如何通过抬高桥腿实现多座桥梁在相邻中点处衔接的算法求解

问题本质梳理 #

你遇到的问题本质是带边界约束的线性等式求解问题，不需要用通用非线性优化器求解，推导线性约束后用线性规划/二次规划就能快速得到全局最优解。

变量定义 #

设第i个桥腿的抬高量为d_i，满足0 ≤ d_i ≤ 10，调整后的桥腿总高度为h_i = y_i + d_i。

约束推导 #

1. 单座桥梁k的桥面是经过两个支撑桥腿(x_{2k}, h_{2k})、(x_{2k+1}, h_{2k+1})的直线，任意x位置的桥面高度为：

f_k(x) = h_{2k} + (h_{2k+1} - h_{2k}) * (x - x_{2k}) / (x_{2k+1} - x_{2k})

2. 相邻桥梁k和k+1的衔接中点为x_m = (x_{2k+1} + x_{2k+2})/2，衔接要求为f_k(x_m) = f_{k+1}(x_m)，展开后是关于d_i的线性等式。

具体求解方案 #

示例参数约束 #

针对你给出的示例，展开后得到两个线性等式约束：

• 桥1和桥2衔接约束：-d0 +5d1 -5d2 +d3 = 22
• 桥2和桥3衔接约束：-d2 +5d3 -5d4 +d5 = -6

求解实现（Python） #

你可以选择以下两种目标之一求解：

1. 最小化总抬高量（线性规划）：

import numpy as np
from scipy.optimize import linprog

# 目标：最小化所有d_i的和
c = np.ones(6)
# 等式约束
A_eq = np.array([
    [-1, 5, -5, 1, 0, 0],
    [0, 0, -1, 5, -5, 1]
])
b_eq = np.array([22, -6])
# 边界约束
bounds = [(0, 10) for _ in range(6)]
# 求解
res = linprog(c, A_eq=A_eq, b_eq=b_eq, bounds=bounds, method='highs')
# 输出结果
print("各桥腿抬高量：", np.round(res.x, 2))

运行后得到的结果与你给出的示例一致，d1≈4、d4≈1，其余抬高量为0。
2. 最小化抬高量平方和（二次规划）：
如果希望抬高量尽可能均匀分布，可以用SLSQP求解器实现：

from scipy.optimize import minimize

def objective(d):
    return np.sum(d**2)

cons = [{'type': 'eq', 'fun': lambda d: -d[0] +5*d[1] -5*d[2] +d[3] -22},
        {'type': 'eq', 'fun': lambda d: -d[2] +5*d[3] -5*d[4] +d[5] +6}]

x0 = np.zeros(6)
res = minimize(objective, x0, method='SLSQP', bounds=bounds, constraints=cons)

原优化方案失败原因 #

你之前用scipy.optimize.minimize未得到有效结果，大概率是两个原因：

• 没有显式传入线性约束，仅将高度差加入目标函数，容易陷入局部最优
• 选择了不支持带约束求解的优化器

扩展场景处理 #

如果后续桥梁数量增加，只需要按上述推导方式批量生成线性约束即可，求解复杂度不会明显上升。如果线性约束无解，可将目标改为最小化衔接点高度差的平方和，属于凸优化问题，同样存在全局最优解。

内容的提问来源于stack exchange，提问作者FluxSwirl