拉格朗日量

父级：math

把约束优化问题转化为平稳性条件的装置。目标是最小化目标函数 f(x)，同时满足等式约束 hᵢ(x)=0 和不等式约束 gⱼ(x)≤0，其中 x ∈ ℝⁿ。

为什么会出现乘子——几何直觉（等式情形）

先只看等式约束：可行集是曲面 M = {x : hᵢ(x)=0}。在一个正则点（∇hᵢ 线性无关）处，既能移动又保持可行的方向构成切空间

设 x* 是 f 在 M 上的一个局部极小点。沿着任意经过 x* 的可行曲线，f 都是平稳的，因此

这说明 ∇f(x*) 正交于切空间，也就是说它落在约束梯度所张成的空间里：

系数 λᵢ 正是拉格朗日乘子——由线性无关性可知它们是唯一的。直觉：在最优点处，你不可能再把 f 往下推而不被某个约束顶回来；∇f 是那些把你固定在曲面上的"力" ∇hᵢ 的一个线性组合。

拉格朗日函数把这一切打包成一个平稳性条件

拉格朗日函数

把每一个约束都折进目标函数，各自乘以专属的乘子——每个等式 hᵢ 对应符号自由的 λᵢ，每个不等式 gⱼ 对应 μⱼ≥0：

$$L(x,\lambda,\mu)=f(x)+\sum_i \lambda_i\, h_i(x)+\sum_j \mu_j\, g_j(x).$$

现在最优点就只是 L 的一个平稳点：

• $\nabla_x L=0$ 复现了上面的条件（$\nabla f=-\sum\lambda_i\nabla h_i$）；
• $\partial L/\partial\lambda_i=0$ 复现了约束 hᵢ=0。

于是约束问题就变成了：求解 ∇L=0——n+m 个方程，n+m 个未知数 (x, λ)。约束并没有消失，而是被转化成了额外变量 λ 上的平稳性条件。

乘子的含义：影子价格（敏感度）

把约束 i 放松为 hᵢ(x)=bᵢ，并设 p*(b) 为相应的最优值。求导：利用 ∇hⱼ·(∂x*/∂bᵢ)=δᵢⱼ 和 ∇f=-Σλₖ∇hₖ，

所以λᵢ 就是约束 i 每放松一个单位，最优值随之产生的边际变化——它的影子价格。乘子很大的紧约束是"昂贵"的；乘子为 0 则说明该约束根本没有起作用（不是紧约束）。

一个简单的算例

最小化 x²+y²，约束为 x+y=1。于是 L=x²+y²+λ(x+y−1)，∇ₓL=0 给出 2x+λ=0、2y+λ=0 ⟹ x=y，再代入约束得 x=y=½、λ=−1。最优值为 ½。验证敏感度：当 x+y=b 时最优值为 p*(b)=b²/2，于是 dp*/db=b=1=−λ。✓

完整的代表性计算（极小与极大，几何验证 + 影子价格验证）：lagrangian-worked-example。

不等式约束 → μ≥0 与互补松弛性

不等式 gⱼ≤0 只在一个方向上阻挡运动，所以它的乘子带有符号约束，μⱼ≥0（它只能把你推回可行域）。而如果某约束在最优点处是松的（gⱼ<0，未被触及），它就不施加任何力，于是 μⱼ=0——这就是互补松弛性 μⱼgⱼ=0。等式约束（自由的 λ）加上不等式约束（μ≥0 加松弛性）合在一起，就是 kkt 条件。

极小-极大（鞍点）视角 → 对偶性

L 把原问题变量 x 和对偶变量 (λ,μ) 耦合在一起。对乘子取最大化，正好复现出约束问题：

因为一旦某个约束被违反，内层的最大化就能把 L 推向 →∞。交换取值顺序则得到对偶问题 $\max_{\mu\ge0} \min_x L$，其值恒小于等于原问题（弱对偶性），在凸性 + Slater 条件下取等。完整的对偶性内容见 kkt 和 classical-optimization。