我想解决下面的（凸）最小化问题：
最小值||x||在约束sgn（A[x，R]=y）和||x|| _2 = 1
其中A是一个mx（N+1）矩阵，x在R^N中是一个向量，\[x,R\]是一个向量，它是通过附加一个给定的数R而产生的，目标是找到x的最优值。
A是一个傅立叶矩阵，有快速的矩阵-向量、求逆等算法可用。由于这个矩阵真的很大，我需要使用利用它的优化算法。
目前，我在cvxpy中使用以下实现，它太慢了：

import cvxpy as cvx

# rewrite the problem in the form x = x^- + x^+
n = A.shape[1]-1
vx = cvx.Variable(2*n)
objective = cvx.Minimize(cvx.pnorm(vx, 1)) # min ||x||_1
constraints = [vx >= 0, cvx.multiply(A[:,:n] @ vx[:n] - A[:,:n] @ vx[n:] + A[:,n]*R, y) >= 0,
               cvx.norm(vx, 2) <= R] # sgn(A[x,1]) = y, ||x||_2 <= R
x, solve_time = solve(vx, objective, constraints)
solution = x[:n] - x[n:]

有没有办法在cvxpy中使用快速的矩阵计算？或者有没有更好的库？我发现一些实现可以在一个特殊的算法中做到这一点，但不能在一般情况下，所以我无法实现我的问题。