如何使用Python求解非线性不等式组并计算变量x的最小值

你的问题属于带非线性约束的单目标最小化问题，可直接使用scipy.optimize.minimize求解，问题可形式化表述为：

• 优化目标：最小化x
• 约束条件：
  • 12 < x*y <14
  • 2x + 3y >40
  • 隐含约束x>0、y>0（由xy乘积为正可推导）

scipy.optimize.minimize支持自定义非线性约束，我们将严格不等约束通过添加极小偏移量epsilon转化为求解器支持的非严格不等约束即可：

from scipy.optimize import minimize
import numpy as np

# 目标函数：最小化x
def objective(var):
    x, y = var
    return x

# 严格不等约束转非严格，添加极小epsilon避免取到边界值
epsilon = 1e-6
constraints = (
    {"type": "ineq", "fun": lambda var: var[0]*var[1] - 12 - epsilon}, # x*y > 12
    {"type": "ineq", "fun": lambda var: 14 - var[0]*var[1] - epsilon}, # x*y <14
    {"type": "ineq", "fun": lambda var: 2*var[0] + 3*var[1] -40 - epsilon}, # 2x+3y>40
    {"type": "ineq", "fun": lambda var: var[0] - epsilon}, # x>0
    {"type": "ineq", "fun": lambda var: var[1] - epsilon} # y>0
)

# 初始猜测值，可根据实际情况调整，避免陷入局部最优
init_guess = np.array([10.0, 10.0])

# 调用求解器，默认使用支持非线性约束的SLSQP算法
res = minimize(objective, x0=init_guess, constraints=constraints)

if res.success:
    opt_x, opt_y = res.x
    print(f"满足约束的x最小值：{opt_x:.4f}")
    print(f"对应y值：{opt_y:.4f}")
    print(f"约束校验：x*y={opt_x*opt_y:.4f}, 2x+3y={2*opt_x+3*opt_y:.4f}")
else:
    print("求解失败：", res.message)

运行上述代码可得到x的最小值约为17.9722，你可以通过调整epsilon的大小控制严格不等的精度，也可以修改minimize的tol参数调整求解精度。如果求解失败或者结果不符合预期，尝试更换不同的初始猜测值即可。

内容的提问来源于stack exchange，提问作者ELLEN