全球专业中文经管百科,由121,994位网友共同编写而成,共计436,015个条目

拉格朗日乘數

用手机看条目

出自 MBA智库百科(https://wiki.mbalib.com/)

拉格朗日乘數(Lagrange Multipliers)

目錄

什麼是拉格朗日乘數

  在數學最優化問題中,拉格朗日乘數法(以數學家約瑟夫•拉格朗日命名)是一種尋找變數受一個或多個條件所限制的多元函數的極值的方法。這種方法將一個有n變數k 個約束條件的最優化問題轉換為一個有n + k個變數的方程組的極值問題,其變數不受任何約束。這種方法引入了一種新的標量未知數,即拉格朗日乘數:約束方程的梯度(gradient)的線性組合里每個向量的繫數。

  簡單舉例:

  最大化 f(x,y)

  受限於 g(x,y) = c

  引入新變數拉格朗日乘數λ,即可求解下列拉格朗日方程

  \Lambda(x,y,\lambda) = f(x,y) + \lambda \cdot \Big(g(x,y)-c\Big),

  此方法的證明牽涉到偏微分,全微分或鏈法,從而找到能讓設出的隱函數的微分為零的未知數的值。

拉格朗日乘數的介紹

  微積分中最常見的問題之一是求一個函數的極大極小值(極值)。但是很多時候找到極值函數的顯式表達是很困難的,特別是當函數有先決條件或約束時。拉格朗日乘數則提供了一個非常便利方法來解決這類問題,而避開顯式地引入約束和求解外部變數。

  先看一個二維的例子:假設有函數:f(x,y),要求其極值(最大值/最小值),且滿足條件:g\left( x,y \right) = c

  c 為常數。對不同dn的值,不難想象出f \left( x, y \right)=d_n的等高線。而方程g可行集所構成的線正好是g(x,y) = c想象我們沿著g = c的可行集走;因為大部分情況下f的等高線和g的可行集線不會重合,但在有解的情況下,這兩條線會相交。想象此時我們移動g = c上的點,因為f是連續的方程,我們因此能走到f \left( x, y \right)=d_n更高或更低的等高線上,也就是說dn可以變大或變小。只有當g = cf \left( x, y \right)=d_n相切,也就是說,此時,我們正同時沿著g = cf \left( x, y \right)=d_n走。這種情況下,會出現極值或鞍點。

  氣象圖中就很常出現這樣的例子,當溫度和氣壓兩列等高線同時出現的時候,切點就意味著約束極值的存在。

  用向量的形式來表達的話,我們說相切的性質在此意味著fg的切線在某點上平行。此時引入一個未知標量λ,並求解:

  \nabla \Big[f \left(x, y \right) + \lambda \left(g \left(x, y \right) - c \right) \Big] = 0

  且λ ≠ 0。

  一旦求出λ的值,將其套入下式,易求在無約束極值和極值所對應的點。

  F \left( x , y \right) = f \left( x , y \right) + \lambda \left( g \left( x , y \right) - c \right)

  新方程F(x,y)在達到極值時與f(x,y)相等,因為F(x,y)達到極值時g(x,y) − c總等於零。

拉格朗日乘數的運用方法

  如f定義為在Rn上的方程,約束為gkx)= ck(或將約束左移得到gk(x) − ck = 0)。定義拉格朗日Λ

  \Lambda(\mathbf x, \boldsymbol \lambda) = f + \sum_k \lambda_k(g_k-c_k)

  註意極值的條件和約束現在就都被記錄到一個式子里了:

  \nabla \Lambda = 0 \Leftrightarrow \nabla f = - \sum_k \lambda_k \nabla\ g_k,\nabla_{\mathbf \lambda} \Lambda = 0 \Leftrightarrow g_k = c_k

  拉格朗日乘數常被用作表達最大增長值。原因是從式子:-\frac{\partial \Lambda}{\partial {c_k}} = \lambda_k。中我們可以看出λk是當方程在被約束條件下,能夠達到的最大增長率。拉格朗日力學就使用到這個原理。

  拉格朗日乘數法在Karush-Kuhn-Tucker最優化條件被推廣。

拉格朗日乘數例子

案例一

  求此方程的最小值:

  f(x,y) = x2y

  同時未知數滿足

  x2 + y2 = 1

  因為只有一個未知數的限制條件,我們只需要用一個乘數λ

  g(x,y) = x2 + y2 − 1

  Φ(x,y,λ) = f(x,y) + λg(x,y) = x2y + λ(x2 + y2 − 1)

  將所有Φ方程的偏微分設為零,得到一個方程組,最大值是以下方程組的解中的一個:

  2xy + 2λx = 0

  x2 + 2λy = 0

  x2 + y2 − 1 = 0

案例二

  求此概率分佈|離散分佈的最大熵 (資訊理論)|熵:

  f(p_1,p_2,\ldots,p_n) = -\sum_{k=1}^n p_k\log_2 p_k

  所有概率的總和是1,因此我們得到的約束是gp)= 1即

  g(p_1,p_2,\ldots,p_n)=\sum_{k=1}^n p_k=1

  可以使用拉格朗日乘數找到最高熵(概率的函數)。對於所有的k 從1到n,要求

  \frac{\partial}{\partial p_k}(f+\lambda (g-1))=0,

  由此得到

  \frac{\partial}{\partial p_k}\left(-\sum_{k=1}^n p_k \log_2 p_k + \lambda (\sum_{k=1}^n p_k - 1) \right) = 0

  計算出這n個等式的微分,我們得到:

  -\left(\frac{1}{\ln 2}+\log_2 p_k \right) + \lambda = 0

  這說明pi都相等 (因為它們都只是λ的函數)。

  解出約束∑k pk = 1,得到

  p_k = \frac{1}{n}

  因此,使用均勻分佈可得到最大熵的值。

拉格朗日乘數在經濟學中的應用

  約束最優化在經濟學占有很重要的地位。例如一個消費者的選擇問題可以被視為一個求效用|效用方程在預算約束下的最大值問題。拉格朗日乘數在經濟學中被解釋影子價格,設定在某種約束下,在這裡即收入邊際效用

  拉格朗日乘數就是效用函數在最優解出對收入的偏導數,也就是在最優解處增加一個單位收入帶來的效用增加,或者說在最優解處有效用衡量收入的價值,稱之為收入的邊際效用。

  在企業生產問題中,拉格朗日乘數用來衡量要素投入變動所帶來的收入變動,du/dm=λ,u表示效用函數或生產函數,m表示收入或要素投入。

  在具體數學推導中還可以運用包絡定理的內容。

本條目對我有幫助45
MBA智库APP

扫一扫,下载MBA智库APP

分享到:
  如果您認為本條目還有待完善,需要補充新內容或修改錯誤內容,請編輯條目投訴舉報

本条目由以下用户参与贡献

Tracy,小月肖朱熹的熹读第一声,Mis铭.

評論(共0條)

提示:評論內容為網友針對條目"拉格朗日乘數"展開的討論,與本站觀點立場無關。

發表評論請文明上網,理性發言並遵守有關規定。

打开APP

以上内容根据网友推荐自动排序生成

官方社群
下载APP

闽公网安备 35020302032707号