这几天一直在看支持向量机，然后就是大量大量的数学公式，一直迷迷糊糊的，然后一直遇到拉格朗日，拉格朗日，原来数学基础也不好，没怎么学过，于是下定决心要把拉格朗日乘子法搞懂，花了几天，看了一些文章，算是对拉格朗日乘子法有了简单的了解，下面就和大家简单的分享分享啦！
我们在求解优化问题的时候，可能小伙伴们遇到的最大的困难就是约束条件了，想想如果没有约束条件是一件多么愉快的事情，但是往往事与愿违哈哈！一般我们遇到比较简单一点问题的可能就是等式约束，但是稍微复杂一点的题目都会涉及到不等式约束，所以，这个时候就要根据实际情况选取不同的方法咯。一般情况下，最优化问题会有三类：
（一）、无约束条件
这种情况想都不用想，直接对变量求导等于0，代入原函数验证即可。
（二）、等式约束条件
我们假定目标函数为f(x)，约束条件为h_k(x)。
minf(x) m i n f ( x ) （最大值最小值问题可以相互转化）
s.t. hk(x)=0，k=1,2,3... s . t . h k ( x ) = 0 ， k = 1 , 2 , 3...
我们原来高中学过的消元法不失为一种好方法，但是毕竟比较Low，体现不出优秀的你的水平哈哈，不开玩笑了，主要是消元的时候会很麻烦，比如说有高次的情况，开根号带来了计算时许多不便之处，而拉格朗日就厉害了，为什么这么讲呢，我们一起来看看：
拉格朗日乘子法的求解流程大概包括以下几个步骤：
1. 构造拉格朗日函数
2. 解变量的偏导方程
3. 代入目标函数即可
是不是看上去很简单，其实的确不麻烦（==，吐槽一下当时看向量机的时候，还一直纠结着看不懂，但其实本身这个方法并没有想象的那么难）。关键在于构造拉格朗日函数，后面求解实际上就是高数里面基本的求偏导数的问题了。我们不妨另：
F(x,λ)=f(x)+∑lk=1λkhk(x) F ( x , λ ) = f ( x ) + ∑ k = 1 l λ k h k ( x ) （公式不好打！！！）
然后分别对每一个变量求导，得出来的解代入目标函数就ok了！
∂Fλk=0 ∂ F λ k = 0 ∂Fxi=0 ∂ F x i = 0 …
（三）、不等式约束条件
不等式约束相比于等式约束，要复杂一点，而且通常情况下，不等式约束和等式约束总喜欢一起出现，在这里，为了更好的解决该问题，除了拉格朗日乘子外，我们引入了KKT条件。什么是KKT条件呢？KKT条件是怎么来的呢？我们不妨先看看我们的问题：
minf(x) m i n f ( x )
s.t. hi(x)=0，i=1,2,3...p s . t . h i ( x ) = 0 ， i = 1 , 2 , 3... p
s.t. gj(x)<=0，j=1,2,3...q s . t . g j ( x ) <= 0 ， j = 1 , 2 , 3... q
那么我们定义的拉格朗日函数又是什么呢，其实很容易想到：
F(x,λ,l)=f(x)+∑pi=1λihi(x)+∑qj=1ujgj(x) F ( x , λ , l ) = f ( x ) + ∑ i = 1 p λ i h i ( x ) + ∑ j = 1 q u j g j ( x )
其中，f(x)是目标函数， hi(x) h i ( x ) 是第i个等式约束条件， λi λ i 是对应的约束系数， gj(x) g j ( x ) 是不等式约束， uj u j 是对应的约束系数。这里把目标函数，等式约束，不等式约束融合到了一个式子里，这时候KKT约束就出场了：
(1). F(x,λ,l) F ( x , λ , l ) ** 对 x x 求偏导为 0；
(2). h(x)=0 h ( x ) = 0 ；
(3). a∗g(x)=0 a ∗ g ( x ) = 0 ；
至于为什么这么来的，由于时间问题不跟大家作详细的推导啦，网上百度一下到处都有的。（附个链接：可以随便看看，讲的挺好的）
基于KKT条件，不等式约束条件的问题基本也就解决了，下面来说说我自己的一点心得吧！
第一点：拉格朗日乘子法求解优化问题是很有效的方法，对于限制条件比较多的情况下，特别是限制条件较为复杂的情况下，利用该方法可以很容易的求解出来。
第二点：约束条件其实就是限定了问题的解决范围，学会如何转化和考量限制条件是解决问题的关键。
第三点：基础知识的重要性，比如说高数如果学不好的话，在KKT条件的推导过程中，会遇到很多痛苦（对于数学基础不好的我感触尤深 = =）。
就这样啦，第一次博客，问题挺多的，后面再加强！！！