观测b A * x_true noise现在要用 CVX 恢复原始信号。这是压缩感知的经典设置目标函数是“数据拟合误差 L1 正则化项”。% 生成测试数据 rng(42); n 100; m 60; k 10; A randn(m, n); x_true zeros(n, 1); support randperm(n, k); x_true(support) randn(k, 1); b A * x_true 0.01 * randn(m, 1); % 用 CVX 求解 Lasso lambda 0.1; % 正则化系数控制稀疏度 cvx_begin quiet variable x_hat(n,1) % 用 variable 关键字声明 minimize( 0.5 * sum_square(A * x_hat - b) lambda * norm(x_hat, 1) ) cvx_end % 验证恢复精度 fprintf(恢复误差: %e\n, norm(x_hat - x_true)); fprintf(支撑集重合度: %d/%d\n, sum(abs(x_hat) 0.01), k);sum_square是 CVX 里的平方和函数它比直接写(A*x_hat - b) * (A*x_hat - b)更友好因为后者在展开时会产生一个额外的二次型CVX 需要额外的改写才能识别成 SDP 约束。norm(x_hat, 1)是 L1 范数凸且不可微这正是 CVX 的强项——它内部把 L1 范数重写为线性规划形式。这里lambda的选择直接影响稀疏度太大则恢复结果全为零太小则过拟合噪声。实际调参时可以从 0.01 到 1 按对数间隔扫描。3.2 DEMO 2投资组合优化中给 cvx.Variable 加上下界约束第二个例子是标准的 Markowitz 投资组合问题。我们要在 N 个资产上分配权重w使组合风险w * Sigma * w最小同时要求期望收益不低于某个目标水平且权重非负并求和为 1。% 构造协方差矩阵和期望收益 N 10; Sigma randn(N, N); Sigma Sigma * Sigma 0.5 * eye(N); % 对称正定 mu randn(N, 1); target_return 0.2; cvx_begin quiet variable w(N,1) % 资产权重向量 minimize( quad_form(w, Sigma) ) % 组合方差 subject to w 0 % 禁止做空 sum(w) 1 % 权重归一化 mu * w target_return % 收益达标 cvx_end fprintf(最小风险: %e\n, cvx_optval); fprintf(组合收益: %e\n, mu * w);这里quad_form(w, Sigma)是 CVX 专门为二次型设计的函数它要求Sigma是常数对称矩阵w是变量。如果把quad_form展开成w * Sigma * wCVX 也能识别但前者在表达上更清晰并且对某些求解器来说数值稳定性更好。约束里w 0、sum(w) 1、mu * w target_return全部是线性的所以整体是二次规划QP。IS 上的一个关键点是mu * w target_return里mu是常数向量、w是变量二者的乘积是线性的完全合规但如果把mu也设成 CVX 变量这就是双线性项会直接触发 Disciplined Convex Programming 规则报错。这就是为什么所有常数数据必须在cvx_begin之前赋值。3.3 DEMO 3SDP 松弛中声明半定矩阵变量信号处理里经常遇到特征值优化问题最小化最大特征值或者最大化最小特征值。这类问题可以写成半定规划。下面用cvx.Variable(n,n,semidefinite)声明一个矩阵变量求解一个带线性约束和迹约束的 SDP。% 生成数据 n 6; C randn(n, n); C C * C eye(n); % 目标矩阵 B randn(n, n); B B B; % 约束矩阵 b_val 2.0; cvx_begin sdp quiet variable X(n, n) semidefinite % 等价于 cvx.Variable(n,n,semidefinite) minimize( trace(C * X) ) subject to trace(B * X) b_val X(1,1) 1 % 主对角元素约束 cvx_end % 输出最优值 fprintf(最优迹值: %e\n, cvx_optval); fprintf(X 的最小特征值: %e\n, min(eig(X)));注意cvx_begin sdp这种写法本身不自动声明变量它只是告诉 CVX 这是一个半定规划上下文变量仍然要显式用semidefinite关键字来声明。