如何判定约束不等式系统非空？及点到不等式定义集合的投影求解

针对你提出的「如何判定约束不等式系统非空」以及点投影求解的相关问题，结合你固定3变量、任意约束数的场景，我整理了实用的方法和建议：

一、判定 (A*x \leq b) 非空的可行方案 #

对于你这种(A)为(n \times 3)的线性约束系统，判断是否存在可行解可以从这几个方向入手：

• 线性规划可行性验证：这是最直接的工程实现方法——构造一个无目标的线性规划：

  min 0
  s.t. A*x ≤ b
  

  只要这个LP能找到可行解，就说明原约束系统非空。由于你的变量数只有3，哪怕约束数n很大，求解这个LP的速度也会非常快，完全不用担心计算量问题。
• Farkas引理（理论依据）：从数学理论层面，原系统非空的充要条件是：不存在非负向量(y \in \mathbb{R}^{n)，满足(A}T y = 0)且(b^T y < 0)。不过这个引理更多用于推导，实际工程中还是LP可行性验证更易用。
• 快速试探（辅助验证）：如果你的约束有明显的特殊点（比如原点、各约束平面的交点），可以先代入这些点快速检查是否满足所有不等式，能帮你快速排除明显空集的情况，但不能作为严谨的判定依据。

二、你的拉格朗日对偶+梯度上升方案的优化细节 #

你用拉格朗日对偶结合梯度上升最大化对偶函数的思路是完全正确的，毕竟原问题是凸二次规划，强对偶性成立，这里给你几个适配3变量场景的优化建议：

• 停止准则的量化：你提到的两种停止准则可以更具体：给梯度向量的长度设置一个绝对阈值（比如(1e-6)，根据你的精度需求调整）；对偶目标函数的变化则可以用相对阈值，比如连续两次迭代的函数值变化小于当前值的(1e-8)，这样能避免因变量尺度不同导致的误判。
• 步长策略优化：梯度上升的步长选择很关键，建议用线搜索（比如Armijo准则）来确定每次迭代的最优步长，或者用自适应步长策略，这样能大幅提升收敛速度，避免步长过大震荡或过小收敛缓慢的问题。
• 3变量的特殊优势：因为变量数只有3，你可以同时实现原问题的直接求解（比如用内点法或有效集法），把对偶方法的结果和原问题解对比，用来验证你的梯度上升实现是否正确，这在调试阶段非常有用。

内容的提问来源于stack exchange，提问作者Andrey Lyubimov