拉格朗日乘子法

梯度场与切空间垂直，也就是梯度场不能够有任何流形切空间上的分量，否则在切空间方向有分量，在流形上沿分量方向走，函数值会增加，沿反方向走，函数值会减少，不可能为局部极小或者极大值点。

一.
一个基本的例子：

假设你生活在三维欧氏空间中，z方向的坐标数值上代表海拔高度。

如果你会飞，那么anyway，你想飞多高飞多高，所以你的海拔可以任意高也可以任意小，根本就没有最大值。

假定你是一个普通人类，你在一座山上，你的目标是爬到山顶，也就是说你希望自己的海拔足够高：

当你真正到达山腰时，很容易“只缘身在此山中，不识此山真面目”，这时候如何判断是真的在往上爬呢，还是在往下走呢？

在肉眼所能看见的小范围内，你可以通过周边的局部地形来判断，假设它大概是这样：

你就知道应该往高处（大概为红箭头方向）走，而不是绿箭头方向。
当然不一定一直沿这个方向直线式上升，可能还需要走到某个地方，再次做一下这种局部的考察，调整一下方向，保证自己能向高处走。

不过，什么是“高”的一边？这个概念究竟是如何形成的？

我们知道，海拔，我们希望能够找到山面上的海拔最高点（山顶）。
梯度

关于梯度一个很自然的结论就是：
沿梯度方向是f增长最快的方向，反方向是下降最快的方向。

所以直观上沿与梯度方向成锐角的方向移动，那么f的值应该会增加。

而在山面上，我们可以通过天空来确定梯度方向（当然指向高高的天空啦）
与垂直向上方向成锐角的方向的地形，也就是“高”的一边。

（可以见到，红色的角是锐角，所以沿此方向海拔上升，绿色的角是钝角，所以沿此方向海拔下降）

所有我们可以移动的方向，叫做这一点的切空间。

那么，什么时候才能知道我们到达了山顶呢？

P点为山顶，那么在这一点，切空间上任何一个方向与梯度方向（红色箭头）的夹角都不可以是锐角，
否则我们沿那个方向爬，就会上升到更高点。

所以切空间只能够与梯度方向垂直。

利用流形本身的信息，我们可以得到切空间的方程，从而确定与切空间垂直的所有方向（这种方向叫做法向）。
利用函数本身的信息，我们可以得到梯度场的方向

梯度场方向与切空间垂直，所以梯度场可以表成一些的特定的法向 的线性组合,
系数记为

即,这就是Laplace乘子法的思想

二.一般形式

给一组约束条件,
（经常加一些好的条件比如说的jacobi矩阵满秩,这些条件都是为了让M确实是一个流形，见正则值定理)
那么流形（约束条件下的所有点）为

p如果为的局部极大值或者局部极小值，
那么

,故法向量由张成
所以存在一组系数
使得

这就是乘子方程。

（PS: ）

所以本质上就是最开始说的：
能够碰到极大极小值点的必要条件是：
梯度场与切空间垂直，也就是梯度场不能够有任何流形切空间上的分量，否则在切空间方向有分量，在流形上沿分量方向走，函数值会增加，沿反方向走，函数值会减少，不可能为局部极小或者极大值点。

利用流形本身的信息，我们可以得到切空间的方程，从而确定法向。
利用函数本身的信息，我们可以得到梯度场的方向
梯度场方向与切空间垂直，所以梯度场可以表成一些的特定的法向（比如说一组基法向）的线性组合
用这两个信息把上面那句话用方程的形式写出来就好了

后记:

1.这种乘子法只考虑了第一变分（梯度），事实上极大极小值还可以用Hessian矩阵进行二阶刻画，所谓第二变分

2.这种找法只能够找局部极值点，如果要寻找鞍点，就是这样的点：

这种方法完全失效，不过一般情况下我们只关心极大极小值点。

对于鞍点的寻找，我们有Moutain Pass Lemma，或者更一般的，我们可以采用min-max原理的推理，能够从极值点出发找到可能鞍点。

3.
我们只考虑假定流形M上比较好的函数，所有上述方法都可以内蕴地在流形上建立起来。
对于一般的关于临界点即的点的理论，可以反馈流形自身的拓扑信息。
比如说著名的Reeb定理是在说：

