1 基本定义
可行域是指在一组约束条件限定下，所有满足要求的变量取值所形成的集合。它刻画了问题中“允许出现”的解的范围，因此在建模、分析和求解过程中都具有基础性地位。若某个取值不满足任一约束，则不属于可行域。
1.1 约束条件
约束条件是对变量取值施加限制的规则，通常来自实际问题中的物理规律、资源限制、逻辑要求或定义域限制。约束可以是等式、不等式、整数条件，也可以是更一般的集合限制。它们共同决定了可行域的形状和范围。
1.2 可行解
满足全部约束条件的变量取值称为可行解。可行解未必使目标函数达到最优，但它至少是问题中合法的候选解。若问题没有任何可行解，则通常称该问题不可行。
1.3 可行域与解空间的关系
解空间是变量理论上可以取到的所有值所构成的更大集合，而可行域是其中满足约束的子集。换言之，解空间偏重“所有可能”，可行域偏重“允许发生”。在优化问题中，搜索过程一般只在可行域内进行，而不是在整个解空间中任意探索。
1.4 可行域的集合表示
从集合论角度看，可行域可表示为若干约束集合的交集。若记每个约束对应一个集合，则可行域就是这些集合共同满足部分的交集。这样的表示方式便于分析其结构，也便于在不同数学模型之间进行统一描述。
2 数学表示
可行域的数学表达依赖于约束类型。在线性规划中，它常由线性方程或线性不等式定义；在非线性规划中，则可能涉及多项式、指数、对数等函数；在整数规划中，还会叠加离散性要求。
2.1 线性约束下的可行域
线性约束下的可行域通常由若干线性等式与线性不等式共同定义。这类可行域在几何上往往呈现出平面、半空间或多面体等结构，便于分析和计算。
2.1.1 等式约束
等式约束形如 \(a_1x_1+a_2x_2+\cdots+a_nx_n=b\)，其可行集通常对应一个仿射子空间或其与其他约束的交集。单独的等式约束会把变量限制在某个平面、直线或更高维的仿射结构上。
2.1.2 不等式约束
不等式约束形如 \(a_1x_1+\cdots+a_nx_n\le b\) 或 \(a_1x_1+\cdots+a_nx_n\ge b\)。它们定义半空间，多个不等式共同作用时，常形成一个凸多面体或多面体锥。在线性优化中，这类可行域最为常见。
2.2 非线性约束下的可行域
非线性约束会使可行域呈现曲面、弯曲区域或复杂的非凸结构。相比线性情形，这类可行域往往更难描述，也更难求解。
2.2.1 多项式约束
多项式约束由多项式函数等于零或不等于零所定义。其可行域可能包含球面、椭球面、代数曲面或由多项式不等式围成的区域。由于边界形式复杂，这类问题常需要代数方法或数值方法辅助处理。
2.2.2 指数与对数约束
指数和对数约束常见于增长模型、信息模型和某些参数估计问题中。它们通常带来严格的定义域限制，例如对数函数要求自变量为正。此类约束的可行域可能具有明显的不对称性，并在边界附近表现出较强的非线性特征。
2.3 整数与混合整数可行域
当变量被要求只能取整数或部分变量取整数时，可行域就从连续集合变为离散集合，或连续与离散并存的混合结构。这种变化会显著增加问题的组合复杂度。
2.3.1 纯整数约束
纯整数约束要求所有变量都取整数值。此时可行域往往由离散点组成，即使原始约束是连续的，加入整数条件后也会切分成零散的候选解集合。
2.3.2 混合整数约束
混合整数约束允许部分变量连续、部分变量离散。其可行域通常可以看作若干连续子区域与整数格点相互组合而成。混合整数问题在工程、排产和网络设计中非常常见。
3 几何性质
可行域不仅是一个代数对象，也可以从几何角度加以研究。其凸性、边界、连通性和维数等性质，直接影响优化问题的结构与算法表现。
3.1 凸性
如果可行域中任意两点的连线仍完全落在可行域内，则该可行域是凸的。凸性是一种非常重要的性质，因为在凸可行域上，许多优化问题更容易分析，且局部最优往往具有更强的全局意义。
3.2 边界与内部
可行域的内部是严格满足约束的点集，而边界通常对应某些约束恰好取等号的位置。边界在最优解分析中尤为重要，因为许多最优点恰好出现在边界上。内部点则常用于研究稳定性和扰动性质。
3.3 连通性
连通性描述可行域是否能作为一个整体通过连续路径连接。若可行域分成多个互不连通的部分，则求解过程可能需要分别考察不同区域。连通性不足时，算法更容易陷入局部区域，增加全局搜索难度。
3.4 有界性与无界性
有界可行域被限制在有限范围内，而无界可行域则在某些方向上无限延伸。有界性对最优解存在性很有帮助，但并非充分条件；无界性本身也不意味着问题一定没有最优解，只是分析更复杂。
3.5 维数与退化
可行域的维数反映其“自由度”大小。若约束过多或彼此相互依赖，可行域可能退化到低维空间，例如一条线、一个点或一个平面。退化情形在数值计算中容易引起不稳定，也会影响算法的判定效率。
4 优化中的作用
在优化问题中，可行域是目标函数发挥作用的舞台。目标函数决定“好坏”，约束决定“能否”。两者分离后，便形成了标准的优化框架。
