5-不等式约束的极值问题及其经济学应用

合集下载

不等式约束条件求最值

不等式约束条件求最值

不等式约束条件求最值【实用版】目录一、引言二、不等式约束条件的定义与分类1.线性约束条件2.线性不等式约束条件3.凸约束条件三、求最值的方法1.梯度下降法2.拟牛顿法3.信赖域反射算法四、应用实例1.线性规划问题2.二次规划问题3.机器学习中的优化问题五、结论正文一、引言在数学优化问题中,我们常常需要求解一个函数在某个约束条件下的最大值或最小值。

这类问题被称为带约束条件的最优化问题。

为了更好地解决这类问题,我们需要了解不等式约束条件的定义和分类,并掌握求最值的方法。

二、不等式约束条件的定义与分类1.线性约束条件线性约束条件是指一个或多个线性方程组成的不等式约束条件。

例如,在线性规划问题中,约束条件通常是线性的。

2.线性不等式约束条件线性不等式约束条件是指一个或多个线性不等式组成的约束条件。

例如,在机器学习中的优化问题中,我们常常需要考虑线性不等式约束条件。

3.凸约束条件凸约束条件是指满足凸包性质的约束条件。

在凸优化问题中,约束条件通常是凸的。

三、求最值的方法1.梯度下降法梯度下降法是一种常用的求最值的方法。

它通过计算目标函数的梯度来不断更新参数,使目标函数值逐渐下降。

2.拟牛顿法拟牛顿法是一种基于牛顿法的优化算法。

它通过计算目标函数的二阶导数来更新参数,使目标函数值逐渐下降。

3.信赖域反射算法信赖域反射算法是一种基于梯度下降法的优化算法。

它通过在每个迭代步长内计算目标函数的梯度,并在信赖域内选择一个最优的步长来更新参数,使目标函数值逐渐下降。

四、应用实例1.线性规划问题线性规划问题是一种带线性约束条件的最优化问题。

它可以通过线性规划方法求解,例如单纯形法、内点法等。

2.二次规划问题二次规划问题是一种带二次约束条件的最优化问题。

它可以通过二次规划方法求解,例如梯度下降法、拟牛顿法等。

3.机器学习中的优化问题在机器学习中,我们常常需要解决带约束条件的优化问题。

例如,在支持向量机中,我们需要在满足约束条件的情况下求解最优的超平面。

等式约束条件极值存在的必要条件及其应用

等式约束条件极值存在的必要条件及其应用

等式约束条件极值存在的必要条件及其应用唐军强【期刊名称】《宜宾学院学报》【年(卷),期】2014(000)012【摘要】The conditional extreme values for multivariable functions under equality constrains was investigated by start⁃ing from the method of Lagrange multipliers. The necessary condition for the existence of conditional extreme values was obtained by theory of linear equations. Its application in the theory of optimization was discussed. The optimal solution is obtained with this necessary condition by converting inequality constrains into equality constrains.%从拉格朗日乘子法出发,考虑多元函数在等式约束条件下的极值问题。

由线性方程组理论得到多元函数在一个或多个等式约束条件下极值点存在的必要条件。

并进一步考虑该条件在优化理论中的应用,通过将不等式约束转化为等式约束,运用等约束条件下极值存在的必要条件获得最优解。

【总页数】4页(P14-17)【作者】唐军强【作者单位】焦作大学基础部,河南焦作454000【正文语种】中文【中图分类】O172【相关文献】1.三元函数双条件极值的一个必要条件 [J], 张秀梅2.乘积Banach空间中等式约束向量极值问题的最优性必要条件 [J], 李泽民3.不等式约束问题的最优性必要条件 [J], 李泽民4.多元函数条件极值的必要条件 [J], 张冬燕;王耀革;张武军5.二类不等式约束的条件极值的初等微积分解法 [J], 姚振坤;吴其苗因版权原因,仅展示原文概要,查看原文内容请购买。

