拉格朗日乘数法

拉格朗日乘数法(Lagrange Multiplier Method)是数学优化中处理等式约束极值问题的经典方法。它通过引入“拉格朗日乘子”,巧妙地将一个有约束的问题转化为无约束的问题。


1. 核心思想:几何上的“相切”

对于目标函数 f(x,y)f(x, y) 和约束条件 g(x,y)=0g(x, y) = 0:

  • 直观理解:想象目标函数 ff 的等高线。当你沿着约束曲线 g=0g = 0 运动时,如果你还能走向更高或更低的等高线,说明还没达到极值。
  • 关键结论:极值点必然出现在目标函数等高线与约束曲线相切的地方。
  • 数学表达:在切点处,两者的梯度向量(垂直于曲线的方向)是平行的。即: ∇f=λ∇g\nabla f = \lambda \nabla g(1) 这里的 λ\lambda 就是拉格朗日乘子。

2. 计算步骤:四步走

假设要求 f(x1,…,xn)f(x_1, \dots, x_n) 在约束 g(x1,…,xn)=0g(x_1, \dots, x_n) = 0 下的极值:

  1. 构造拉格朗日函数: L(x1,…,xn,λ)=f(x1,…,xn)−λ⋅g(x1,…,xn)L(x_1, \dots, x_n, \lambda) = f(x_1, \dots, x_n) - \lambda \cdot g(x_1, \dots, x_n)(2) 注:减号改加号也可以,不影响最终 xx 的求解。
  2. 求偏导并置零: 对所有自变量 xix_i 和乘子 λ\lambda 分别求偏导,令其等于 0: {∂L∂x1=0…∂L∂xn=0∂L∂λ=0(这一项即原约束 g=0)\begin{cases} \frac{\partial L}{\partial x_1} = 0 \\ \dots \\ \frac{\partial L}{\partial x_n} = 0 \\ \frac{\partial L}{\partial \lambda} = 0 \quad (\text{这一项即原约束 } g=0) \end{cases}(3)
  3. 解方程组:算出所有的驻点 (x1*,…,xn*,λ*)(x_1^*, \dots, x_n^*, \lambda^*)。
  4. 确定极值:将得到的驻点代入原函数 ff,通过比较数值大小或结合实际背景判断最大值或最小值。

3. 经典示例

问题:求 f(x,y)=xyf(x, y) = xy 在约束 x+y=4x + y = 4 下的最大值。

  • 构造函数:L(x,y,λ)=xy−λ(x+y−4)L(x, y, \lambda) = xy - \lambda(x + y - 4)
  • 求导:
    1. ∂L∂x=y−λ=0⟹y=λ\frac{\partial L}{\partial x} = y - \lambda = 0 \implies y = \lambda
    2. ∂L∂y=x−λ=0⟹x=λ\frac{\partial L}{\partial y} = x - \lambda = 0 \implies x = \lambda
    3. ∂L∂λ=−(x+y−4)=0⟹x+y=4\frac{\partial L}{\partial \lambda} = -(x + y - 4) = 0 \implies x + y = 4
  • 求解:联立得 x=y=2x = y = 2。
  • 结果:最大值为 f(2,2)=4f(2, 2) = 4。

4. 局限

  • 仅限等式:该方法原生只支持 g(x)=0g(x)=0。
  • 不等式约束:如果约束是 g(x)≤0g(x) \le 0,则需要升级到 KKT 条件(Karush-Kuhn-Tucker)。
  • 驻点非极值:求出的是驻点,还需要根据海森矩阵(Hessian Matrix)或物理意义确认是否为真正的极值点。
Join the discussion Powered by GitHub Discussions