第1章
静态最优化

本章分析的最优化问题不牵涉时点的变化，讨论的只是单个时点的最优化问题，即静态最优化问题。

1.1 静态最优化问题

考虑下述问题：

其中， f （ x ）为目标函数， f 为 R ⁿ → R 的映射， x =（ x ₁ ， x ₂ ，…， x _n ）为商品的投入向量，投入 x 需消耗 g （ x ）数量的资源， g 为 R ⁿ → R ^m 的映射， b 为资源总量。

先不考虑约束条件，假定 g （ x ）存在最优解 x ^∗ 。下面分三种情况讨论该问题的求解：

（1）约束未起作用，即 g （ x ^∗ ）＜ b ；

（2）约束取等号，即 g （ x ^∗ ）= b ；

（3）有些约束未起作用，有些取等号，即 g （ x ^∗ ）≤ b 。

1.2 约束不起作用的场合：古典方法

在约束未起作用的场合， g （ x ^∗ ）＜ b ， x ^∗ 在 X 的内部，相当于无约束的情况。

在古典方法中，让 x 在最优解 x ^∗ 的周围发生微小变动Δ x ，看一下函数值的变化。若 f （ x ）在 x ^∗ 及其附近连续可微，则忽略高阶小量有：

由于 x ^∗ 是最大解， f （ x ^∗ ）≥ f （ x ^∗ +Δ x ），因此 f （ x ^∗ ）≥ f （ x ^∗ ）+ f′ （ x ^∗ ）Δ x ，即

但Δ x 可正可负，因此必有 f′ （ x ^∗ ）=0。

于是我们有：

定理1： f 在 R ⁿ 上连续可微，若存在 x ^∗ 使得 g （ x ^∗ ）＜ b ，那么 x ^∗ 为上述问题最优解的一阶必要条件是 f′ （ x ^∗ ）=0。此时， x ^∗ 为内点解。

下面的定理2给出 x ^∗ 为极大值的一个充分条件。

定理2： f 为 R ⁿ 上连续可微凹函数，若 g （ x ^∗ ）＜ b 且 f′ （ x ^∗ ）=0，则 x ^∗ 为极大值点。

证明： 因 f 是凹函数，所以有： f （ x ） -f （ x ^∗ ）≤ f′ （ x ^∗ ）（ x-x ^∗ ）。又 f′ （ x ^∗ ）=0，故 f （ x ^∗ ）≥ f （ x ），即 x ^∗ 为极大值点。

定理3（包络定理）： 假定 f 在（ R ⁿ ）上连续可微，且 x ^∗ （ a ）为下述问题

的最优解。记 f ^∗ （ a ）≡ f [ x ^∗ （ a ）， a ]，若 x ^∗ （ a ）在 X 的内部且关于 a 连续可微，那么 成立。

证明： 因 x ^∗ （ a ）为上述问题的解，故有 。于是，

上述包络定理在经济学中有广泛的应用。如在微观经济学中，考虑短期与长期成本曲线的区别。企业投入资本与劳动进行生产，短期内资本投入视为固定，劳动投入可变。用 a 表示短期的生产水平， z 表示劳动投入， x 表示资本投入，生产函数为 a = F （ z ， x ）。成本 f = wz + rx ，其中 w ， r 分别表示工资与租金。短期成本是产量的函数，记作 c _s （ a ）， c _s （ a ）= f （ x ， a ），其中 x 外生给定。长期中， x 为可变，对任意给定的产量 a ，企业会选择最优的资本投入使成本最小，长期成本函数 c _l （ a ）= 。由包络定理， c′ _l （ a ）= c′ _s [ x ^∗ （ a ）， a ]，也就是说，长期成本曲线在每一产量 a 处都与对应该产量的最优短期生产规模的成本曲线相切，即长期成本曲线为短期成本曲线的包络线。如图1所示。

