如何在Scipy中表示由集合并集构成的可行域？

对于可行域为多个集合并集的优化问题，Scipy的minimize无法直接通过单一约束描述（默认约束为交集逻辑），最可靠的解决方式是拆分到每个子集单独求解，再比较结果取全局最优。

问题分析 #

你的可行域由三个子集组成：

• 子集A：$x_0^2 + x_1^2 \leq 4$，且 $-2 \leq x_0 \leq 1$、$-2 \leq x_1 \leq 1$
• 子集B：$-4 \leq x_0 \leq 0$，且 $0 \leq x_1 \leq 1$
• 子集C：$0 \leq x_0 \leq 1$，且 $-4 \leq x_1 \leq 0$

原代码的约束函数逻辑错误，无法正确描述并集可行域，导致求解结果不符合预期。

修正后的实现方案 #

分别在三个子集上求解优化问题，最后对比三个结果的目标函数值，选择最小的解作为全局最优解：

import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle
import numpy as np
from scipy.optimize import NonlinearConstraint, Bounds, minimize

############ 绘图部分（保留原逻辑）############
def in_region(x):
    return (x[0]**2 + x[1]**2 <= 4 and -2 <= x[0] <= 1 and -2 <= x[1] <= 1) or \
           (-4 <= x[0] <= 0 and 0 <= x[1] <= 1) or \
           (-4 <= x[1] <= 0 and 0 <= x[0] <= 1)

X, Y = np.meshgrid(np.linspace(-4, 1, 500), np.linspace(-4, 1, 500))
Z = np.zeros_like(X)
for i in range(X.shape[0]):
    for j in range(X.shape[1]):
        Z[i,j] = in_region([X[i,j], Y[i,j]])

fig, ax = plt.subplots(figsize=(8,8))
ax.pcolormesh(X, Y, Z, cmap='binary')

rect1 = Rectangle((-2,-2), 3, 3, linewidth=1, edgecolor='r', facecolor='none')  # 修正矩形范围，覆盖x0到1、x1到1
ax.add_patch(rect1)
rect2 = Rectangle((-4,0), 4, 1, linewidth=1, edgecolor='r', facecolor='none')
ax.add_patch(rect2)
rect3 = Rectangle((0,-4), 1, 4, linewidth=1, edgecolor='r', facecolor='none')
ax.add_patch(rect3)

ax.set_xlim([-4, 1])
ax.set_ylim([-4, 1])
ax.set_xlabel('x[0]')
ax.set_ylabel('x[1]')
plt.show()

############ 求解部分（拆分到三个子集）############
# 目标函数
def objective(x):
    return x[0] + x[1]

# --- 子集A求解 ---
def constraint_A(x):
    return x[0]**2 + x[1]**2 - 4  # 约束：x0²+x1² ≤4 → 函数值 ≤0
bounds_A = Bounds([-2, -2], [1, 1])
cons_A = NonlinearConstraint(constraint_A, -np.inf, 0)
result_A = minimize(objective, [-2, -2], bounds=bounds_A, constraints=cons_A)

# --- 子集B求解 ---
bounds_B = Bounds([-4, 0], [0, 1])
result_B = minimize(objective, [-4, 1], bounds=bounds_B)

# --- 子集C求解 ---
bounds_C = Bounds([0, -4], [1, 0])
result_C = minimize(objective, [1, -4], bounds=bounds_C)

# 比较三个子集的最优解
results = [result_A, result_B, result_C]
min_idx = np.argmin([res.fun for res in results])
best_result = results[min_idx]

print("全局最优解：")
print(f"x1 = {best_result.x[0]:.4f}, x2 = {best_result.x[1]:.4f}")
print(f"最小目标函数值：{best_result.fun:.4f}")

关键说明 #

1. 子集拆分逻辑：每个子集对应独立的约束/边界条件，确保每个求解过程的可行域是原并集中的一个子集。
2. 初始点选择：为每个子集选择靠近潜在最优解的初始点（比如子集A选(-2,-2)，子集B选(-4,1)，子集C选(1,-4)），避免优化器陷入局部最优。
3. 结果对比：直接对比三个子集的目标函数值，取最小对应的解作为全局最优。

内容的提问来源于stack exchange，提问作者Leelou