拉格朗日乘子法

 

之前两篇blog介绍了等式约束最优化，不等式约束最优化的最优性条件。

（http://blog.csdn.net/ice110956/article/details/17557795

http://blog.csdn.net/ice110956/article/details/17562429）

了解最优性条件后，我们通过最优性条件的性质可以来求解，或者验证最优解。通常会构造一个拉格朗日乘子，求导构造得到最优性条件的形式来求解。

 

回顾下最优化问题的三个基本形式：

 

无约束问题

可以通过微积分的知识直接求解。

 

等式约束问题

我们可以构造拉格朗日乘子后直接求解，也就是拉格朗日乘子法。如下：

我们可以定义如下的n+l元函数：

称为lagrange函数。也就是把目标函数与约束函数写在一起求解，并用向量的形式来表示。

上式分别对x与lamda求导为零求解后，即为可能极值点。（证明可见开头两篇blog）

不过上述的点可能是鞍点，也可能是极值点，具体判断要用二阶充分条件。

*补充，解析法求导，可以求得拉格朗日函数可能极值点。但是，经证明，拉格朗日函数没有最小值，也就是通过序列迭代法不能得到解。这时候就要用到乘子+罚函数的方法。

 

不等式约束问题

上一篇blog我们得到不等式约束的最优性条件是KKT条件，如下：

上式的第一个式子，我们也可以写成这样的式子：

然后求导，也就是拉格朗日乘子。（证明可见开头两篇blog）

上式虽然我们得出了KKT条件，但是还是解不了的，因为第二个式子理解为lambda=0或者ci(x)=0;也就是单独使用最优性条件无法直接解出不等式约束的最优解。我们只能通过KKT条件来验证某个解是否是最优解。

 不过，前一篇blog中（http://blog.csdn.net/ice110956/article/details/17631765 ）提到的外罚函数和内罚函数，把不等式约束问题转化为等式约束问题。然后，我们再通过拉格朗日乘子法来求解等式问题。也就是说，通过罚函数+乘子法，我们可迭代求解不等式约束问题。

小结

通过构造拉格朗日乘子，我们可以解等式约束问题，验证但不可求解不等式约束问题。