不等式约束情况下曲线的极值

不等式约束情况下曲线的极值

不等式约束情况下曲线的极值English Answer:Problem:Extrema of a curve under inequality constraints.Task:1. Use two languages to answer the article, first answer in English, and then answer in Chinese.2. The article should not be less than 800 words and should not expose my prompts.Introduction:In mathematical optimization, an inequality constraint is a condition that must be satisfied by a variable or set of variables. Inequality constraints are often used todefine the feasible region of a problem, which is the set of all possible values of the variables that satisfy the constraints. The extrema of a curve under inequality constraints are the points at which the curve reaches its highest or lowest value.Method:There are several methods that can be used to find the extrema of a curve under inequality constraints. One common method is the method of Lagrange multipliers. This method involves introducing a new variable, called a Lagrange multiplier, for each inequality constraint. The Lagrange multiplier is then used to convert the inequality constraints into equality constraints. The extrema of the curve can then be found by solving the system of equations that is obtained by setting the gradient of the curve equal to zero.Another method that can be used to find the extrema of a curve under inequality constraints is the method of feasible directions. This method involves finding adirection in which the curve can be moved without violating any of the inequality constraints. The extrema of the curve can then be found by moving along the feasible direction until a point is reached where the curve reaches its highest or lowest value.Applications:The extrema of a curve under inequality constraints have a wide range of applications in various fields, such as economics, engineering, and finance. For example, in economics, the extrema of a curve can be used to find the optimal production levels for a firm or the optimal consumption levels for a consumer. In engineering, the extrema of a curve can be used to design structures that are safe and efficient. In finance, the extrema of a curve can be used to find the optimal investment strategies.Conclusion:The extrema of a curve under inequality constraints are the points at which the curve reaches its highest or lowestvalue. There are several methods that can be used to find the extrema of a curve under inequality constraints. The method of Lagrange multipliers is a common method that involves introducing a new variable, called a Lagrange multiplier, for each inequality constraint. The method of feasible directions is another method that can be used to find the extrema of a curve under inequality constraints. The extrema of a curve under inequality constraints have a wide range of applications in various fields, such as economics, engineering, and finance.Chinese Answer:问题:在不等式约束下的曲线的极值。

4-带有等式约束的最优化问题及其经济学应用

4-带有等式约束的最优化问题及其经济学应用
1. 效用函数 max U = x10.25x20.25 s.t. P1x1 + P2x2 = 10
试分析两商品价格 P1 和 P2 变化对总效用的影响。
2. 记 w1* = [x1*(a), y1*(a), z1*(a)] 和 w2* = [x2*(a), y2*(a), z2*(a)] 为极大值(或极小值)问题: max (or min) f(x, y, z) = x + y + a3z
s.t. Px·x + Py·y = M
§4.4
效用极大化问题
构建上述效用极大化问题的 Lagrange 函数为: L(x, y,λ) = U(x, y) +λ(M – Px·x – Py·y) 一阶必要条件为: Lx = U ’x –λPx = 0 Ly = U ’y –λPy = 0 Lλ= M – Px·x – Py·y = 0
第第4章带有等式约束的最优化问题及其经济学应用带有等式约束的最优化问题及其经济学应用41带有等式约束的函数求极值的必要和充分条件带有等式约束的函数求极值的必要和充分条件一二元函数带等数约束的极值问题二多元函数带多个等数约束的极值问题42拟凹函数与拟凸函数一拟凹函数与拟凸函数的定义yymnmnxxoovuvu42拟凹函数与拟凸函数1
第4章 带有等式约束的最优化问 题及其经济学应用
§4.1
带有等式约束的函数求 极值的必要和充分条件
一、二元函数带等数约束的极值问题
二、多元函数带多个等数约束的极值问题
§4.2
拟凹函数与拟凸函数
一、拟凹函数与拟凸函数的定义
y N M y N
M
O
u
v
x
O
u
v
x
§4.2

约束条件下的极值

约束条件下的极值

在数学优化问题中,当我们寻找某个函数在满足一定约束条件下的极值(最大值或最小值)时,我们通常面对的是带有约束条件的优化问题。

这个问题可以通过拉格朗日乘数法(Lagrange Multiplier Method)或者KKT条件(Karush-Kuhn-Tucker Conditions,对于非线性优化问题中的约束条件)等方法来解决。

