拉格朗日鞍点(Lagrange Saddle Point)

拉格朗日鞍点(Lagrange saddle point)是非线性规划问题中满足特定条件的点。对于非线性规划问题(NP)，它的拉格朗日函数是指目标函数和约束条件中函数的如下线性组合：
$$L(x,\lambda ,\mu )=f(x)+\sum _{i=1}^p{\lambda }_i{g}_i(x)+\sum _{j=1}^q{\mu }_j{h}_j(x)$$

其中 $x\in R^n,\lambda =({\lambda }_1,{\lambda }_2,...,{\lambda }_p{)}^T,\mu =({\mu }_1,{\mu }_2,...{\mu }_q{)}^T$

满足条件
$$L(x^{\ast },\lambda ,\mu )\le L(x^{\ast },{\lambda }^{\ast },{\mu }^{\ast })\le L(x,{\lambda }^{\ast },{\mu }^{\ast })$$

$$(x,x^{\ast }\in R^n;\lambda ,{\lambda }^{\ast }\in R^p,\lambda \ge 0,{\lambda }^{\ast }\ge 0;\mu ;{\mu }^{\ast }\in R^q)$$

的点称为(NP)的拉格朗日鞍点。

定理
设$(x^{\ast },{\lambda }^{\ast },{\mu }^{\ast })$是凸优化问题的KKT点，则$(x^{\ast },{\lambda }^{\ast },{\mu }^{\ast })$为对应的拉格朗日函数的鞍点，同时$x^{\ast }$也是该凸优化问题的全局极小点。

鞍点定理(Saddle Point Theorem)
是关于拉格朗日函数的鞍点与约束优化问题最优点之间的关系定理。鞍点是函数平稳点的一种，应用鞍点的性质，可以推得最优点的充分条件如下：对于约束极小化问题，如果其拉格朗日函数的鞍点 $(x^{\ast },{\lambda }^{\ast },{\mu }^{\ast })$ 存在，即有 $L(x^{\ast },\lambda ,\mu )\le L(x^{\ast },{\lambda }^{\ast },{\mu }^{\ast })\le L(x,{\lambda }^{\ast },{\mu }^{\ast })$，那么相应的 $x^{\ast }$ 必是该约束极小化问题的最优点。由于没有涉及函数的凸性与可微性，适用范围较广，但因求解鞍点很困难，且即使原问题的最优点存在，它的拉格朗日函数也不一定有鞍点，故目前并不实用