高级宏观经济学中也经常使用包络定理。如在高级宏观经济学中经常要对Bellman方程进行分析，每次分析我们都会用到包络定理。

定理4（凹性定理）： 假定 f （ x ， a ）： R ⁿ × R ^m → R 关于（ x ， a ）凹，且对所有的 a ∈ R ^m ， f ^∗ （ a ）= （ x ， a ）均存在，则 f ^∗ ： R ^m → R 关于 a 凹。

证明： ∀ a ， a′ ∈ R ^m ，记使 f （ x ， a ）与 f （ x ， a′ ）分别达到最大的 x 值为 x ^∗ （ a ）， x ^∗ （ a′ ）。∀ λ ，0≤ λ ≤1，显然有：

于是

f ^∗ [ λa +(1 -λ ) a′ ]=m _x ax f [ x , λa +(1 -λ ) a′ ]

［这是因为 f （ x ， a ）： R ⁿ × R ^m → R 关于（ x ， a ）凹］

即 f ^∗ ： R ^m → R 关于 a 凹。

1.3 等式约束：拉格朗日乘子法

本节讨论第1章1.1节中的第二种情况，即约束取等号的情况。

1.3.1 两变量的场合

先考虑如下两变量问题：

其中 b ∈ R ， g 为实函数。

对上述问题构造拉格朗日函数：

一阶条件为：

利用上面这三个条件可求最优解 与拉格朗日乘数 λ ^∗ 。由（1.3.1）有：

下面看一下拉格朗日乘数的意义。

对约束条件全微分有：

因此，

利用（1.3.5）式，有：

因此， λ ^∗ 是资源 b 的最后一单位增加所引起的目标函数最优值的变化，它反映了目标函数对资源 b 的敏感程度。

1.3.2 一般的场合

考虑1.1节中约束取等号的问题：

对于上述问题，有如下定理：

定理 5（拉格朗日乘子法）： 假定：① f ， g 连续可微；② m ＜ n ；③ g′ （ x ^∗ ）满行秩。记 L （ x ， λ ）= f （ x ）+ λ [ b-g （ x ）]，若 x ^∗ 为上述问题的解，则存在向量 λ ^∗ （称为拉格朗日乘数）满足：

证明： 由于 g 满足条件①、②和③，根据隐函数定理，在 x ^∗ 近旁可将 x =（ x ₁ ， x ₂ ，…， x _n ）分为两部分： m 维向量 x ¹ 与 n-m 维向量 x ² ，使得 x ² 可表示成 x ¹ 的某一函数 x ² = h （ x ¹ ）。于是上述问题可改写成下述无约束的局部最大化问题：

因 f ， h 都连续可微，所以该最大化问题的必要条件为：

另一方面，预算约束对 x ¹ 的导数 g _{x 1} （ x ^∗ ）+ g _{x 2} （ x ^∗ ） h′ （ x ^1∗ ）=0，即

把上式代入（1.3.6）式有：

另外，显然有：

令 λ ^∗ = （ x ^∗ ）· g _{x 2} （ x ^∗ ） ^-1 ，并记为 L （ x ， λ ）= f （ x ）+ λ [ b-g （ x ）]，则可将（1.3.8）与（1.3.9）式合写为：

L _λ （ x ^∗ ， λ ^∗ ）=0显然成立。

下面看一下存在等式约束时的包络定理。

定义

于是

这里用到了一阶条件 f _x -λ ^∗ g _x =0与约束条件 g = b 。

1.4 非线性规划（ NLP ）问题

本节讨论1.1节中问题的第三种情况：

(NLP)

其中， f ， g 均为向量 x 的连续实函数。

1.4.1 松弛变量：拉格朗日乘数与库恩塔克条件

先考虑两变量的情况。

(NLP)

引入松弛变量 s ，将问题变为：

(NLP)

