想像你正在設計一款先進的送貨無人機。你需要它具備高效率，但卻受限於物理法則和材料的限制。這個 數學最優化問題的結構 提供了一個通用的「標準形式」，讓我們能描述此類情境，或幾乎任何資源有限的決策過程。它是一個正式的框架，透過將現實世界映射為目標函數與約束界限，來尋找在所有可用選項中最佳的選擇。
藍圖：標準形式
數學最優化問題（簡稱最優化問題）具有以下形式：最小化 $f_0(x)$，受制於 $f_i(x) \le b_i$，其中 $i=1, \dots, m$。嚴格來說，我們可表示為：
$$\begin{aligned} &\text{最小化} && f_0(x) \\ &\text{受制於} && f_i(x) \le b_i, \quad i=1, \dots, m \end{aligned}$$這種結構是優化問題的「核心基因」。每個符號都代表現實世界中一個關鍵的構成要素：
- 操控槓桿（$x$）： 向量 $x = (x_1, \dots, x_n)$ 是該問題的優化變量。這些代表我們可以控制的特定決策或參數——例如無人機的重量與馬達功率。
- 目標（$f_0$）： 函數 $f_0 : \mathbf{R}^n \to \mathbf{R}$ 是目標函數，用以量化我們希望最小化的「成本」或「損失」，例如每英里所消耗的能量。
- 規則（$f_i \le b_i$）： 函數 $f_i : \mathbf{R}^n \to \mathbf{R}$（其中 $i = 1, \dots, m$）是（不等式）約束函數，而常數 $b_1, \dots, b_m$ 則是這些約束的限制值或界線。這些定義了「可行區域」——無人機必須產生足夠的升力才能飛行，且電池重量不能超過 $b_i$ 的上限。
尋找最優解的探索
定義：最優解
若向量 $x^\star$ 在所有滿足約束條件的向量中擁有最小的目標函數值，則稱其為最優解，或問題 (1.1) 的解。找出 $x^\star$ 正是優化過程的最終目標。
線性與非線性的對比
找到 $x^\star$ 的複雜程度完全取決於 $f_0$ 與 $f_i$ 的數學性質。
若最優化問題不是線性的（即缺乏比例性和可加性），則稱之為 非線性規劃。非線性規劃是優化領域的邊疆；它們缺乏線性系統那樣可預測的結構，因此需要根本上不同的、通常更複雜的分析工具來解決。
🎯 核心原則
優化是一門藝術，透過操縱可控制的變量，在特定目標與嚴格界限之間取得平衡。優化過程中真正的轉折點不僅僅是找到解，更在於判斷問題的結構是線性還是非線性。
$$\begin{array}{ll} \text{最小化} & f_0(x) \\ \text{受制於} & f_i(x) \le b_i, \quad i = 1, \dots, m \end{array}$$