cvxpy有一种非常简洁的方式来写出优化形式，而不必担心将其转换为“标准”矩阵形式，因为这是在内部完成的。最好用一个例子来解释：

def cvxpy_implementation():

    var1 = cp.Variable()
    var2 = cp.Variable()

    constraints = [
            var1 <= 3,var2 >= 2
    ]

    obj_fun = cp.Minimize(var1**2 + var2**2)

    problem = cp.Problem(obj_fun,constraints)
    problem.solve()

    return var1.value,var2.value


def scipy_implementation1():

    A = np.diag(np.ones(2))
    lb = np.array([-np.inf,2])
    ub = np.array([3,np.inf])

    con = LinearConstraint(A,lb,ub)

    def obj_fun(x):
        return (x**2).sum()
    result = minimize(obj_fun,[0,0],constraints=con)
    return result.x

def scipy_implementation2():

    con = [
        {'type': 'ineq','fun': lambda x: 3 - x[0]},{'type': 'ineq','fun': lambda x: x[1] - 2},]

    def obj_fun(x):
        return (x**2).sum()

    result = minimize(obj_fun,constraints=con)
    return result.x

以上所有方法都给出了正确的结果，但是cvxpy实现要写起来更“容易”，特别是我不必担心不等式，并且可以在写出不等式时命名有用的变量。将其与scipy1和scipy2实现进行比较，在第一种情况下，我必须写出这些额外的inf，在第二种情况下，我必须记住哪个变量是哪个。您可以想象有一个变量，其中有100个变量，而最终需要将它们连接起来，我希望能够像在cvxpy中那样将其写出。

问题： 有没有人实施这项技术？还是有其他库可以完成这项工作？

谢谢