如何提升Schwarz-Christoffel多边形到单位圆映射的通用性？

问题核心 #

当前方法对规则多边形（矩形、正方形、三角形）有效，但复杂多边形收敛性差，本质是非线性优化对初始条件敏感、残差函数非凸性，以及数值实现细节存在短板，以下是针对性改进方案：

一、生成合理初始条件 #

初始角度猜测直接决定收敛成败，放弃随机/均匀分布，基于多边形几何特征生成初始值：

1. 基于边长的角度分配 #

单位圆上预顶点的弧长与对应多边形边的长度正相关，近似分配初始角度：

def init_theta_from_lengths(z_coords, theta_fixed, fix_index):
    # 计算各边长度
    edge_lengths = np.abs(np.diff(z_coords))
    total_length = edge_lengths.sum()
    # 计算各边对应的角度增量
    angle_increments = 2 * np.pi * edge_lengths / total_length
    
    # 构建初始角度数组
    theta_full = np.zeros(len(z_coords))
    theta_full[fix_index] = theta_fixed
    current_angle = theta_fixed[0]
    
    for i in range(len(z_coords)):
        if i == fix_index[0]:
            continue
        prev_i = (i-1) % len(z_coords)
        if prev_i in fix_index:
            current_angle = theta_full[prev_i]
        current_angle += angle_increments[prev_i]
        if i not in fix_index:
            theta_full[i] = current_angle
    
    # 提取未知角度
    theta_unknown = theta_full[[idx not in fix_index for idx in range(len(z_coords))]]
    return theta_unknown

2. 利用对称性降维 #

如果多边形有轴对称、中心对称等特性，强制预顶点保持对应对称性，减少未知参数数量，降低优化难度。

二、优化算法与残差函数 #

1. 替换为鲁棒优化器 #

自定义Broyden-Gauss-Newton对奇异点和非凸问题处理能力弱，改用scipy.optimize.least_squares的Levenberg-Marquardt算法，它能自动调整阻尼系数，在接近奇异时仍稳定迭代：

# 在example_rectangle函数中替换求解部分
sol = least_squares(
    residual_SC_angles,
    theta_unknown_init,
    args=(theta_fixed, alpha, z_coords, fix_index),
    method='lm',  # 适合非线性最小二乘的鲁棒算法
    max_nfev=100,
    ftol=1e-12
)
success = sol.success
theta_unknown_sol = sol.x

2. 添加正则化项 #

在残差中加入平滑项，防止预顶点在单位圆上过度聚集：

def residual_SC_angles(theta_unknown, theta_fixed, alpha, z_coords, fix_index):
    # ... 原有代码逻辑 ...
    
    # 添加正则化：惩罚相邻预顶点角度差过小
    regularization_strength = 1e-3
    reg_term = []
    for i in range(len(theta_full)-1):
        angle_diff = np.abs(theta_full[i+1] - theta_full[i])
        if angle_diff < np.pi/12:
            reg_term.append(regularization_strength * (np.pi/12 - angle_diff))
    
    # 合并残差与正则项
    res_real = np.concatenate([res.real, res.imag, reg_term])
    residual_history.append(np.linalg.norm(res))
    
    return res_real

三、提升数值积分精度 #

1. 动态调整积分点数 #

对角度差较小的预顶点线段，增加积分点数以应对强奇异性：

def complex_quad_GJ(zeta_start, zeta_end, prevertices, alpha_seg, n_points_base=64):
    angle_diff = np.abs(np.angle(zeta_end) - np.angle(zeta_start))
    # 角度差越小，积分点数越多
    n_points = int(n_points_base * max(1, 2*np.pi/angle_diff))
    # ... 原有积分代码 ...

2. 避免预顶点重合 #

在残差函数中添加约束，防止预顶点角度差过小导致被积函数异常：

def residual_SC_angles(theta_unknown, theta_fixed, alpha, z_coords, fix_index):
    # ... 原有代码逻辑 ...
    
    # 添加预顶点不重合约束
    min_angle_diff = 1e-3
    for i in range(len(theta_full)):
        for j in range(i+1, len(theta_full)):
            diff = np.abs(theta_full[i] - theta_full[j])
            diff = min(diff, 2*np.pi - diff)
            if diff < min_angle_diff:
                res_real = np.concatenate([res_real, [min_angle_diff - diff]])
    
    return res_real

四、优化参数自由度 #

1. 合理固定冗余参数 #

利用Schwarz-Christoffel的共形不变性：

• 固定一个预顶点角度为0（对应多边形第一个顶点）
• 固定缩放因子相位为0，消除旋转冗余

2. 修正内角和约束 #

确保计算的内角满足n边形内角和公式：

alpha = interior_angles(z_coords) / np.pi
# 修正alpha和为n-2（n边形内角和为(n-2)π）
alpha_sum_target = len(z_coords) - 2
alpha = alpha * alpha_sum_target / alpha.sum()

五、分步优化策略 #

对复杂多边形采用多阶段优化：

1. 低精度积分+宽松阈值快速找到近似解
2. 高精度积分+严格阈值精细化优化

# 第一阶段：快速近似
sol1 = least_squares(
    residual_SC_angles,
    theta_unknown_init,
    args=(theta_fixed, alpha, z_coords, fix_index),
    method='lm',
    max_nfev=20,
    ftol=1e-6
)
# 第二阶段：精细化优化
sol2 = least_squares(
    residual_SC_angles,
    sol1.x,
    args=(theta_fixed, alpha, z_coords, fix_index),
    method='lm',
    max_nfev=80,
    ftol=1e-12
)

应用上述改进后，不规则多边形的收敛性会显著提升，例如你提供的五边形示例，配合基于边长的初始角度与Levenberg-Marquardt优化器，能稳定收敛到合理解。

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