例如,设有函数f(x, y)要在区域D内找极值,区域D由g(x, y)=c这样的一组或几组约束条件定义,这里的c是一个常数。

拉格朗日乘数法的基本思想是构造拉格朗日函数L(x, y, λ) = f(x, y) - λ(g(x, y) - c),其中λ是拉格朗日乘子。

接下来需要求解L(x, y, λ)的偏导数,并令它们等于零,得到一组方程组,解这个方程组就可以找到可能的极值点。

对于KKT条件,它扩展了拉格朗日乘数法,适用于更广泛的优化问题,包括不等式约束。

在满足KKT条件的情况下,优化问题的解有可能是最优解。

具体步骤如下:
1.构造拉格朗日函数(若有不等式约束,需要构造广义拉格朗日函数)。

2.对目标函数和所有的约束函数分别求偏导数,并令它们等于零,得到必要条
件。

3.检验求得的点是否满足KKT条件,包括互补松弛条件、梯度条件以及可行
性条件(即该点必须位于可行域内)。

4.对于可能的极值点,还需进行二阶条件检验(如海森矩阵判别法)来判断是
局部极大值、局部极小值还是鞍点。

通过这些方法,我们可以在给定约束条件下寻找到函数的极值点。

不等式约束条件求最值

不等式约束条件求最值

不等式约束条件求最值(原创版)目录一、引言二、不等式约束条件的概念三、求最值的方法四、实际应用案例五、结论正文一、引言在数学和实际问题中,求最值问题一直是一个重要研究领域。

求最值问题通常需要解决一系列的不等式约束条件。

本文将介绍如何在不等式约束条件下求最值的方法。

二、不等式约束条件的概念不等式约束条件是指在一个数学模型中,变量之间存在的大小关系。

例如,一个线性规划问题中,不等式约束条件可以表示为:ax + by ≤ z,其中 a、b、c 为常数,x、y 为变量。

三、求最值的方法在不等式约束条件下求最值,通常可以采用以下几种方法:1.图形法:通过绘制不等式约束条件表示的区域,找到最值点。

这种方法适用于二维或三维空间中的不等式约束条件。

2.梯度法:梯度法是一种数值优化方法,通过计算目标函数的梯度来更新变量的值,直到找到最值点。

这种方法适用于任何维度的求最值问题。

3.内点法:内点法是一种基于预测 - 校正策略的原始 - 对偶路径跟踪算法。

这种方法不需要计算目标函数的梯度,适用于大规模的求最值问题。

四、实际应用案例不等式约束条件下求最值的方法在许多实际问题中都有广泛应用,例如:1.经济学中的线性规划问题:在资源有限的情况下,如何最大化利润或最小化成本。

2.工程领域的优化问题:在满足设计要求的前提下,如何降低材料的使用成本或提高生产效率。

3.机器学习和数据挖掘中的问题:在给定数据集的情况下,如何找到最优的分类器或回归器。

五、结论不等式约束条件下求最值问题是数学和实际应用领域中的一个重要问题。

通过采用图形法、梯度法、内点法等方法,可以有效地解决这类问题。

约束优化问题的极值条件

约束优化问题的极值条件

等式约束优化问题的极值条件求解等式约束优化问题 )(min x f ..t s ()0=x h k ()m k ,,2,1⋅⋅⋅= 需要导出极值存在的条件,对这一问题有两种处理方法:消元法和拉格朗日乘子法(升维法) 一、消元法(降维法)1.对于二元函数 ),(m in 21x x f ..t s ()0,21=x x h ,根据等式约束条件,将一个变量1x 表示成另一个变量2x 的函数关系()21x x ϕ=,然后将这一函数关系代入到目标函数()21,x x f 中消去1x 变成一元函数()2x F 2.对于n 维情况 ()n x x x f ,,,m in 21⋅⋅⋅ ..t s ()0,,,21=⋅⋅⋅n k x x x h ),,2,1(l k ⋅⋅⋅= 由l 个约束方程将n 个变量中的前l 个变量用其余的l n -个变量表示:()n l l x x x x ,,,2111⋅⋅⋅=++ϕ ()n l l x x x x ,,,2122⋅⋅⋅=++ϕ...()n l l l l x x x x ,,,21⋅⋅⋅=++ϕ将这些函数关系代入到目标函数中,得到()n l l x x x F ,,,21⋅⋅⋅++ 二、拉格朗日乘子法(升维法)设T n x x x x ),,,(21⋅⋅⋅=,目标函数是()x f ,约束条件()0=x h k ),,2,1(l k ⋅⋅⋅=的l 个等式约束方程。

