拉格朗日乘子法 latex手打公式 良心推导

拉格朗日乘数法

简介

简单概括一下拉格朗日乘子法用来解决具有约束的最值问题。

那么其中主要有两个比较重要的问题需要解决:

  1. 等式约束问题
  2. 不等式约束问题

等式约束问题

其中我认为最重要的其实就是等式约束问题,因为不等式最终也可以转化为这第一种问题,至于怎么转化我们后面再讲,现在我们想搞懂如何解决等式约束问题。

明确问题

在这里插入图片描述

上面就是我们需要解决的问题。

基础知识

首先我们明确一些前提条件,这也是我们求解的基础。

我们现在需要求解的是有约束的极值问题,那么我们回想一下当没有约束的时候我们如何求解。

其实也简单,偏导为0对吧:
在这里插入图片描述

同理,对于g(x1,x2)=0,我们可以得到:

在这里插入图片描述

其中x*表示极值点。

推导

得到了上面的基础条件之后我们就可以进行真正的推导了。

首先我们根据上面的两个导数式子得到:
在这里插入图片描述

左边都是相等的,我们合并之后就可以得到两个式子的分子之比=分母之比。

在这里插入图片描述

这时候我们就得到了拉格朗日乘子:
在这里插入图片描述

构造

然后我们构造如下方程

在这里插入图片描述

其实到这里我们已经知道了拉格朗日乘子法的灵魂,就是讲有约束的极值问题转换为无约束的极值问题。

求极值

然后其实就是常规思路了,求导,求极值,下面我们写的式子也叫KKT条件:

在这里插入图片描述

此时问题已经可解。

不等式约束问题

明确问题

不等式约束我们给出一个模板:

在这里插入图片描述

问题转化

我们可知一定存在一个x3使得:

在这里插入图片描述

这样的话我们就可以使用等式约束方法进行解决。

大家共勉~~

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
拉格朗日乘子法是一种优化算法,应用于具有约束条件的优化问题。它的原理是基于拉格朗日乘子的概念,在求解有约束问题的时候,将约束条件转化为目标函数的一部分,通过求解该新的目标函数,得到问题的最优解。 在使用拉格朗日乘子法时,首先根据问题的约束条件构造拉格朗日函数。拉格朗日函数是由目标函数和约束条件组成的,目标函数会被调整为加入拉格朗日乘子与约束条件的乘积,同时每个约束条件都会有一个对应的拉格朗日乘子。然后,通过求取拉格朗日函数的偏导数,将其等于0,可以得到一组方程,包括目标函数的梯度和约束条件的梯度。将这些方程联立求解,就可以得到问题的最优解。 对于拉格朗日函数的求解,可以采用数值方法,例如使用fmincon算法。fmincon是一种非线性约束最小化算法,可以求解具有非线性约束的优化问题。它的实现基于拉格朗日乘子法,通过迭代的方式逼近最优解。在每一次迭代中,通过求解一组子问题,不断调整拉格朗日乘子的值,直到找到最优解为止。 总之,拉格朗日乘子法是一种基于拉格朗日函数的优化算法,通过将约束条件转化为目标函数的一部分,再利用数值方法求解最优解。而fmincon算法则是一种具体的数值方法实现,可以应用于求解具有非线性约束的优化问题。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值