点AB在直线L两侧，如何求PA-PB最大值？

Question

当点A、B位于直线L两侧时，如何求使PA - PB取得最大值的点P在直线L上的位置？这是一个典型的几何极值问题。常见技术疑问在于：是否可通过反射法将问题转化为直线距离最短问题？若作点B关于直线L的对称点B'，连接AB'交L于点P，此时PA - PB是否达到最大？需验证该构造下PA - PB的取值特性，并分析三角不等式在此类问题中的应用边界。关键在于理解向量方向与距离差的关系，避免混淆PA + PB与PA - PB的极值求解方法。

Answer 1

1. 问题引入与几何直观理解

在计算几何与优化问题中，如何在一条直线 L 上找到一点 P，使得对于两个位于 L 两侧的定点 A 和 B，表达式 PA - PB 取得最大值？这与经典的“最短路径”问题（如 PA + PB 最小）看似相似，但本质不同。

许多工程师第一反应是使用反射法——即构造点 B 关于直线 L 的对称点 B'，然后连接 A 与 B'，交 L 于 P。这种技巧在 PA + PB 的最小值问题中非常有效，但能否直接套用于 PA - PB 的最大值？这是常见的技术误区起点。

2. 反射法的适用性分析

• PA + PB 最小化：当 A、B 在 L 同侧或异侧时，作 B 关于 L 的对称点 B'，则 PA + PB = PA + PB'，最小值出现在 A-B'-P 共线时。
• PA - PB 最大化：注意，PA - PB ≠ PA + PB'，因为减法不具备对称可加性。即使构造了 B'，PA - PB = PA - PB' 并不成立（除非方向一致）。
• 关键区别在于：距离差涉及向量方向，而反射改变了 B 到 B' 的位置，但未保持方向一致性。

因此，简单地将反射法迁移至差值最大化问题会导致逻辑错误。

3. 数学建模与极值条件推导

设直线 L 为 x 轴，A 坐标为 (x₁, y₁)，y₁ > 0；B 坐标为 (x₂, y₂)，y₂ < 0。令 P = (x, 0) ∈ L。

目标函数为：

f(x) = |PA| - |PB| = √[(x - x₁)² + y₁²] - √[(x - x₂)² + y₂²]

对其求导并令 f’(x) = 0，得到极值点条件：

f’(x)	表达式
∂f/∂x	(x - x₁)/|PA| - (x - x₂)/|PB| = 0
即	cosθ₁ = cosθ₂
其中 θ₁ 是 PA 与 x 轴夹角，θ₂ 是 PB 与 x 轴夹角	→ 入射角等于出射角？否！此处为方向余弦相等

4. 向量视角下的几何解释

由上式可知，当单位向量 û_PA 与 û_PB 在 x 轴上的投影相等时，f(x) 达到极值。

这意味着：向量 PA 和 PB 在直线 L 方向上的“方向分量”相同。这不是反射定律，而是梯度平衡条件。

进一步分析二阶导数可判断该点是否为极大值。由于函数形态为凹凸交替，需结合边界行为判断全局最大值。

5. 三角不等式的应用边界探讨

三角不等式通常用于界定 |PA ± PB| 的上下界：

• |PA - PB| ≤ |AB|，当且仅当 P 在 AB 延长线上取等。
• 但在约束 P ∈ L 的条件下，P 很难落在 AB 直线上，尤其当 AB 不垂直于 L 时。

因此，|PA - PB| 的最大值通常小于 |AB|，且最大值点出现在 L 与 AB 延长线最“接近对齐”的位置。

6. 构造反例验证反射法失效

假设 A=(0,1), B=(2,-1)，L 为 x 轴。作 B 关于 L 的对称点 B'=(2,1)。连接 A 到 B'，交 L 于 P=(1,0)。

计算此时：

点	PA	PB	PA - PB
P=(1,0)	√2 ≈1.414	√2 ≈1.414	0
P=(0,0)	1	√5≈2.236	-1.236
P=(3,0)	√10≈3.162	√5≈2.236	0.926
P=(10,0)	≈10.05	≈10.01	≈0.04

可见，在 P=(3,0) 处 PA - PB 更大，说明反射法所得点并非最大值点。

7. 正确解法：数值优化与解析结合

推荐采用以下流程求解：

1. 建立坐标系，设定参数化变量 x（P 的横坐标）
2. 定义目标函数 f(x) = |PA| - |PB|
3. 求导 f’(x) = 0 解临界点
4. 检查端点极限（x → ±∞ 时 f(x) → 0）
5. 比较所有候选点的函数值

8. Mermaid 流程图：算法实现路径

graph TD
    A[输入点A, B和直线L] --> B{建立坐标系}
    B --> C[参数化P∈L]
    C --> D[构建目标函数f(P)=|PA|-|PB|]
    D --> E[求导找驻点]
    E --> F[计算边界极限]
    F --> G[比较所有候选点]
    G --> H[输出使PA-PB最大的P]

9. 编程实现示例（Python伪代码）

import numpy as np
from scipy.optimize import minimize_scalar

def pa_minus_pb(x, A, B):
    PA = np.sqrt((x - A[0])**2 + A[1]**2)
    PB = np.sqrt((x - B[0])**2 + B[1]**2)
    return -(PA - PB)  # 最小化负值即最大化原函数

result = minimize_scalar(pa_minus_pb, args=(A, B), bounds=[-1e6, 1e6], method='bounded')
optimal_P = (result.x, 0)

10. 工程应用场景延伸

此类问题出现在：

• 信号定位系统中，最大化到达时间差（TDOA）以提升分辨率
• 机器人路径规划中的避障代价函数设计
• 图像配准中的特征点匹配优化
• 金融风控中多指标差异最大化策略

理解 PA - PB 与 PA + PB 的本质差异，有助于避免在高维空间建模中误用对称变换。