Есть ли альтернатива scipy.optimize.lsq_linear для решения неквадратного матричного уравнения путем минимизации нормы L1?

Я написал код на Python, который импортирует некоторые данные, которыми я затем манипулирую, чтобы получить неквадратную матрицу A. Затем я использовал следующий код для решения матричного уравнения.

from scipy.optimize import lsq_linear
X = lsq_linear(A_normalized, Y, bounds=(0, np.inf), method='bvls')

Как видите, я использовал именно этот метод, потому что мне нужно, чтобы все коэффициенты X были положительными. Однако я понял, что lsq_linear из scipy.optimize минимизирует норму L2 AX - Y для решения уравнения. Мне было интересно, знает ли кто-нибудь альтернативу lsq_linear, которая вместо этого решает уравнение, минимизируя норму L1. Я просмотрел документацию по scipy, но пока мне не удалось найти такую ​​альтернативу.

(Обратите внимание, что я действительно знаю, что такое Y и что я пытаюсь решить, это X).

Изменить: после того, как я попробовал различные предложения из раздела комментариев и после большого разочарования, мне наконец удалось заставить его работать с помощью cvxpy. Однако с этим есть проблема. Прежде всего предполагается, что все элементы X положительны, но это не так. Более того, когда я умножаю матрицу A_normalized на X, они не равны Y. Мой код ниже. Любые предложения о том, что я могу сделать, чтобы исправить это, будут высоко оценены. (Кстати, мое первоначальное использование lsq_linear в приведенном выше коде дало мне X, удовлетворяющее A_normalized*X = Y.)

import cvxpy as cp
from cvxpy.atoms import norm
import numpy as np

Y = specificity
x = cp.Variable(22)
objective = cp.Minimize(norm((A_normalized @ x - Y), 1))
constraints = [0 <= x]
prob = cp.Problem(objective, constraints)
result = prob.solve()
print("Optimal value", result)
print("Optimal var")
X = x.value #  A numpy ndarray.
print(X)
A_normalized @ X == Y