拉格朗日乘子法和KKT条件
@(learning)
参考：
解密SVM系列（一）：关于拉格朗日乘子法和KKT条件
深入理解拉格朗日乘子法（Lagrange Multiplier) 和KKT条件
拉格朗日乘子法
在求取有约束条件的优化问题时，拉格朗日乘子法（Lagrange Multiplier) 和KKT条件是非常重要的两个求取方法，对于等式约束的优化问题，可以应用拉格朗日乘子法去求取最优值；如果含有不等式约束，可以应用KKT条件去求取。当然，这两个方法求得的结果只是必要条件，只有当是凸函数的情况下，才能保证是充分必要条件。KKT条件是拉格朗日乘子法的泛化。
最优化问题
分类:
- 无约束优化问题
求解：费尔曼定理(Fermat)，即求取(f(x))的极值点作为候选最优值，再验证;如果是凸函数，可以保证最优解。
- 有等式约束的优化问题
求解：常用拉格朗日乘子法，即把等式约束(h_i(x))乘一个系数加上(f(x))组成一个式子，称为拉格朗日函数，而系数称为拉格朗日乘子，再接(i)求解
- 有不等式约束的优化问题
求解：常使用KKT(Karush-Kuhn-Tucker)条件，把所有的等式，不等式约束与(f(x))写为一个式子，即拉格朗日函数，系数为拉格朗日乘子;通过满足一些可以求出最优值的必要条件，即附加的约束条件，来求解。
KKT条件：
- (L(a_i,x))对(x)的求导为零
- (h(x)=0)，(h(x))表示等式约束
- (sum_{i=1}^{n} a_ig(x)=0)，(g(x))表示不等式约束
为什么拉格朗日乘子法与KKT条件能够得到最优值？
最优化问题，即目标函数在约束条件下满足需求的极值。
目标函数与约束条件在同一个空间中的不同平面;约束条件的不同平面可以组合成满足约束的一个大平面;目标函数在这个大平面上取得极值即为最优。所以想方设法把，目标函数与约束条件组合成一个平面，从而转化了(i)问题，为了不影响原目标函数所以要满足KKT条件。