KTT条件_kkt条件全称

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全家桶1年46，售后保障稳定

以下都是个人理解，刚刚有点理解，所以可能表达不清楚……但是又想把一些理解表达出来，故写了这篇

上篇文章说了，拉格朗日乘子法，可以在等式约数的条件下，求得某函数f的极大或极小值，但是，等式约束只是不等式约束中的特例，如果我们遇到了不等式约束，该怎么办呢？(其实理解了拉格朗日乘子法后，KTT就贼NM简单了)

本文不打算怎么放图了，感觉完全可以接着上一篇继续搞！

首先，对于等式约数，我们可以看成我们自变量可以取的点组成的几条线，也就是约束函数在某高度上的等高线。不过约束换成了不等式约束以后，此时约束就可能由“线”变成了面。

但是，看上去需要考虑的取值变多了，其实不然：
其实把约束由等式变为不等式，对于每个不等式约束，我们要处理的也只有两种情况：

1. 要优化函数的极小值点就在约束内
2. 要优化函数的极小值点在约束外

第一种情况最好处理——直接无视掉，因为：既然极小值都在约束内了，那么这个约束就如同虚设一般。
第二种情况呢？都已经知道极值在约束外头了，那就不可能往约束里面找了，所以我们至于要考虑约束的边界，其实就是那条熟悉的等高线……所以对于第二种情况，我们可以转化为等式约束的求极值，也就是用前一章所说的东西解决、、、

但是还有问题：我怎么知道极小值是在约束内还是约束外……

其实这个问题挺好解决的，不过首先我们需要把所有的约束条件都统一一下，比如统一改成$g(x,y,...)<=0$的形式，至于为什么、、、一会就清楚了

先看看约束吧，比如对于一个约束$g(x,y)<=0$，我们先看看它的边界，也就是$g(x,y)=0$，随机取一个满足条件的$(x,y)$，求$g(x,y)$在这里的梯度。由于我们的约束都统一过，所以不难想象，这时的梯度向量的方向肯定是指向约束外而不是约束内

比如图中浅红色区域代表$g(x,y)=x^2+y^2-4<=0$，黑圆就是约束边界，箭头是梯度向量，根据约束来看，边界的高度(值)都是0，如果继续顺着梯度走，那么肯定会跳出约束范围，所以梯度指向为约束外。

然后我们再考虑要优化函数在约束边界任意一点的梯度方向，如果梯度方向和约束的梯度方向夹角都小于90度，也就是都指向约束外面，则要优化函数的极小值一定在约束内(该约束可以忽略)，反之则在约束外。

OK，现在我们可以来看看怎么求得极值了、
设$F(x,y,...)=f(x,y,...)+\sum {\lambda }_i{g}_i(x,y,...)$

首先，不等式约束可以间接为等式约束，并且可行解一定在约束边界上
则有$▽f+\sum {\lambda }_i▽g_i=0$，也就是我们上一篇说的梯度共线。
不过需要满足：${\lambda }_i{g}_i=0$

解释如下：
上面说了，对于某个约束，可行解可能落在约束内，也可能落在约束外。
如果落在约束内，则这个约束可以忽略掉，此时令${\lambda }_i=0$约去这个约束；而如果可行解在约束外，此时我们要考虑的是约束边界，此时有$g(x,y,...)=0$
总结一下就是${\lambda }_i{g}_i=0$

对于${\lambda }_i$还有一些限制，因为要求梯度共线，所以目标函数梯度方向和约束函数的梯度方向只能相同和相反，结合上面所说，只有这两个向量夹角大于90度(此时也就是共线，方向相反)，这个约束才有用，故有${\lambda }_i>0$ ，而刚才说了可行解可能落在约束内有${\lambda }_i=0$ ，总结一下就是${\lambda }_i>=0$

总的来看：对于
$$\begin{gathered} \underset{x}{\min }f(x,...) \\ s.t.h_i(x)=0,i=1,2,3,...,m \\ .g_j(x)⩽0,j=1,2,3,...,n \end{gathered}$$

设$F(x,\mu ,\lambda )=f(x)+\sum {\mu }_i{h}_i(x)+\sum {\lambda }_j{g}_j(x)$
解方程：
$\{\begin{array}{c}{▽}_{x}F(x,\mu ,\lambda )=0\\ h_i(x)=0\\ g_j(x)⩽0\\ {\lambda }_j{g}_j=0\\ {\lambda }_j⩾0\end{array}$

例子：
对于$min$ $f(x,y)=x^2+y^2$，$s.t.$ $h(x,y)=x+y+2⩽0$，

设$F=f+\lambda h$
则有
$\frac{\partial F}{\partial x}=\frac{\partial f}{\partial x}+\frac{\partial g}{\partial x}=2x+\lambda =0$
$\frac{\partial F}{\partial y}=\frac{\partial f}{\partial y}+\frac{\partial g}{\partial y}=2y+\lambda =0$
解得$x=y$
则$x+y+2=2x+2⩽0\Rightarrow x⩽-1$
且要满足$\lambda h=0$，且$\lambda =-2x$。故$-2x\times (2x+2)=0$
解得$\{\begin{array}{c}x=0(舍去)\\ x=-1(满足)\end{array}$
且$\lambda =2⩾0$
故在$x=-1,y=-1$时，$f(x,y)=(-1{)}^2+(-1{)}^2=2$为所求极小值

参考资料：
约束优化方法之拉格朗日乘子法与KKT条件