现在，假定最大解为 x ^∗ 与 s ^∗ 。在 x ^∗ 与 s ^∗ 处对约束条件全微分有：

若 g _{x 1} （ x ^∗ ）≠0，则由上式可得：

因此若忽略二阶小量，近似有：

=[ -f _{x 1} （ x ^∗ ） g _{x 1} （ x ^∗ ） ^-1 g _{x 2} （ x ^∗ ）+ f _{x 2} （ x ^∗ ）]d x ₂ -[ f _{x 1} （ x ^∗ ） g _{x 1} （ x ^∗ ） ^-1 ]d s 若d s =0，由于d x ₂ 可正可负，故必有

假定d s ≠0，d x ₂ =0。注意到 s ≥0，故若 s ^∗ =0，则必有d s ＞0；若 s ^∗ ＞0，则d s 可正可负。因此，当 s ^∗ ＞0 时，必有 f _{x 1} （ x ^∗ ） g _{x 1} （ x ^∗ ） ^-1 =0；而 s ^∗ =0时，必有 f _{x 1} （ x ^∗ ） g _{x 1} （ x ^∗ ） ^-1 ≥0。

记 f _{x 1} （ x ^∗ ） g _{x 1} （ x ^∗ ） ^-1 = λ ^∗ ，则上述分析表明： λ ^∗ ≥0且 λ ^∗ s ^∗ =0。

另一方面， -f _{x 1} （ x ^∗ ） g _{x 1} （ x ^∗ ） ^-1 g _{x 1} （ x ^∗ ）+ f _{x 1} （ x ^∗ ）=0，利用（1.4.3）式我们有：

f _x ( x ^∗ ) -λ ^∗ g _x ( x ^∗ )=0

记 L （ x ， λ ）= f （ x ）+ λ ［ b-g （ x ）］，则上述问题最优解的必要条件为：

(a) L _x ( x ^∗ , λ ^∗ )= f _x ( x ^∗ ) -λ ^∗ g _x ( x ^∗ )=0

(b) L _λ = b-g ( x ^∗ )[= s ^∗ ]≥0

(c) λ ^∗ L _λ = λ ^∗ [ b-g ( x ^∗ )][= λ ^∗ s ^∗ ]=0

(d) λ ^∗ ≥0

这些必要条件也称为 库恩塔克条件 。需要注意的是：首先，拉格朗日乘数总是非负的（d）；其次，拉格朗日乘数为正时松弛变量为0，对应的约束取等号（c）；最后，（b）、（c）与（d）意味着 λ ^∗ 是 L （ x ^∗ ， λ ）的最小值点。

最后一点可以这样说明：假定 λ ^∗ 是 L （ x ^∗ ， λ ）的最小值点，则下式近似成立：

0≤ L ( x ^∗ , λ ^∗ +Δ λ ) -L ( x ^∗ , λ ^∗ )= L _λ ( x ^∗ , λ ^∗ )Δ λ

若 λ ^∗ ＞0，则Δ λ 可正可负；要使上式成立，必有 L _λ =0；

若 λ ^∗ =0，则Δ λ 只能大于等于0；要使上式成立，必有 L _λ ≥0。

1.4.2 库恩塔克条件与鞍点条件

记 I （ x ）={ i｜g _i （ x ）= b _i }，若等式约束的导函数向量的集合，而 在 x 处的元素线性独立，则称 g 在 x 处满足正则条件。

若对所有的 i ， g _i 均为连续可微的凸函数，且存在 x ⁰ ∈ R ⁿ 使 g _i （ x ⁰ ）< b _i ，则称 g 满足凸性与Slater条件。

若约束满足正则条件或满足凸性与Slater条件，则（NLP）的最大解 x ^∗ 满足库恩塔克条件（定理8与定理9会加以证明）。即存在 λ ^∗ 使（a）、（b）、（c）和（d）成立。此时若 f 为凹函数， g _i 均为凸函数，则 L （ x ， λ ）关于 x 凹，关于 λ 线性。于是（a）式意味着对所有的 x ∈ R ⁿ ，有

