Scipy求解任意多边形内最大椭圆失败原因咨询

从你描述的问题来看，代码运行失败（Success: False）主要是约束条件的逻辑错误，还有目标函数与约束的定义混淆，下面一步步拆解问题：

1. 核心约束完全错误：椭圆方程的约束写偏了 #

你写的约束 A**2*(x-x0)**2+B**2*(y-y0)**2 = 0 根本不是椭圆的有效约束——这个等式只有当 (x,y)=(x0,y0)（椭圆中心）时才成立，相当于把优化问题的可行域直接限制在了一个点上，优化器自然找不到符合所有条件的解，直接返回失败。

正确的逻辑应该是：椭圆上的所有点都必须落在你定义的多边形内部。如果你的变量是 A=1/a、B=1/b（a、b 是椭圆的x、y方向半轴长），那椭圆的标准约束应该是 A²(x-x0)² + B²(y-y0)² ≤ 1。但在优化问题中，不能直接对所有点做约束，我们需要把它转化为椭圆与多边形每条边的位置关系约束——即椭圆上的点到每条边的最大“偏移”不能超出边界，具体推导见下文。

2. 多边形约束的不等式方向需要统一 #

你给出的四个多边形边界不等式方向混乱，先统一为“所有内部点满足不等式 ≤ 0”的形式，方便后续处理：

• 原 x/100.0 + y/80.0 < 1 → 4x + 5y - 400 ≤ 0
• 原 x/-20.0 + y/80.0 < 1 → -4x + y - 80 ≤ 0
• 原 x/-40.0 + y/-40.0 > 1 → x + y + 40 ≤ 0（两边乘-1，不等号反转）
• 原 x/100.0 + y/-60.0 > 1 → -3x + 5y + 300 ≤ 0（同样乘-1反转符号）

先确认这四个不等式围成的是一个有效的四边形（四个交点分别是 (0,80)、(-24,-16)、(12.5,-52.5)、(100,0)），这部分是没问题的。

3. 正确的优化问题构建方式 #

要最大化椭圆面积，椭圆面积是 πab，所以等价于最大化 ab（忽略常数π）。如果坚持用 A=1/a、B=1/b，那目标函数就是最小化 AB（因为 ab=1/(AB)，最小化AB等价于最大化ab），这部分你的逻辑是对的。

关键是约束条件的正确写法：对于每条多边形边的线性函数 L_i(x,y) = p_i x + q_i y + r_i ≤ 0，椭圆上的点满足 L_i(x,y) ≤ 0 的等价约束是：

L_i(x0, y0) + sqrt( (p_i * a)^2 + (q_i * b)^2 ) ≤ 0

（或者用你的变量 A=1/a、B=1/b，转化为 L_i(x0,y0) + sqrt( (p_i/A)^2 + (q_i/B)^2 ) ≤ 0）

这个推导来自于求线性函数在椭圆约束下的最大值——最大值不能超过0，否则椭圆上就有部分点落在多边形外了。

4. 代码层面的潜在问题 #

除了约束逻辑错误，你用Scipy优化时还要注意：

• 变量的初始值要合理：比如中心 (x0,y0) 可以设为多边形的重心，a、b 设为一个较小的正数（比如10），避免优化器一开始就进入不可行域。
• 选择合适的优化器：Scipy的 SLSQP 适合处理带约束的非线性优化，是这类问题的常用选择，但要确保约束的类型（不等式约束）设置正确。

举个简化的代码框架（用a、b作为变量）：

import numpy as np
from scipy.optimize import minimize

# 多边形四条边的线性函数参数 (p, q, r)，满足 p*x + q*y + r ≤0
edges = [
    (4, 5, -400),
    (-4, 1, -80),
    (1, 1, 40),
    (-3, 5, 300)
]

# 目标函数：最大化ab → 最小化 -ab
def objective(vars):
    x0, y0, a, b = vars
    return -a * b

# 约束条件：每条边对应的不等式约束
def constraints(vars):
    x0, y0, a, b = vars
    cons = []
    for p, q, r in edges:
        # L_i(x0,y0) + sqrt( (p*a)^2 + (q*b)^2 ) ≤0
        val = p*x0 + q*y0 + r + np.sqrt( (p*a)**2 + (q*b)**2 )
        cons.append(val)
    return cons

# 初始猜测：多边形重心，a、b设为20
centroid = np.array([(0-24+12.5+100)/4, (80-16-52.5+0)/4])
x0_init, y0_init = centroid
a_init, b_init = 20, 20
initial_guess = [x0_init, y0_init, a_init, b_init]

# 优化设置：所有约束都是 ≤0，Scipy的ineq要求fun≥0，所以取反
cons = ({'type': 'ineq', 'fun': lambda vars: -constraints(vars)})
bounds = [(-50, 110), (-60, 90), (1, 100), (1, 100)]  # 变量的合理范围

result = minimize(objective, initial_guess, method='SLSQP', bounds=bounds, constraints=cons)
print(result)

这个框架应该能得到可行的解，你可以对比自己的代码，看看是不是约束部分写错了。

内容的提问来源于stack exchange，提问作者MJ.Shin