拉格朗日乘子法和KKT条件

拉格朗日乘子法(Lagrange Multiplier)和KKT(Karush-Kuhn-Tucker)条件是求解约束优化问题的重要方法，在有等式约束时使用拉格朗日乘子法，在有不等约束时使用KKT条件。前提是：只有当目标函数为凸函数时，使用这两种方法才保证求得的是最优解。

对于无约束最优化问题，有很多经典的求解方法，参见无约束最优化方法。

拉格朗日乘子法

先来看拉格朗日乘子法是什么，再讲为什么。

这个问题转换为

其中λi≠0，称为拉格朗日乘子。

下面看一下wikipedia上是如何解释拉格朗日乘子法的合理性的。

现有一个二维的优化问题：

我们可以画图来辅助思考。

绿线标出的是约束g(x,y)=c的点的轨迹。蓝线是f(x,y)的等高线。箭头表示斜率，和等高线的法线平行。

从图上可以直观地看到在最优解处，f和g的法线方向刚好相反（或者说叫梯度共线），即

而满足3的点同时又是4的解。

所以2和4等价。

新方程F(x,y)在达到极值时与f(x,y)相等，因为F(x,y)达到极值时g(x,y)−c总等于零。

KKT条件

先看KKT条件是什么，再讲为什么。

上面的推导到此中断一下，我们看另外一个式子。

这里的u和g都就向量，所以去掉了下标k。另外一些博友不明白上式中maxμminxf(x)=minxf(x)是怎么推出来的，其实很简单，因为f(x)与变量u无关，所以等式成立u无关，所以这个等式就是成立的

。

联合(7),(8)我们得到minxmaxμL(x,μ)=maxμminxL(x,μ)

我们把maxμminxL(x,μ)称为原问题minxmaxμL(x,μ)的对偶问题，上式表明当满足一定条件时原问题、对偶的解、以及minxf(x)minxf(x)是相同的，且在最优解x∗处μ=0org(x∗)=0。把x∗代入(6)得maxμL(x∗,μ)=f(x∗)，由(8)得maxμminxL(x,μ)=f(x∗)，所以L(x∗,μ)=minxL(x,μ)，这说明x∗也是L(x,μ)的极值点，即。

最后总结一下：

博文转自：博客园（Orisun）http://www.cnblogs.com/zhangchaoyang/articles/2726873.html