这是因为 L （ x ， λ ^∗ ） -L （ x ^∗ ， λ ^∗ ）≤ L _x （ x ^∗ ， λ ^∗ ）（ x-x ^∗ ）=0。

另一方面，（b）、（c）与（d）意味着对任意的 λ ≥0， λ ^转置 ∈ R ^m ，有

我们称（ x ^∗ ， λ ^∗ ）为鞍点。因此有如下定理：

定理6： 假定 f 为凹函数且约束满足正则性、或满足凸性与Slater 条件。若 x ^∗ 是（NLP）的最大解，则存在 λ ^∗ ≥0，使（ x ^∗ ， λ ^∗ ）为鞍点。

1.4.3 库恩塔克条件的必要性与充分性

定理7（Fritz John）： 假定 f ， g 连续可微。若 x ^∗ 是（NLP）的最优解，则存在 m +1维向量 η =（ η ₀ ， η ₁ ，…， η _m ）＞0，使得

η _i [ b _i -g _i ( x ^∗ )]=0

g _i ( x ^∗ )≤ b _i ( i =1,2,…, m )

成立。

证明： 记 z ₁ （ x ^∗ ）={ ， i ∈ I （ x ^∗ ）； y ∈ R ⁿ }； z ₂ （ x ^∗ ）={ y｜f′ （ x ^∗ ） y ＞0； y ∈ R ⁿ }；这里 I （ x ^∗ ）={ i｜g _i （ x ^∗ ）= b _i }。

首先证明：若 x ^∗ 为最大解，则 z ₁ （ x ^∗ ）∩ z ₂ （ x ^∗ ）= φ 。

由于这两个集合均为开集，故对于 y ∈ z ₁ （ x ^∗ ）∩ z ₂ （ x ^∗ ），取充分小的正数 ε ＞0，按微分中值定理，存在0＜ θ ＜1与0＜ θ′ ＜1使得

因此 g _i （ x ^∗ + εy ）≤ b _i ； i =1，2，…， m 且 f （ x ^∗ + εy ）＞ f （ x ^∗ ）。这与 x ^∗ 是最大解矛盾！

这说明若 x ^∗ 为最大解，则 z ₁ （ x ^∗ ）∩ z ₂ （ x ^∗ ）= φ ，这两个集合是分离的。

若 I （ x ^∗ ）={ i ₁ ， i ₂ ，…， i _k }，则有：

其次，利用上式与Gordan定理，存在（ η ₀ ， η _{i 1} ，…， η _{i k} ）>0满足：

再加上对 i ∉ I （ x ^∗ ），即 g _i （ x ^∗ ）＜ b _i ，让 η _i =0。于是

证毕。

所谓Gordan定理是指：对于 m 个 n 维行向量 a _i =（ a _{i 1} ， a _{i 2} ，…， a _in ）， i =1，2，…， m ，要么存在 n 维列向量 y 使得

要么存在 m 维列向量 η >0使得

二者不可得兼。

定理8： 假定 f ， g 连续可微，且 g 在 x ^∗ 处满足正则性。若 x ^∗ 是（NLP）的最大解，则库恩塔克条件（a）、（b）、（c）与（d）必成立。

证明： 令 = η _i /η ₀ ，只需证明 η ₀ ≠0即可。

假定 η ₀ =0，则 =0。由于 η ＞0（不全为0），故 g 的导函数向量线性相关，与正则性矛盾！

定理9： 假定 f ， g 连续可微，且 g 满足凸性及 Slater 条件。 x ^∗ 若是（NLP）的最大解，则必满足库恩塔克条件。

证明： 只需证明 η ₀ ≠0 即可。因 g 满足 Slater 条件，故存在 x ⁰ ∈ R ⁿ 使 g （ x ⁰ ）＜ b 。又因 g 满足凸性，故对所有的 i ， g _i （ x ⁰ ） -g _i （ x ^∗ ）≥ （ x ^∗ ）（ x ⁰ -x ^∗ ）。

