使用logcdf在cvxopt（python）中定义函数

我想将目标函数定义为：

-sum（log（normcdf（x））

，其中

normcdf

作用于

x

的每个组件。看起来

cvxpy

已经实现了它，但我想继续使用Python中的

cvxopt

。有什么建议吗

***** Example python code to make this question clearer:
from cvxopt import spmatrix, log
from cvxopt.modeling import variable, op, sum

# A is m x n matrix of type 'cvxopt.base.spmatrix' (not included here to save space)
# a_hat is n x 1 vector of type 'cvxopt.modeling.variable
a_hat = variable(n)

# constraints
c1 = (a_hat >= 0)
c2 = (a_hat <= 0)

#valid objective and optimization problem
f = -sum(A*a_hat)
op(f, [c1, c2]).solve()

# desired objective
# f = -sum(log( "cdf of each element of (A*a_hat)" ))

# this doesn't work either (because log 'argument must be a number of dense matrix')
# f = -sum(log(A*a_hat))

****让这个问题更清楚的python示例代码：
从cvxopt导入spmatrix，记录
从cvxopt.modeling导入变量，op，sum
#A是“cvxopt.base.spmatrix”类型的m x n矩阵（此处不包括以节省空间）
#a_hat是'cvxopt.modeling.variable'类型的nx1向量
a_hat=变量（n）
#约束条件
c1=（a_hat>=0）
c2=（a_hat我找到了这样做的方法：需要计算自己的梯度和hessian，并使用cvxopt.cp（下面，G和h是约束条件，为清楚起见省略）

你可能会想研究，它（以及）增加了对科学计算的支持，并为你提供了与Matlab所能做的几乎所有事情的等价物。特别是，它看起来像是你想研究这个模块，因为它看起来像是你在尝试做凸优化。
def myFunc(x=None, z=None):
  if x is None: return 0, matrix(0.2, (n,1))
  y = (1/sigma)*A*x
  f = -sum(log(matrix(stats.norm.cdf(y))))
  r = matrix(stats.norm.pdf(y)/stats.norm.cdf(y))
  gradf = -A.T * r
  if z is None: return f, gradf.T
  H = A.T * spdiag( (1.0/sigma) * z[0] * r**2 + mul(r,y)) * A
  return f, gradf.T, H
xlb = solvers.cp(myFunc, G = G, h = h)