メニュー
约束先放后紧的方法论。核心思想：先放宽约束条件证明解的存在性，然后逐步收紧约束，逼近原始问题。适用于复杂约束系统的控制和规划问题。触发词：约束放松、约束收紧、feasibility、存在性证明、约束控制、constraint relaxation、progressive tightening、约束规划。
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/hiyenwong/ai_collection --skill constraint-relax-then-tightenコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
SOC 職業分類に基づく
SKILL.md を表示中
| name | constraint-relax-then-tighten |
| description | 约束先放后紧的方法论。核心思想：先放宽约束条件证明解的存在性，然后逐步收紧约束，逼近原始问题。适用于复杂约束系统的控制和规划问题。触发词：约束放松、约束收紧、feasibility、存在性证明、约束控制、constraint relaxation、progressive tightening、约束规划。 |
通过放松-收紧策略处理复杂约束问题：先放宽约束证明可行性，再逐步收紧至原问题。
当用户遇到复杂约束优化问题时，按以下步骤引导：
User: 我有一个机器人路径规划问题，障碍物约束太多导致无法求解。
Agent: 这是典型的复杂约束问题，建议使用先放后紧策略：
复杂约束问题往往难以直接求解：
策略：放宽 → 存在性证明 → 逐步收紧 → 原问题
将原问题：
min f(x)
s.t. g_i(x) ≤ 0, i = 1, ..., m
h_j(x) = 0, j = 1, ..., p
转化为放松问题：
min f(x) + Σ_i ρ_i * max(0, g_i(x))
s.t. h_j(x) = 0 (或放松为 ||h_j(x)|| ≤ δ)
或更激进的放松：
min f(x)
s.t. g_i(x) ≤ ε_i, ε_i > 0 (放宽容忍度)
放松后需要证明：
常用技术：
输入: 原问题 P, 初始放松参数 ε_0, 收紧因子 γ ∈ (0,1)
输出: 近似可行解 x*
初始化: ε = ε_0, x = x_0 (放松问题的解)
while ε > ε_min:
# 收紧放松参数
ε = γ * ε
# 在更紧约束下求解
x = solve_relaxed_problem(P, ε)
# 验证可行性
if not feasible(x, ε):
# 回退或调整策略
ε = ε / γ # 回退
γ = γ * 0.9 # 减缓收紧速度
continue
return x* = x
来源论文中的约束处理：
原问题包含反射边界条件：
dX_t = b(t, X_t, μ_t) dt + σ dW_t - dK_t
X_t ∈ D (状态约束)
放松策略：
# 软约束替代硬约束
L(x) = penalty * distance(x, D^c)
min E[∫ L(X_t) dt]
逐步收紧：
| 场景 | 放松策略 | 收紧方式 |
|---|---|---|
| 机器人避障 | 软约束 + 惩罚函数 | 增大惩罚系数 |
| 资源分配 | 容忍超量分配 | 减小容忍度 |
| 路径规划 | 放宽时间窗约束 | 收紧时间限制 |
| 能源调度 | 允许功率波动 | 减小波动范围 |
| 投资组合 | 放宽风险约束 | 收紧风险上限 |
# 外点惩罚函数
def penalty_exterior(g, rho):
"""g(x) ≤ 0 的外点惩罚"""
return rho * max(0, g)**2
# 内点障碍函数
def barrier_interior(g, mu):
"""g(x) ≤ 0 的内点障碍"""
return -mu * log(-g)
# 混合策略
def hybrid_penalty(g, rho, mu):
"""结合外点和内点"""
return penalty_exterior(g, rho) + barrier_interior(g, mu)
定理: 设放松问题 P_ε 的解为 x(ε)。若：
则当 ε → 0 时：
# 避免 penalty 爆炸
def stable_penalty(g, rho, max_penalty=1e10):
p = rho * max(0, g)**2
return min(p, max_penalty)
# 自适应收紧
def adaptive_tightening(current_violation, rho):
"""根据当前违反程度调整收紧速度"""
if current_violation < 0.1 * target:
return rho * 2.0 # 加快收紧
elif current_violation > target:
return rho * 1.1 # 减慢收紧
return rho * 1.5
| 参数 | 推荐范围 | 影响 |
|---|---|---|
| 初始放松 ε_0 | 0.1 ~ 1.0 | 太大导致偏离，太小可能不可行 |
| 收紧因子 γ | 0.5 ~ 0.9 | 太快导致不收敛，太慢效率低 |
| 惩罚系数 ρ | 10 ~ 1000 | 需逐步增大 |
| 收敛阈值 | 1e-4 ~ 1e-6 | 平衡精度和计算成本 |
| 方法 | 适用问题 | 优点 | 缺点 |
|---|---|---|---|
| 直接求解 | 简单凸约束 | 简单直接 | 不可行域失败 |
| 罚函数法 | 一般约束 | 无需可行初始点 | 罚系数敏感 |
| 内点法 | 凸约束 | 收敛快 | 需要严格内点 |
| 先放后紧 | 复杂非凸 | 保证存在性 | 多次迭代 |