因 η =（ η ₀ ， η ₁ ，…， η _m ）非负，故

这里，若 η ₀ =0，则由定理7第一式知 =0，于是

因而，

由定理7第二式知

因 η =（ η ₀ ， η ₁ ，…， η _m ）>0， η ₀ =0，故（ η ₁ ，…， η _m ）>0。由Slater条件知对所有的 i ，都有 g _i （ x ⁰ ）< b _i ，于是有

矛盾！

定理10（库恩塔克条件的充分性）： 假定 f ， g 连续可微， f 为凹函数，且 g _i 对所有的 i 均为凸函数。若 x ^∗ 满足库恩塔克条件，则其必为（NLP）的最大解。

证明： 定义集合 I ， J 如下

对任意满足 b ≥ g （ x ）的 x 以及所有的 i ∈ I （ x ^∗ ），有 b _i = g _i （ x ^∗ ）≥ g _i （ x ）。由于 g _i 是凸函数，故对所有的 i ∈ I （ x ^∗ ），均有 g′ _i （ x ^∗ ）（ x-x ^∗ ）≤0。

由于 λ ^∗ ≥0，故对所有的 i ∈ I （ x ^∗ ）， （ x ^∗ ）（ x-x ^∗ ）≤0。

由库恩塔克条件（b）、（c）与（d）可知，对所有的 j ∈ J （ x ^∗ ）， （ x ^∗ ）（ x-x ^∗ ）=0。故 λ ^∗ g′ （ x ^∗ ）（ x-x ^∗ ）≤0。

另一方面， f 的凹性及条件（a）意味着

f ( x ) -f ( x ^∗ )≤ f′ ( x ^∗ )( x-x ^∗ )= λ ^∗ g′ ( x ^∗ )( x-x ^∗ )≤0

这就是说， f （ x ^∗ ）是最大值。

推论1： 假定 f ， g 连续可微， f 凹， g 凸且满足 Slater 条件，则 x ^∗ 是（NLP）最大解的充要条件是它满足库恩塔克条件。

1.4.4 存在非负约束时的库恩塔克条件

考虑下述问题：

构造拉格朗日函数，

库恩塔克条件为：

消去 μ ^∗ ，可将这些条件归结为对 L （ x ， λ ）= f （ x ）+ λ [ b-g （ x ）]：

以上是存在非负约束时的库恩塔克条件。

1.4.5 鞍点条件的必要性与充分性

定理11： 假定 f 凹， g 凸。 x ^∗ 若是（NLP）的最优解，则存在 m +1维向量 η =（ η ₀ ， η ₁ ，…， η _m ）＞0，使得对任意的 x ∈ R ⁿ ，有

定理7假定 f 与 g 连续可微，而定理11假定 f 凹， g 凸。该定理的证明须利用一般化的Gordan定理（Fan，Glicksberg，Hoffman定理）：

对定义在 R ⁿ 上的凸函数 h ₀ ， h ₁ ，…， h _m ，或者①存在 y ⁰ ∈ R ⁿ ，使对所有的 i 都有 h _i （ y ⁰ ）＜0，或者②对所有的 y ∈ R ⁿ 都存在 η =（ η ₀ ， η ₁ ，…， η _m ）＞0使得 。但二者不可兼得。

上述一般化定理中若令 h _i （ y ）= a _i y ，即可得到前面的Gordan定理。

现在证明定理11。令

因 f 凹， g 凸，故 h ₀ （ x ）与 h _i （ x ）， i =1，…， m 皆为凸函数。由于 x ^∗ 是（NLP）的最优解，故使

成立的 x ∈ R ⁿ 不存在。根据一般化的Gordan定理，存在 η =（ η ₀ ， η ₁ ，…， η _m ）>0，使得对任意的 x ∈ R ⁿ ，有

成立。

定理12： 假定 f 凹， g 凸且满足Slater条件。 x ^∗ 若是（NLP）的最优解，则必存在 λ ^∗ ≥0，使（ x ^∗ ， λ ^∗ ）满足鞍点条件。