4.1 目标函数与约束的分离
优化模型通常由目标函数和约束条件两部分组成。目标函数用于衡量优劣，可行域则限定搜索范围。这样的分离使问题结构更清晰，也便于分别研究“可行性”和“最优性”。
4.2 最优解的存在性
最优解是否存在，常与可行域的闭性、有界性以及目标函数的连续性有关。若可行域为空，则不存在最优解；若可行域非空但目标函数在其上无法达到极值，也可能只存在下确界或上确界而没有实际最优点。
4.3 局部最优与全局最优
在非凸可行域中，局部最优点不一定是全局最优点。可行域的形状越复杂，局部搜索越可能停留在局部极值附近。若可行域是凸的且目标函数满足相应凸性条件，则局部最优通常可提升为全局最优。
4.4 可行域对算法收敛的影响
算法是否容易收敛，与可行域的结构密切相关。规则、凸且边界明确的可行域通常更利于迭代法分析；而离散、非凸或高度退化的可行域，则可能导致收敛速度下降，甚至出现难以跳出局部区域的问题。
5 典型类型
根据约束形态和几何特征，可行域可分为若干典型类型。不同类型对应不同的分析工具和求解方法。
5.1 多面体可行域
多面体可行域由有限个线性不等式和等式共同定义，几何上通常是凸多面体或其部分。它在理论上较易处理，在计算上也便于采用单纯形法、内点法等方法。
5.2 凸可行域
凸可行域具有良好的几何性质，任意两点连线都不离开集合。此类可行域广泛出现在凸优化中，因其有利于建立稳定的理论结论和高效算法。
5.3 非凸可行域
非凸可行域往往包含凹陷、断裂或多个分离部分。此类区域通常难以直接求解，且最优性分析更复杂。许多实际问题在放宽约束前都可能呈现非凸特征。
5.4 离散可行域
离散可行域由有限个或可数个孤立点构成，常见于整数规划、组合优化和排程问题。由于没有连续路径可供平滑搜索，这类问题通常依赖枚举、分支定界或启发式方法。
6 求解与判定
在实际计算中，首先要判断可行域是否为空，再考虑如何找到其中的解。可行性判定与可行解构造，是优化求解流程中的关键环节。
6.1 可行性判定
可行性判定的任务是判断约束系统是否至少存在一个满足条件的解。对于线性系统，可借助代数消元、线性规划判定或对偶理论；对于非线性系统，通常需要数值迭代或区间分析等方法。
6.2 构造可行解
构造可行解是从无到有找到一个满足约束的点。常见策略包括从简单点出发逐步修正、利用松弛问题求解、或通过启发式方法生成初始可行点。许多优化算法都依赖一个有效的初始可行解。
6.3 约束传播与剪枝
在组合优化和约束满足问题中，约束传播可通过不断缩小变量取值范围来排除不可能的分支，剪枝则用于删除明显不可行的搜索路径。两者结合可以显著减少搜索空间，提高求解效率。
6.4 数值误差与容差处理
在浮点计算中，严格满足约束往往会受到舍入误差影响，因此实际算法通常采用容差判断。容差处理允许在一定误差范围内认定“近似可行”，这对于工程计算和大规模数值优化尤为重要。
7 应用场景
可行域概念几乎贯穿所有约束优化任务。无论是连续模型还是离散模型，首先都要明确哪些解是允许的。
7.1 线性规划
在线性规划中，可行域由线性约束定义，通常是凸的多面体。求解过程往往围绕可行域的顶点、边和面展开，因此几何结构在这里具有直接意义。
7.2 非线性规划
非线性规划中的可行域可能带有弯曲边界和复杂拓扑结构。由于约束与目标函数都可能非线性，问题常需要梯度法、牛顿法或序列二次规划等技术配合处理。
7.3 整数规划
整数规划中的可行域具有强离散性，很多时候只包含有限个候选点。即便连续松弛模型易于处理，回到整数约束后，问题复杂度往往会明显上升。
7.4 机器学习中的约束优化
在机器学习中，约束常用于控制模型复杂度、参数范围或公平性要求。此时可行域定义了模型参数允许取值的集合，训练过程需要在其中寻找兼顾性能与限制的解。
7.5 工程设计与资源分配
工程设计、网络调度、生产计划和资源分配等问题中，可行域往往对应成本、容量、安全和工艺条件共同决定的允许范围。合理刻画可行域，有助于避免无效方案，并提高方案可实施性。
8 相关概念
可行域与若干常见概念密切相关，但它们并不完全相同。区分这些术语，有助于准确理解优化模型的结构。
8.1 约束集
约束集是指每一条约束所对应的满足集合。多个约束集的交集通常构成可行域，因此约束集可以看作可行域的组成部分。
8.2 解集
解集泛指满足某种条件的全部解。在优化语境中，它有时可指全部可行解，也可指最优解集合，需结合上下文理解。
8.3 目标域
目标域是目标函数取值所落入的范围。它描述的是“函数值能达到什么程度”，与可行域所描述的“变量能取什么值”不同。
8.4 最优域
最优域通常指所有最优解构成的集合。它是从可行域中筛选出的更小子集，只包含在目标函数意义下最好的那些点。
8.5 可行集的扩展概念
在更一般的数学框架中，可行集可推广到拓扑空间、度量空间、函数空间或随机优化模型中。此时“可行”不再仅指变量满足静态约束，还可能涉及概率条件、泛函条件或动态演化限制，从而形成更广义的可行性概念。