1. 优化问题概述：什么是约束优化？
大家好，我是你们这堂课的讲师。咱们今天聊的，是约束优化模型里最基础、也最容易被忽略的一个问题——到底什么是约束优化？
说白了，约束优化就是：在给定限制条件下，找到最好的那个方案。
我刚开始做运筹项目时，总觉得“优化”就是找个最大值或最小值。后来踩了不少坑才明白——没有约束的优化，在工程里基本不存在。你想想看，现实中哪个决策不是带着镣铐跳舞？
一个生活中的例子
假设你要从北京去上海出差。你的目标是“总时间最短”。但你能随便选路线吗？不行。你得考虑：
- 预算不能超过2000块（资金约束）
- 必须在下午5点前到达（时间约束）
- 不能坐飞机（个人偏好约束）
这就是一个典型的约束优化问题。目标函数是“总时间”，决策变量是“交通工具和路线”，约束条件就是上面那三条。
数学模型三要素
任何一个约束优化问题，都跑不出这三个东西。我习惯把它们叫做“铁三角”：
1. 决策变量（Decision Variables）
你要决定什么？比如生产多少件产品、分配多少资源、选择哪条路径。这些就是决策变量。通常用 x₁, x₂, ..., xₙ 表示。
2. 目标函数（Objective Function）
你要优化什么？利润最大化？成本最小化？时间最短？这就是目标函数。记作 f(x₁, x₂, ..., xₙ)。
3. 约束条件（Constraints）
你不能做什么？资源有限、时间有限、技术限制……这些都是约束。通常写成 gᵢ(x₁, x₂, ..., xₙ) ≤ 0 或 hⱼ(x₁, x₂, ..., xₙ) = 0 的形式。
嗯，这里要注意：约束条件里，等号约束和不等号约束的处理方式完全不同。我当年做供应链优化时，就因为把 ≤ 写成了 <，结果模型跑出来一堆荒谬的解。后来排查了整整两天才找到问题。
数学表达形式
一个标准的约束优化问题，长这样：
min f(x₁, x₂, ..., xₙ)
s.t. gᵢ(x₁, x₂, ..., xₙ) ≤ 0, i = 1, 2, ..., m
hⱼ(x₁, x₂, ..., xₙ) = 0, j = 1, 2, ..., p
x ∈ X其中 s.t. 是“subject to”的缩写，意思是“受限于”。X 是决策变量的可行域，比如变量必须是非负整数，或者只能取某些离散值。
约束优化的分类
根据不同的维度，约束优化可以分成好几类。我整理了一个表格，方便你对照：
| 分类维度 | 类型 | 特点 | 典型算法 |
|---|---|---|---|
| 目标函数数量 | 单目标 / 多目标 | 单目标只有一个优化方向；多目标需要权衡 | 加权法、帕累托前沿 |
| 变量类型 | 连续 / 离散 / 混合 | 连续变量可微；离散变量组合爆炸 | 梯度下降、分支定界 |
| 约束性质 | 线性 / 非线性 | 线性约束好解；非线性约束复杂 | 单纯形法、内点法 |
| 变量确定性 | 确定性 / 随机性 | 随机性需要考虑概率分布 | 随机规划、鲁棒优化 |
我个人习惯，拿到一个实际问题后，先按这个表格给它“贴标签”。贴对了，后面选算法就顺了。
知识体系框架图
下面这张图，是我自己画的知识结构。你看一眼，就能把这一章的核心逻辑串起来：
💡 我的小建议：刚开始学约束优化，别急着看算法。先把“三要素”练熟。拿到一个问题，能准确说出“决策变量是什么、目标函数是什么、约束条件有哪些”，你就已经成功了一半。
⚠️ 避坑指南：我曾经犯过一个低级错误——把约束条件写成了目标函数的一部分。比如“成本不能超过1000”，我直接写进了目标函数里，结果模型为了“最小化成本”拼命压缩，完全忽略了其他目标。记住：约束是约束，目标是目标，别混在一起。
好了，这一章就到这里。约束优化的核心框架你已经清楚了。下一章我们会深入讨论“可行域”和“最优解”的数学定义——这两个概念，是后面所有算法的基石。