如何在约束f(x)≥0下最小化连续二阶可微非线性函数f(x)？

AI 小北

2026-5-19

约束条件下最小化$f(x)$的解法分析

让我们来拆解这个优化问题——毕竟目标函数和约束条件是同一个，这其实能帮我们简化不少分析步骤。先明确问题：

$$\min_x f(x)\
\text{subject to } f(x) \geq 0\
x \in \mathbb{R}^n$$
其中$f(x)$是连续且二阶可微的非线性函数，比如你给出的例子：$f(x) = C + \frac{1}{1-x}$（$C$为常数）。

因为我们要最小化$f(x)$，同时约束要求$f(x) \geq 0$，所以最优解的可能性只有两种，我们可以按优先级依次分析：

1. 优先检查是否存在$f(x)=0$的可行点

如果能找到$x^* \in \mathbb{R}^n$使得$f(x)=0$，那$x^$就是这个问题的最优解——毕竟0是满足约束的最小可能值，没有比它更小的了。

拿你给出的例子具体分析：

解方程$f(x)=0$：$C + \frac{1}{1-x} = 0$，整理得$1-x = -\frac{1}{C}$（这里需要$C \neq 0$），进一步得到$x = 1 + \frac{1}{C}$。
验证可行性：原函数$f(x)$的定义域是$x \neq 1$，而$1 + \frac{1}{C} \neq 1$（只要$C \neq 0$），所以这个点在定义域内，且$f(x)=0$满足约束，直接就是最优解。
如果$C=0$，此时$f(x)=\frac{1}{1-x}$，$f(x)=0$无解，这时候就要进入第二种场景。

如果不存在任何$x$使得$f(x)=0$，那可行域就是所有满足$f(x) > 0$的$x \in \mathbb{R}^n$。我们需要在这个区域内找$f(x)$的全局最小值，步骤如下：

先解无约束优化的一阶必要条件$\nabla f(x) = 0$，得到所有临界点$x_c$。这些点是函数可能的极值点。

计算$f(x_c)$，如果$f(x_c) \geq 0$，那这个点是候选最优解；如果$f(x_c) < 0$，说明它不在可行域里，直接排除。

对于二阶可微的$f(x)$，可以通过Hessian矩阵$\nabla^2 f(x)$判断临界点的性质：

如果可行域是无界的，还要看当$x$趋近于可行域边界（比如函数定义域的边界）或无穷远时，$f(x)$的变化趋势，判断是否存在有限的最小值。

还是用$C=0$的例子$f(x)=\frac{1}{1-x}$来说：

一阶导数$f'(x)=\frac{1}{(1-x)^2} > 0$对所有$x \neq 1$成立，说明函数在$x < 1$时单调递增，在$x > 1$时也单调递增。
可行域是$f(x) > 0$的区域：只有$x < 1$时满足（此时$1-x > 0$，$f(x) > 0$）。
在这个可行域内，当$x \to -\infty$时，$f(x) \to 0$；当$x \to 1^-$时，$f(x) \to +\infty$。所以函数的下确界是0，但永远取不到，因此这个问题没有最小值，只有趋近于0的下界。

把上面的思路整理成可复用的步骤：

内容的提问来源于stack exchange，提问作者Sourav Mondal