---
title: "Nonlinear programming — 非线性规划"
source: "https://systems-analysis.info/int/Nonlinear_programming_%E2%80%94_%E9%9D%9E%E7%BA%BF%E6%80%A7%E8%A7%84%E5%88%92"
wiki: "systems-analysis.info/int"
article: "Nonlinear_programming_—_非线性规划"
language: "zh"
categories:
  - "Category:Chinese"
  - "Category:Mathematical modeling"
  - "Category:Modeling"
  - "Category:Operations research"
  - "Category:Optimization"
revision_id: 4930
wiki_created_at: 2026-09-06T23:42:03Z
wiki_modified_at: 2026-09-06T23:42:03Z
downloaded_at: 2026-09-07T23:05:46Z
---

# Nonlinear programming — 非线性规划

**非线性规划 (NLP)** 是数学规划和运筹学的一个分支，处理目标函数和/或至少一个约束是决策变量的**非线性函数**的优化问题。

NLP 是线性规划的推广，可以为更广泛的现实系统和过程建模，其中变量之间的依赖关系不是严格成比例的（即用曲线而非直线描述）。

## 主题与用途

非线性规划用于在以下情况中寻找最优解：

- 目标指标（利润、成本、效率等）对可控参数的依赖关系是非线性的（例如，规模报酬递减、二次成本）。
- 资源或技术过程的约束由非线性关系描述（例如，化学反应、物理定律、经济依赖关系）。

NLP 问题出现在许多领域：

- 工程设计（结构、过程优化）。
- 经济与金融（考虑风险的投资组合优化、市场建模）。
- 化学技术（反应器模式优化）。
- 机器学习（神经网络训练、支持向量机）。
- 生产过程管理。物流（考虑非线性成本）。

## NLP 问题的数学表述

非线性规划的一般问题表述如下：

需要找到一组**决策变量**的值，以最大化或最小化一个**非线性目标函数**。同时，这些变量的值必须满足一个**约束**系统，这些约束可以表示为**不等式**（例如，“A 值必须小于或等于 B”）或**等式**（例如，“C 值必须精确等于 D”）。重要的是，描述目标或约束的函数中至少有一个是**非线性**的。通常还会加上变量的**非负性**条件，即要求其值大于或等于零。

所有满足约束条件的变量值集合构成了**可行域**。

## 与线性规划的区别

非线性规划与线性规划 (LP) 有显著不同：

- 非线性：目标函数或约束（或两者）包含非线性依赖关系。
- 可行域的性质：NLP 中的可行域可以是非凸的（与 LP 不同，LP 的可行域总是一个凸多面体）。
- 最优解的性质：NLP 的最优解不一定在可行域的顶点，它可能位于边界或域内。NLP 中可能存在非全局最优的局部最优解。
- 求解复杂性：NLP 问题通常比 LP 问题难解得多。不存在类似于单纯形法的、适用于所有 NLP 问题的通用算法。

## NLP 的主要难点与挑战

解决非线性规划问题伴随着一系列困难：

- 局部极值的存在：大多数 NLP 方法只能保证找到局部最优解（在某个邻域内的最优解）。寻找全局最优解（在整个可行域内的最佳解）是一个复杂的任务，尤其对于非凸问题。
- 非凸性：如果问题是非凸的（目标函数或可行域非凸），则可能存在多个局部最优解，标准的梯度法可能会“卡”在其中一个。
- 计算复杂性：与 LP 相比，NLP 的求解算法通常需要更多的计算资源。

## NLP 问题的重要类别

尽管总体上很复杂，但存在一些重要的 NLP 问题子类，人们已为其开发了有效的求解方法：

- 凸规划：在凸可行解集上最小化凸函数（或最大化凹函数）的问题。关键特性：任何局部最小值也是全局最小值。这大大简化了寻找最优解的过程。
- 二次规划：目标函数是二次函数，而所有约束都是线性的。
- 可分离规划：目标函数和约束可以表示为多个函数的和，其中每个函数仅依赖于一个变量。

## NLP 问题的求解方法

非线性规划 (NLP) 问题的求解方法

**I. 无约束优化方法：**

- 梯度法（最速下降法、共轭梯度法）；
- 牛顿法和拟牛顿法（例如，BFGS）；
- 使用海森矩阵近似的方法。

**II. 约束优化方法：**

- 变换方法：
  - 罚函数法 (penalty methods)；
  - 障碍函数法 (barrier methods)。
- 直接搜索方向法：
  - 可行方向法。
- 基于最优性条件的方法：
  - 卡罗需-库恩-塔克 (KKT) 条件法；
  - 拉格朗日乘子法。
- 迭代法：
  - 序列二次规划 (SQP)；
  - 内点法。

**III. 全局优化方法：**

- 启发式与元启发式方法：
  - 遗传算法；
  - 模拟退火；
  - 禁忌搜索 (tabu search)。
- 确定性方法：
  - 分支定界法 (branch and bound)；
  - 针对特殊结构问题的全局优化算法。

## 参考文献

- Bazaraa M. S., Shetty C. M. 『非線形計画法：理論とアルゴリズム』モスクワ：ミール出版社、1982年。
- Fiacco A. V., McCormick G. P. 『非線形計画法：逐次無制約最小化法』モスクワ：ミール出版社、1972年。
- Himmelblau D. M. 『応用非線形計画法』モスクワ：ミール出版社、1975年。
- Nocedal J., Wright S. J. *Numerical Optimization*. — Springer, 2006. (2nd ed.)