这里cvx.Variable(n,n,semidefinite)与variable X(n,n) semidefinite等价。X(1,1) 1是一个很有意思的约束它把 X 的某个元素固定为 1这在 cosie 或图的稳定数问题里很常见。求解结束后min(eig(X))的数值应该接近 0允许数值误差用来验证解是否真的落在半正定锥内。4. 求解精度与求解器控制cvx_precision、cvx_solver 与状态解读模型能跑通只是第一步很多时候结果不够好不是建模错误而是求解器参数没控制住。这一节围绕求解器选型、精度阈值和结果状态三个维度展开。快照里经常出现的 “matlab优化工具箱” 和 “cvx安装” 问题也顺带做对比说明。4.1 求解器选型从 Sedumi 到 Mosek 的切换基准CVX 默认使用 SDPT3它对中小规模问题表现稳定。但如果问题规模到了上千维或者模型里二阶锥约束密集换成 Sedumi 经常有惊喜。改变求解器不需要改模型只要在cvx_begin之前执行cvx_solver sedumi或cvx_solver mosek。求解器适用场景许可证精度特点SDPT3默认通用小中规模、教学验证随 CVX 自带精度中等迭代稳定Sedumi大规模 SDP、二阶锥规划随 CVX 自带对稀疏锥约束效率高Mosek大模型、二次规划、需要高精度商业许可精度最高内点法实现优秀Gurobi线性规划、二次规划商业许可QP 求解快SDP 不支持SCS超大规模、分布式求解随 CVX 自带一阶算法精度低但快切换求解器后最好跑一个小模型做一个快速基准。比如同样的回归问题tic/toc包一层看耗时和最终目标值差异。我实际遇到过一次协方差估计问题SDPT3 跑了 200 秒还不收敛切到 Sedumi 后 20 秒解决精度还更好。这提醒一件事不只是求解器本身的能力还有问题结构跟算法的匹配度。二阶锥约束多的Sedumi 赢面大二次型密集的Mosek 更稳。4.2 cvx_precision 的五个档位与手动控制逻辑CVX 自带cvx_precision命令它接受high、medium、low、default或自定义阈值向量。默认是default即求解器自带的终止条件。手册上给出推荐档位实际使用的差异主要体现在cvx_slvtol上它表示求解器实际达到的对偶间隙或残差。cvx_precision high % 终止阈值设为 1e-8 量级 cvx_begin quiet variable x(10,1) minimize( norm(A*x - b, 2) ) cvx_end cvx_precision default % 用完恢复默认不影响后续任务high对应的是更紧的停机标准代价是更多次的迭代;low经常用于大规模模型的初步验证。调cvx_precision还有一个副作用——如果你的模型本身病态严重强行用high会导致求解器反复迭代不收敛报Inaccurate/Solved。这时候正确的做法不是继续调高精度而是回看数据是否做了归一化或者约束矩阵是否条件数过大。一个常用的标准化手段是将目标函数里的向量做归一化b b / norm(b)将协方差矩阵缩放成Sigma / max(diag(Sigma))模型缩放后求解速度和精度都会显著改善。cvx_precision并不改变问题本身只改变终止判据的松紧所以它救不了病态问题。4.3 状态与调试读 cvx_status、cvx_optval 定位建模错误每次求解完CVX 会写三个状态量cvx_status、cvx_optval、cvx_slvtol。新手最容易忽视的是cvx_status它不是每次都是Solved。常见的返回值含义如下cvx_status 值含义调试方向Solved求解成功且精度到达要求直接使用结果Inaccurate/Solved求解完成但精度没达标提高精度或检查缩放Infeasible约束过紧不存在可行解放宽约束检查Unbounded目标函数没有下界最小化检查是否有隐含下界缺失Failed求解器内部错误换求解器或简化模型cvx_optval给出最优目标值但它只有在cvx_status为Solved时才有意义。一个高频错误是约束维度不匹配比如声明variable X(n,n) semidefinite后面却写X(1:3) 1CVX 会提示The selected primary variable is not available这是你试图对矩阵变量做线性索引但维数不对。另一个高频坑是在约束里用了双重变量乘法比如x * yCVX 直接报Disciplined convex programming error因为你构造的是非凸双线性项。此时需要把其中一个变量视为常量或者重新设计模型表达。5. 提升大型模型的构建效率与稳定性表达式缓存与变量复用技巧模型规模一大约束数量往往上千甚至上万。