also, 拉普拉斯方程, 边际效用: energy, desire growth rate among all dimensions tend to converge with each other, putting an upper limit on a individual stock price appreciation rate 1. 介绍 先看一个二维的例子：假设有方程：f(x,y)，要求其最大值，且 c 为常数。对不同的值，不难想像出 的等高线。而方程的等高线正好是。想像我们沿着的等高线走；因为大部分情况下和的等高线不会重合，但在有解的情况下，这两条线会相交。想像此时我们移动上的点，因为是连续的方程，我们因此能走到更高或更低的等高线上，也就是说可以变大或变小。只有当和相切，也就是说，此时，我们正同时沿着和走。这种情况下，会出现极值或鞍点。 气象图中就很常出现这样的例子，当温度和气压两列等高线同时出现的时候，切点就意味着约束极值的存在。 用向量的形式来表达的话，我们说相切的性质在此意味着和的斜率在某点上平行。此时引入一个未知标量λ，并求解： 且λ ≠ 0. 一旦求出λ的值，将其套入下式，易求在无约束极值和极值所对应的点。 = 新方程在达到极值时与相等，因为达到极值时总等于零。 2. 拉格朗日乘数的运用方法 如f定义为在Rn上的方程，约束为gk（x）= ck（或将约束左移得到gk(x) − ck = 0）。定义拉格朗日Λ为 注意极值的条件和约束现在就都被记录到一个式子里了： 和 拉格朗日乘数常被用作表达最大增长值。原因是从式子： 中我们可以看出λk是当方程在被约束条件下，能够达到的最大增长率。拉格朗日力学就使用到这个原理。 拉格朗日乘数法在Karush-Kuhn-Tucker最优化条件被推广。 3. 例子 3. 1. 很简单的例子 求此方程的最大值： 同时未知数满足 因为只有一个未知数的限制条件，我们只需要用一个乘数. 将所有方程的偏微分设为零，得到一个方程组，最大值是以下方程组的解中的一个： 3. 2. 另一个例子 求此离散分布的最大熵： 所有概率的总和是1，因此我们得到的约束是g（p）= 1即 可以使用拉格朗日乘数找到最高熵（概率的函数）。对于所有的k 从1到n，要求 由此得到 计算出这n个等式的微分，我们得到： 这说明pi都相等 (因为它们都只是λ的函数). 解出约束∑kpk = 1，得到 因此，使用均匀分布可得到最大熵的值。 4. 经济学 约束最优化在经济学占有很重要的地位。例如一个消费者的选择问题可以被视为一个求效用方程在预算约束下的最大值问题。拉格朗日乘数在经济学中被解释为影子价格，设定在某种约束下，在这里即收入的边际效用。 拉格朗日乘数就是效用函数在最优解出对收入的偏导数，也就是在最优解处增加一个单位收入带来的效用增加，或者说在最优解处有效用衡量收入的价值，称之为收入的边际效用。 在企业生产问题中，拉格朗日乘数用来衡量要素投入变动所带来的收入变动，du/dm=λ,u表示效用函数或生产函数，m表示收入或要素投入。 在具体数学推导中还可以运用包络定理的内容。 5. 参考 •卡罗需－库恩－塔克条件:拉格朗日乘数的推广。 •拉格朗日方程式 •哈密顿原理 •作用量 6. 对外链接 参考拉格朗日原作或方法的命名： •Earliest known uses of some of the words of mathematics: L 更深入的介绍和互动applet： •Applet •Tutorial and applet •Conceptual introduction (概念介绍和对于拉格朗日乘数方法在变分法以及物理中的运用) •Lagrange Multipliers without Permanent Scarring (tutorial by Dan Klein)
选择“Disable on www.wenxuecity.com”
选择“don't run on pages on this domain”
