待定系数法解不等式最值问题的原理与应用

1. 不等式最值问题的现实意义

在工程优化、经济决策和资源分配等实际场景中，我们经常需要解决这样的问题：在满足某些限制条件的前提下，如何找到某个指标的最大值或最小值。比如工厂生产要考虑成本最低化，投资组合要追求收益最大化，这些都可以转化为数学上的不等式最值问题。

传统解法往往需要复杂的推导过程，特别是当约束条件较多时，求解难度会显著增加。而待定系数法提供了一种系统化的解决思路，通过引入辅助变量将不等式约束转化为等式，大大简化了求解流程。这种方法在运筹学、控制理论等领域有广泛应用。

2. 待定系数法的核心思想

2.1 基本概念解析

待定系数法的本质是通过引入新的变量（称为拉格朗日乘子），将带有不等式约束的优化问题转化为无约束问题。具体来说，对于形如"在g(x)≤0条件下求f(x)极值"的问题，我们可以构造拉格朗日函数：

L(x,λ) = f(x) + λg(x)

这里λ就是待定的系数，它承担着将不等式约束"吸收"进目标函数的任务。当λ≥0时，原问题与新问题是等价的。

2.2 KKT条件的理论基础

完整的待定系数法需要满足KKT(Karush-Kuhn-Tucker)条件，这是判断解是否最优的关键。KKT条件包括：

1. 原始可行性（满足原约束）
2. 对偶可行性（λ≥0）
3. 互补松弛条件（λg(x)=0）
4. 梯度为零条件（∇L=0）

在实际应用中，我们通常先假设λ>0，解出x后再验证是否满足所有条件。这种思路避免了直接处理不等式的复杂性。

3. 典型问题的求解步骤

3.1 线性约束下的二次规划

考虑如下问题：
最小化 f(x)=x₁²+x₂²
约束条件：x₁+x₂≥1

构造拉格朗日函数：
L = x₁²+x₂² + λ(1-x₁-x₂)

求偏导并令其为零：
∂L/∂x₁ = 2x₁ - λ = 0
∂L/∂x₂ = 2x₂ - λ = 0
∂L/∂λ = 1 - x₁ - x₂ = 0

解得：x₁=x₂=0.5，λ=1
验证λ=1>0，满足所有KKT条件。

3.2 多约束条件的处理技巧

当有多个不等式约束时，每个约束都需要引入独立的待定系数。例如：
最小化 f(x)
约束条件：g₁(x)≤0, g₂(x)≤0

拉格朗日函数变为：
L = f(x) + λ₁g₁(x) + λ