win10下python3.7安装cvxpy库与cvxopt

CVXPY是斯坦福大学凸优化组开发的一个Python软件包，方便用户以数学形式定义凸优化模型。它是一种可以内置于Python中的模型编程语言，可以自动转化问题为标准形式，调用 solver，解包结果集。

win10 + Anaconda python3.7

准备工作，这一步可有可无（如果后面安装使用出问题，那就需要回过头来做这一步骤）
Visual Studio C++ compiler

不过也有看到说可以不装这个，直接有现成的*https://www.lfd.uci.edu/~gohlke/pythonlibs/#ecos。这里选择的版本是根据后面得到的版本信息来选择的。安装方法和后面的cvxopt一样pip install ecos-2.0.7.post1-cp37-cp37m-win_amd64.whl。

我试了试，的确有用hhh。

Step 1: 点击进入 Anaconda Prompt

Step 2: 输入命令 pip install cvxpy

可以选择想要用的镜像源

https://pypi.tuna.tsinghua.edu.cn/simple
https://mirrors.aliyun.com/pypi/simple/
https://pypi.douban.com/simple
https://mirrors.ustc.edu.cn/pypi/web/simple

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple cvxpy

Step 3: 输入命令 pip install cvxopt

1.点击进入 Anaconda Prompt
2.输入 python，按 Enter 键，进入python界面
3.输入两行命令（每行命令按 Enter 结束）

32 位系统

>>> import pip
>>> print(pip.pep425tags.get_supported())

64 位系统

>>> import pip._internal.pep425tags
>>> print(pip._internal.pep425tags.get_supported())

4.根据版本信息下载两个 .whl 文件：Numpy+mkl 和 CVXOPT
Numpy+mkl ：https://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy
CVXOPT：https://www.lfd.uci.edu/~gohlke/pythonlibs/#cvxopt
这个下载有点慢，我下载了一个打包合集，合适的话可以直接下载——在这。

听说numpy+mkl1.16.6版本兼容性好一些。

假设两个.whl文件都存在D盘

5.点击进入 Anaconda Prompt
6.卸载 numpy：pip uninstall numpy
7.进入两个 .whl 文件所在的文件夹
输入命令cd 文件所在路径（如果文件在D盘，需要先输入 D: 跳转到 D盘，然后输入 cd 文件所在路径）

之前都保存在D盘，所以直接跳转D就行了。

8. 输入命令 “pip install 文件名.whl”，按 Enter 键
比如：pip install cvxopt-1.2.5-cp37-cp37m-win_amd64.whl

Step 4: 输入命令 pip install cvxopt

进入 Anaconda Prompt，再入python环境，import cvxpy，不出问题的话就是成功了。

Step 5: 试一个小例子

$\begin{aligned} \text{Min} &\quad 2x_1 + 3x_2\\ \text{s.t.} &\quad x_1 + 2x_2 >= 2\\ &\quad 2x_1 + x_2 >= 3\\ &\quad x_1,x_2 \geq 0 \end{aligned}$Mins.t.​2x1​+3x2​x1​+2x2​>=22x1​+x2​>=3x1​,x2​≥0​

x1 = cvx.Variable(nonneg=True)
x2 = cvx.Variable(nonneg=True)
obj = cvx.Minimize(2*x1 + 3*x2)
constrains = [x1 + 2*x2 >= 2, 2*x1 + x2 >= 3]
prob = cvx.Problem(obj, constrains)
prob.solve()
print('求解状态：%s，用时：%s' %(prob.status, prob.solver_stats.solve_time))
print("The optimal value is", prob.value)
print("A solution x is", x1.value, x2.value)
print("Dual value is", constrains[0].dual_value, constrains[1].dual_value)

求解状态：optimal，用时：2.4e-05
The optimal value is 3.6666666664998697
A solution x is 1.333333333418318 0.333333333221078
Dual value is 1.3333333332844253 0.33333333331070386