拉格朗日乘子法 | 学习笔记

简介: 快速学习拉格朗日乘子法

开发者学堂课程【人工智能必备基础:微积分:拉格朗日乘子法】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/544/detail/7396


拉格朗日乘子法

内容介绍

一、如何求极值

二、什么点是我们想要的?

三、求解

 

一、如何求极值

给个函数: z= f (x,y) 如何求其极值点呢?

简单来说直接求它的偏导不就可以

f ,(x,y)=0,f ,(x,y)=0

现在问题难度加大了,如果再加上约束条件呢?面积固定,求体积最大=?

V(x,y,z)=xyz

2xy + 2yz+2zx =s

 

二、什么点是我们想要的?

山峰的高度是 f(x, y),其中有一条曲线是 g(x, y)= C

曲线镶嵌在山上,如何找到曲线最低点呢?

法向量平行: image.png

得到结论: image.png

image.png

如图所示,黄色线与红色线是相交的,最低点需要满足的特性应该是绿色的线,因为它与红色线相切了。相切就是两条线第一次相接触了。黄线与红线一旦有了相交之后,相交的角度是锐角,通过一个锐角可以往下走,还能找到比黄色线更低的线,在不是垂直的时候,只要存在一定的锐角。

当绿色的线与红色的线相切的时候才是一个极值点。红色线与绿色线的切点会有一个向上的反向量。绿色切点也会有一个往下的反向量。绿色的反向量与红色的反向量存在着一定的平行关系,二者只能方向一致或者方向相反。当存在求极值点的时候,两个法向量一定是平行的。

 

三、求解

1.函数:z=f(x,y) 在条件image.png条件下的极值

2.构造函数:F(x,y)=f(x,y)+image.png, 其中 image.png 为拉格朗日乘数image.png

其中(X,Y)就是极值点的坐标。

image.png 是一个约束条件

相关文章
对偶定理的介绍
对偶定理:问题的对偶性与解的对偶性 一、引言 对偶定理是数学中的一个重要概念,它描述了问题的对偶性与解的对偶性之间的关系。通过对偶定理,我们可以将一个问题转化为其对偶问题,并通过解决对偶问题来解决原问题。本文将介绍对偶定理的概念、证明方法以及应用场景。 二、对偶定理的概念 对偶定理是指在某些情况下,一个问题的对偶问题与原问题具有相同的性质和结构。对偶问题是通过对原问题的变量、约束条件或目标函数进行转换而得到的。对偶定理认为,如果原问题的解存在,则对偶问题的解也存在,并且两个问题的解具有一种对应关系。 三、对偶定理的证明方法 对偶定理的证明方法通常是通过构造一个对偶映射来进行推导。具体步骤
259 0
|
数据采集 算法 Python
[模型]拉格朗日插值法
[模型]拉格朗日插值法
最优化--凸函数--拉格朗日乘子法
最优化--凸函数--拉格朗日乘子法
微积分:微分
1.代数推导 假设我们有一个正方形初始边长为X,这时面积S1=x² 然后正方形的边长增加△x,此时面积S2=(x+△x)² 变化的面积大小是△s=(x+△x)²- x²=2x△x+(△x)² 观察可以发现当△x越小(△x)²会比2x△x率先趋近于0,也就是换句话说,当△x很小时我们可以近似的认为 △s=2x△x 仔细观察上面的式子,这个2X其实就是x的平方的导数,这时候我们是不是就理解了为什么说导数可以描述变化趋势的快慢。
137 0
最优化理论(二)拉格朗日乘子法
最优化理论(二)拉格朗日乘子法
180 0
|
人工智能 开发者
求解拉格朗日乘子法 | 学习笔记
快速学习求解拉格朗日乘子法
求解拉格朗日乘子法 | 学习笔记
|
人工智能 开发者
切比雪夫不等式 | 学习笔记
快速学习切比雪夫不等式
切比雪夫不等式 | 学习笔记
|
机器学习/深度学习
PRML 1.1 多项式曲线拟合
PRML 1.1 多项式曲线拟合
PRML 1.1 多项式曲线拟合
|
人工智能 开发者
马尔科夫不等式 | 学习笔记
快速学习马尔科夫不等式
马尔科夫不等式 | 学习笔记