整理自其他优秀博文及自己理解。
目录
- 无约束优化
- 等式约束
- 不等式约束（KKT条件）
1、无约束优化
无约束优化问题即高数下册中的 “多元函数的极值" 部分。
驻点：所有偏导数皆为0的点；
极值点：在邻域内最大或最小的点；
最值点：在定义域内最大或最小的点；
关系：
驻点不一定是极值点，极值点一定是驻点；
极值点不一定是最值点，最值点一定是极值点；
求解最值：
求出所有的极值点，将所有的极值点带入函数中，最大或最小的那个就是最值点。
2、等式约束
等式约束问题即高数下册中的 “条件极值 拉格朗日乘数法” 部分。
对于$z=f(x,y)$在$varphi(x,y)=0$的条件下的最值问题：
构造拉格朗日函数：$L(x,y,lambda)=f(x,y)+lambdavarphi(x,y)$；
对拉格朗日函数求解，得到的即为在条件$varphi(x,y)=0$下，$z=f(x,y)$所有可能的极值点。再利用问题本身的其他约束条件（如果有的话）筛选极值点，比较之后求得最值点。
直观的解释：目标函数和约束函数在最优解处的法线共线，即$igtriangledown f(x,y)=lambdaigtriangledown g(x,y)$
具体证明请查阅高数课本。
3、不等式约束
当约束是不等式的时候，可以在不等式约束中加入松弛变量，使其变为等式约束问题，再进行一些分析。
最后$x^*$是极值点的必要条件（KKT条件）为：
$f(x)=left{
egin{aligned}
igtriangledown f(x) & = & lambda igtriangledown c_i(x) \
lambda_ic_i(x) & = & 0\
lambda_i & geq & 0
end{aligned}
ight.$
不等式约束可以直接利用KKT条件求出可能的极值点。
具体推导和证明可参见：https://zhuanlan.zhihu.com/p/26514613
他们之间的关系：（此图来自知乎上链接，入侵可删）
至此，梳理完毕。