证明： 假定 η ₀ =0，于是对任意的 x ∈ R ⁿ ，均有

因 η =（ η ₀ ， η ₁ ，…， η _m ）＞0， η ₀ =0，故（ η ₁ ，…， η _m ）＞0。由Slater条件知存在 x ⁰ ∈ X ⊂ R ⁿ ，对所有的 i ，都有 g _i （ x ⁰ ）＜ b _i ，于是有

矛盾！因此， η ₀ ≠0。

令 ，则Fritz John不等式变为

现在令 x = x ^∗ ，则有 ，但 ，因此

令 ，则

另一方面，

因此（ x ^∗ ， λ ^∗ ）满足鞍点条件。

定理13： 对于 x ^∗ ，若存在 λ ^∗ ≥0使得（ x ^∗ ， λ ^∗ ）满足鞍点条件，则 x ^∗ 为（NLP）的最大解。

证明： 因（ x ^∗ ， λ ^∗ ）为鞍点，对所有的 x ∈ R ⁿ 与 λ ≥0， λ ^转置 ∈ R ^m ，

从上式的后一个不等式可得（ λ-λ ^∗ ）[ b-g （ x ^∗ ）]≥0。该式对 λ =0 也成立，因而

让 ， i =1，…， j -1， j +1，…， m ； λ _j = +1，则 b _j ≥ g _j （ x ^∗ ），由于 j 是任意的，所以 b ≥ g （ x ^∗ ）。于是 λ ^∗ [ b-g （ x ^∗ ）]≥0。故

下面考虑满足 b ≥ g （ x ）的 x 。因 f （ x ）+ λ ^∗ [ b-g （ x ）]≤ f （ x ^∗ ）+ λ ^∗ [ b-g （ x ^∗ ）]，故

因此， x ^∗ 为（NLP）的最大解。

推论2： f 凹， g 凸且满足Slater条件。 x ^∗ 若是（NLP）的最大解的充要条件是 x ^∗ 满足鞍点条件。

1.4.6 库恩塔克乘数的意义

考虑（NLP），假定 x ^∗ 满足库恩塔克条件。于是存在 λ ^∗ ，使得：

(a) L _x ( x ^∗ , λ ^∗ )= f _x ( x ^∗ ) -λ ^∗ g _x ( x ^∗ )=0

(b) L _λ ( x ^∗ , λ ^∗ )= b-g ( x ^∗ )≥0

(c) λ ^∗ L _λ = λ ^∗ [ b-g ( x ^∗ )]=0

(d) λ ^∗ ≥0

成立。

记 I （ x ^∗ ）={ i｜g _i （ x ^∗ ）= b _i }； J （ x ^∗ ）={ j｜g _j （ x ^∗ ）＜ b _j }。上述条件可改写为

=0

(b1) b _i -g _i ( x ^∗ )=0; i ∈ I ( x ^∗ )

(c1 ≥0; i ∈ I ( x ^∗ )

(d1 =0; j ∈ J ( x ^∗ )

（a1）成立是因为（d1）成立。

因此 x ^∗ 只依赖于 b _i ； i ∈ I （ x ^∗ ），不依赖于 b _j ； j ∈ J （ x ^∗ ）。所以

另一方面，（a1）与（b1）所对应的拉格朗日乘数与下述问题对应相同

该问题是等式约束最大化问题， 。因此

也就是说库恩塔克乘数和拉格朗日乘数具有相同的意义。 PcOMqHe8rQQTmCgspC7WNFJ6GgEM2mOLSnviA8jHpsQGHS/iFTScOeACbxVyPFq1