为什么带约束条件的极值计算可以通过引入拉格朗日算子解决

• 问题描述
  优化问题中，经常碰到带等式约束的极值计算问题，形式如下：
  maximize $f(x, y)$
  subject to $g(x, y) = 0$
  对于上述问题最常见的做法是引入拉格朗日算子转换为求下式的极值问题：
  $L(x,y,\lambda) = f(x,y) + \lambda \cdot g(x,y)$
  对上式求偏导得到：
  $(1) \nabla_{x,y} f + \lambda \nabla_{x,y} g = 0$
  $(2) g(x, y) = 0$
  (2)式很好理解，由约束条件即可得到，但是为什么(1)式成立就是带约束条件下$f(x, y)$的极值点呢？

• 问题解释
  $f(x, y)$在该点取得极值意味着该点是一个不动点，同时这个不动点应该满足约束$g(x, y) = 0$，也就是说该不动点同时是 $f(x, y)$和$g(x,y)$ 的不动点，也就是说该点处两者切线重叠，即该点处两者梯度平行，用公式表示为：
  $\nabla_{x,y} f = - \lambda \nabla_{x,y} g$
  $\nabla_{x,y} f + \lambda \nabla_{x,y} g = 0$
  也就是说满足上式的点一定是带约束条件下$f(x, y)$的极值点
  $\nabla L_{x,y,\lambda} = \nabla_{x,y} f + \lambda \nabla_{x,y} g = 0$