2. 约束系统建模基础

在优化问题中，我们最终要回答的其实是一个很朴素的问题：在所有“允许的方案”里，哪一个“最好”。约束系统建模就是把这句话翻译成数学语言的过程。它由三块拼成：决策变量回答“我在调整什么”，约束条件回答“什么方案是允许的”，目标函数回答“什么叫好”。三者缺一不可，而冲突诊断的全部线索，几乎都藏在这三块之间的相互关系中。

决策变量：把“可调的东西”写成符号

决策变量是模型里真正由求解器去选择的量。例如一个生产计划问题，设 x₁ 为产品 A 的产量、x₂ 为产品 B 的产量，单位统一为“件/天”。变量一旦定义，就要同时明确三件事：含义、单位、取值范围。取值范围本身就是最基础的约束，比如 x₁ ≥ 0、x₂ ≥ 0，若产量必须是整数，还要加上 x₁, x₂ ∈ ℤ。很多“看起来无解”的模型，根源其实是变量定义域写错了——例如把本应非负的变量漏掉了下界，或把连续量误设为整数。

需要区分两类量：决策变量是求解器可以自由选择的；参数是建模时给定的常数，如单位利润、原料单耗、可用工时。诊断冲突时，先分清“哪个是变量、哪个是参数”非常关键，因为冲突往往表现为“参数给定的上限”与“变量必须满足的下限”之间无法调和。

约束条件：把“允许”写成等式与不等式

约束条件通常分为三类。第一类是资源约束，形如 2x₁ + 3x₂ ≤ 120，表示两种产品对某原料的单耗乘以产量之和不超过库存。第二类是需求约束，形如 x₁ + x₂ ≥ 50，表示总产量必须达到订单量。第三类是逻辑/工艺约束，如 x₁ ≤ 0.6(x₁ + x₂)，表示产品 A 占比不超过 60%。等式约束（如配料比例 x₁ - 2x₂ = 0）比不等式更“硬”，它直接把解限制在一个低维平面上，也更容易引发冲突。

写约束时有两个易错点值得强调。其一是方向与符号：≤ 与 ≥ 一旦写反，可行域会从“一小块”变成“一大片”，模型可能从无解变成有解但答案荒谬。其二是量纲一致：约束两端必须同单位，否则系数含义混乱，后续诊断时无法判断哪条约束真正卡住了可行域。

目标函数：把“好”写成一个可比较的数

目标函数把方案映射为一个实数，常见形式是线性的 max z = 5x₁ + 4x₂（利润最大化）或 min c = 3x₁ + 2x₂（成本最小化）。目标函数本身不决定可行性——它只在可行域内挑最优点。这一点在冲突诊断中极其重要：如果模型无解，问题一定出在约束系统，而不是目标函数。因此排障时应先把目标函数“放一边”，专注检查约束之间是否自相矛盾。

可行域：约束系统的几何像

把每个约束看成平面（或高维空间）中的一个半空间，所有约束的交集就是可行域。二维情形下，它通常是多边形；三维是多面体；更高维则是多面体在高维空间中的推广。线性规划的一个基本结论是：若可行域非空且有界，最优解必在可行域的某个顶点取得。这解释了为什么单纯形法只需在顶点间移动。

下面的图用一个二维示例把“约束—可行域—冲突”三者放在同一张图上：两条资源约束与两条需求约束围出一块可行域，目标函数的等值线从原点向外平移，最后与可行域相切于一个顶点；而右侧另一组约束则因为上下界方向相反，交集为空，形成典型的不可行情形。

左图中，四条约束围出的绿色多边形就是可行域，红色虚线是目标函数的等值线，它向外平移直到与可行域相切于顶点 (x₁, x₂) = (30, 20)（示例数值，用于说明几何关系）。右图则展示了另一种情形：x₁ ≥ 80 与 x₁ ≤ 50 两个约束方向相反，它们的半空间没有公共部分，可行域为空集，模型必然无解。

冲突与不可行性的关系

需要明确一个关键区分：不可行是结果，冲突是原因。不可行性指可行域为空，即不存在同时满足所有约束的解；而冲突指约束之间存在无法同时满足的矛盾。一个模型不可行，必然存在至少一组约束构成冲突；但反过来，单个约束本身“很紧”并不等于冲突——只有当它与另一条约束的要求方向相反、且无法同时满足时，才构成冲突。

冲突可以进一步分为两类。直接冲突是两条约束在同一变量上给出矛盾区间，如上面的 x₁ ≥ 80 与 x₁ ≤ 50，一眼可辨。间接冲突则更隐蔽：单看每条约束都合理，但组合起来无解。例如 x₁ + x₂ ≤ 10、x₁ ≥ 6、x₂ ≥ 6，三条约束各自都成立，但前两条推出 x₂ ≤ 4，与第三条矛盾。这类冲突往往需要借助求解器的不可行性分析（如 IIS，不可约不可行子系统）来定位。