AI 与工程数学 / 系统课时
把业务限制写成约束条件
把业务限制写成约束条件
目标函数说明“哪个方案更好”,约束条件则回答“哪些方案根本不能选”。本节把容量、预算、上下界和守恒关系转换为等式或不等式,并通过可行性检查判断候选解是否满足全部业务限制。
学习目标
- 把常见业务限制翻译成等式、不等式和变量边界
- 理解可行域与可行解的含义,以及它们和目标函数的关系
- 用程序检查候选方案并识别明显冲突的约束
把自然语言限制改成数学条件
假设需要决定两类产品的产量 和 。第一种资源每生产一个 消耗 2 单位、每生产一个 消耗 1 单位,总容量只有 10;第二种资源的消耗分别为 1 和 2,总容量只有 8。
这些限制可以写成:
产量不能为负,因此还需要 、。如果业务只允许整件生产,还要额外规定 、 为整数。
工程中最常见的翻译方式是:不超过容量、预算或时延上限通常对应 ;至少达到需求或安全阈值通常对应 ;库存守恒、质量守恒以及必须精确匹配的关系通常对应等式。变量自身允许的取值范围则直接写成上下界。
可行域决定算法能够搜索的位置
一个候选方案只有同时满足全部约束,才叫可行解。所有可行解组成的集合称为可行域。目标函数并不能让算法越过这些边界,它只负责在可行域内部比较哪个方案更优。

当约束只有两个变量时,可以像图中一样直接观察交集;变量达到几十、几百甚至更多以后,就无法靠画图判断,只能通过代数条件和求解器进行可行性检查。
用程序检查候选方案
在交给真正的优化算法之前,先写一个可行性判断函数很有价值。它能验证约束翻译是否正确,也能帮助定位某个候选解究竟违反了哪类业务规则。
def is_feasible(x: int, y: int) -> bool:
# 一个方案必须同时满足非负边界和两项资源容量限制
return x >= 0 and y >= 0 and 2 * x + y <= 10 and x + 2 * y <= 8
tests = [(4, 1), (5, 2), (-1, 2)]
for point in tests:
print(f"{point}: {is_feasible(*point)}")
# 枚举整数候选,验证当前约束组合确实存在可行解
feasible_points = [
(x, y)
for x in range(11)
for y in range(11)
if is_feasible(x, y)
]
print(f"feasible_count={len(feasible_points)}")预期输出:
(4, 1): True
(5, 2): False
(-1, 2): False
feasible_count=20同时满足所有条件,所以算法可以接受它; 超出了资源容量; 则违反了非负边界。这里共有 20 个整数可行点,说明约束组合至少不是完全矛盾的。
优化前先排除冲突约束
如果不存在任何同时满足全部约束的方案,优化问题就是不可行的。此时继续调学习率、迭代次数或求解器参数通常没有意义,应先检查模型本身。
最简单的冲突例如同时要求 和 。数学上不存在这样的 ,对应到业务中可能是“最低需求至少 6 件”,但“最大产能只能生产 4 件”。解决方法不是换算法,而是修改容量、需求或其他业务条件。
数值模型还要注意浮点误差。理论上的等式在计算机中通常不适合用完全相等判断,数值求解器会使用一定容差;但“预算不得超过 100 万”和“库存必须非负”这类业务边界仍应在建模时明确写出,而不能期待算法自行猜测。
目标函数负责寻找更好的方案,约束条件负责划定合法方案的边界。只有先确认可行域存在且符合业务含义,后续讨论最优解才有意义。