Python与MATLAB双平台实战：KKT条件验证全流程解析

从理论到代码的跨越

当优化问题遇上约束条件，KKT（Karush-Kuhn-Tucker）条件便成为连接数学理论与工程实践的黄金桥梁。作为最优化理论中的核心判据，KKT条件不仅存在于教科书里，更是实际项目决策的重要工具。本文将带您亲历一个完整的技术验证过程：从定义简单的二次优化问题开始，分别在Python和MATLAB环境中实现求解与验证，最终通过手动计算确认KKT条件的成立。

不同于纯理论推导，我们聚焦于可运行的代码实现和可验证的计算过程。您将看到：

• 如何用SciPy的minimize函数处理带约束优化
• MATLAB的fmincon求解器内部发生了什么
• 拉格朗日乘子如何从抽象符号变为具体数值
• 两种平台在数学表达和结果验证上的风格差异

1. 问题定义与数学建模

我们设计一个经典的二次优化问题作为验证案例：

目标函数：
最小化 f(x₁, x₂) = x₁² + x₂²

约束条件：
x₁ + x₂ ≥ 1
x₁ - x₂ ≤ 1

这个凸优化问题满足KKT定理的适用条件（目标函数凸性、约束条件可微性）。其拉格朗日函数为：

math复制L(x₁, x₂, λ₁, λ₂) = x₁² + x₂² - λ₁(x₁ + x₂ - 1) + λ₂(x₁ - x₂ - 1)

对应的KKT条件包括：

1. 平稳性条件：∇f(x) - λ₁∇g₁(x) + λ₂∇g₂(x) = 0
2. 原始可行性：g₁(x) ≥ 0, g₂(x) ≤ 0
3. 对偶可行性：λ₁ ≥ 0, λ₂ ≥ 0
4. 互补松弛：λ₁g₁(x) = 0, λ₂g₂(x) = 0

2. Python实现与验证

2.1 使用SciPy求解优化问题

python复制import numpy as np
from scipy.optimize import minimize

# 定义目标函数
def objective(x):
    return x[0]**2 + x[1]**2

# 定义约束条件
cons = (
    {'type': 'ineq', 'fun': la