考虑一个紧无边光滑流形M，如果M上存在一个光滑函数，它只有最大值和最小值两个极值点，并且这两点的Hessian矩阵均可逆，那么M就会拓扑同胚于单位球面

（微分同胚是不一定的，见Minlor的7维怪球）

所有临界点均不退化(即Hessian矩阵非退化)的光滑函数f叫做Morse函数，对于Morse函数f,
我们有

• ,M是一个光滑紧无边流形，右边是M的欧拉示性数，左边跑遍f的所有临界点，ind表示临界点的指标。
• ,即f的指标为i的临界点至少有个，是M的第i阶De rham上同调群的维数。

作为一个应用，可以得到
环面上任何一个Morse函数，至少有四个临界点。

 

为什么出现拉格朗日乘子法？

• 最短路径问题
• 从几何意义中获得灵感：
• 从数学公式中获得灵感
• 推广到高维空间

------------------------------------------------------

一个最短路径问题

假设你在M点，需要先到河边（上图右侧曲线 ）再回到C点，如何规划路线最短？

假设：
河流曲线满足方程 g(x,y) = 0 （例如 如果它是一个圆： ）
用P表示河边上的任意P(x,y)点，
用d(M,P)表示M,P之间距离，
那么问题可以描述为： , 约束于

如何求解问题？

1. 从几何意义中获得灵感：

首先，f(P)是一个标量（只有大小没有方向），那么在上图的二维空间中必然存在了一个标量场f(P)，即对于每一个点P都对应着一个f(P)值，它代表经过该点的路径总和是多少。
如果我们画出它的等值线（场线)，就会发现它呈椭圆向外辐射：

显然，f(P)的等值线与河边曲线的交点P即为我们想求的点。

那么问题来了: 这样的点满足何种性质？ （如果没有性质也就无法列出关系式进行求解，但是这么特殊的点极有可能存在良好某种特性）

最直观的性质： 等值线（椭圆）在P点的法向量n与河边曲线的法向量m平行：

而在多元微积分中，一个函数h在某一点P的梯度是点P所在等值线（二维）或等值面（三维）的法向量，即，所以对于函数 f , g ： （注意 梯度是一个向量，准备在另一个问题中对梯度的概念做详细阐述）

即由相交点的性质我们得到了2个关系式（因为是二维平面，对于三维则可以得到三个关系式，以此类推），

再加上我们的约束条件：

一共3个关系式，由线性代数中知识可知 3个关系式，3个未知量（）极有可能有唯一解，当然也不排除会出现多个解甚至无穷多解 （例如 下图 河边是一条直线，且M,C就在河边时）。(关于这个知识点稍后在其它答案中给出解释)。

2. 从数学公式中获得灵感

仍人是问题：

我们知道在多元微积分中如果想求一个函数的极值一般的做法是把 ，如何把这个公式和我们的约束条件 统一在一起呢？

答案是： 引入 并且定义一个新的函数： ，
令： 与我们要求解的优化问题是 等价的：
因为: 与约束条件等价，而且此时 即拉格朗日函数与我们的目标函数 取相同值。 用拉格朗日函数把目标函数和约束条件统一在了一起。

实际上这种方法与上面的几何方法是完全等价的：

3. 推广到高维空间
以上我们一直在讨论 二维的情形，下面让我们看看这个问题的高维情况： 以几何观点为例：

假设约束条件变成 ，其中 h是紫色椭球面， g是平面。它们相交于黑色的环，且在相交线上（黑色环）各自的方向向量（） 与相交线垂直。

对于我们的目标函数 ，下图中红色椭球是它的等值面。它与黑色环的交点 ，此处的向量

更高维度同理。

参考：
- An Introduction to Lagrange Multipliers