此时反复声明变量、重复计算表达式会让 CVX 建模阶段变得异常缓慢。这一章的技巧在于善用expression关键字做表达式缓存以及用cvx.Variable的批量声明能力减少重复代码。5.1 使用 expression 对象缓存中间结果避免重复建模CVX 的表达式对象和变量对象不同表达式不引入新的自由度只是一个计算图节点。比如要构造一个多约束问题每个约束都依赖某个共同的线性变换F A * X那么声明一次表达式后面重复引用建模速度会有质的提升% 批量声明一组矩阵变量 K 10; n 15; cvx_begin quiet variable X(n, n, K) semidefinite % 10 个 n×n 半定矩阵 expression F(K) for k 1:K F(k) trace(C{k} * X(:,:,k)); end minimize( sum(F) ) subject to for k 1:K F(k) 1 / K; % 每个子项的贡献下限 end cvx_end这里X(n,n,K)被声明成一个三维数组变量CVX 支持这种批量声明并且每个切片都自动保持半定性质。核心点是expression F(K)创建了一个长度为 K 的表达式数组在循环内部F(k)被赋值后CVX 不会重复展开trace(C{k} * X(:,:,k))而是维护了一个指向计算图的引用。如果不用表达式每次引用trace(C{k} * X(:,:,k))都会触发一次内部表达式复制K 上百之后建模时间从秒级上升到分钟级。% 验证最终变量的值与约束可行性 check zeros(K,1); for k 1:K check(k) trace(C{k} * X(:,:,k)); % 这是数值计算不是 CVX 表达式 end disp(min(check))这段验证代码必须放在cvx_end之后因为此时X(:,:,k)取出来的是数值矩阵。注意trace(C * X)里C是元胞数组的元素用C{k}索引不要写成C(k)否则会得到元胞而不是矩阵触发Undefined function trace for input arguments of type cell这类低级报错。5.2 批量处理复值变量的实部与虚部拆分策略信号处理里经常遇到复值优化变量。直接用cvx.Variable(n,1,complex)可以声明复变量但约束里不能直接写abs(x) 1因为非凸。正确的做法是把幅度约束拆成实部虚部的线性约束或者利用abs()的凸性做上界约束。例如约束信号的幅度平方小于等于 1写法是abs(x) 1CVX 内部会转成二阶锥。但如果要固定相位就得显式操作real(x)和imag(x)n 4; cvx_begin quiet variable z(n,1) complex minimize( real(b * z) ) % 目标函数取实部 subject to abs(z) 1.5 % 幅度上界约束二阶锥 real(z) 0.1 % 实部下界 imag(z(1)) 0.2 % 某个虚部固定值 cvx_end这里的关键是声明complex后CVX 把变量视为复空间中的对象b * z会产生一个复值表达式。此时minimize只有一个输入参数CVX 实际会对该表达式的实部做优化但为了防止歧义显式写real(b * z)更规范。abs(z) 1.5展开成n个二阶锥约束这比逐元素写实部虚部的毕达哥拉斯约束稳定得多——手动拆实部虚部需要加辅助变量代码量和引入错误的机会都翻倍。5.3 利用稀疏结构减少变量数量固定模式与逐块建模有些模型里的矩阵变量有固定结构比如 Toeplitz 或 Hankel。此时不该声明一个完整矩阵再添加大量 的等式约束那样变量数量是n^2而实际自由度只有2n-1。直接用cvx.Variable(n,n,toeplitz)可以把自由度压缩到2n-1大幅缩小求解规模。n 20; cvx_begin quiet variable T(n,n) toeplitz % 只建模 n*2-1 个独立变量 minimize( norm(T - A_obs, fro) ) subject to T 0 % 逐元素非负 cvx_endtoeplitz结构由第一列和第一行决定CVX 内部自动处理了这种依赖关系。如果不用结构声明你得手动构造 Toeplitz 索引矩阵然后在约束里写T(i,j) T(i-1,j-1)这类递推约束不仅代码冗长还会让约束矩阵在稀疏结构上劣化预处理时间变长。同理symmetric也能减少一半左右的变量数量。这些结构修饰符是cvx.Variable相对手写 CVX 建模最大的优势——同样的优化模型变量数量更少求解更快数值稳定性更好。遇到大型矩阵变量先想想数据本身有没有对称、Toeplitz、非负、对角占优等规律用内置修饰符代替显式约束通常是稳赚不赔的优化。本文还有配套的精品资源点击获取