为了求出()x f 的可能极值点T n x x x x ),,,(**2*1*⋅⋅⋅=,引入拉格朗日乘子k λ),,2,1(l k ⋅⋅⋅=,并构成一个新的目标函数 ()()x h x f x F lk k k ∑=+=1),(λλ把()λ,x F 作为新的无约束条件的目标函数来求解它的极值点,满足约束条件()0=x h k ),,2,1(l k ⋅⋅⋅=的原目标函数()x f 的极值点。

()λ,x F 具有极值的必要条件),,2,1(0n i x F i ⋅⋅⋅==∂∂ ,),,2,1(0l k Fk⋅⋅⋅==∂∂λ可得n l +个方程,从而解得T n x x x x ),,,(21⋅⋅⋅=和k λ),,2,1(l k ⋅⋅⋅=共有n l +个未知变量的值。

用不等式法解力学中的极值问题

用不等式法解力学中的极值问题

用不等式法解力学中的极值问题首先,我们要了解力学中极值问题是什么,然后看看如何以不等式法解决它。

力学中的极值问题是指研究物理学上的极端条件,即极大极小值。

例如在建筑中,我们可能要求寻找极大强度或极小的重量等。

在力学中,极值问题也是一类问题,就是有关于力学中物体运行轨迹的最值分析。

物体的位置、力学能量和质量都会影响运动的最值。

以不等式法解决极值问题,是学者们在力学中设计极值问题的一种重要方法。

这种方法的原理是,对一个给定的函数,从它的几个因素中挑选出一个最优值,其他因素变量可以以一组不等式的形式来定义。

通过解不等式系统,可以实现问题的解决。

比如,在弹性力学中,当在持续的应用力的情况下,物体的形状发生变化时,我们可以使用不等式法来求解,因为它可以提供一种方法,它可以将所有的变量放在一起,同时考虑应变能量和弹性能量,最终找到极值解。

然而,在实际应用中,一般情况下极值问题往往很复杂,而不等式法也不是一种非常容易解决它们的方法,因为它涉及到大量的数学运算,而且它本身也可能存在着困难,比如无解的情况,极限的情况等。

因此,为了实现极值问题的最优解,一般要求用分析法和数值法相结合,在分析法的基础上使用数值运算方法,从而找到最优解。

总而言之,不等式法是一种非常有用的方法,可以有效解决力学中极值问题,尽管在实际应用中可能存在着困难,但如果能正确应用它,我们也可以轻易地解决极值问题。

此外,在解决极值问题时,我们还可以使用其他的方法,比如微分法、泰勒展开等,来得到更准确的解决方案,并且在不同情况下选择相应的方法来解决极值问题。

另外,解决极值问题时,正确且谨慎的应用数学方法,对于解决极值问题至关重要。

数学的核心思想是将复杂的问题简化为更容易解决的问题,然后逐步分析,最终得出结果,这是解决极值问题的基本思路。

因此,以不等式法解决力学中的极值问题,是一个非常有意义的研究,它可以帮助我们更好地理解力学中的极值问题,从而有助于掌握有效的解决力学问题的方法,最终实现物理学上的极值分析。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

§5.3
库恩—塔克条件
对 (5-7) 式的 L 在 s* 处求导可得:
于是,该问题库恩—塔克条件中的
可写为:
…(5-8)
§5.3
库恩—塔克条件
对 (5-7) 式的 L 在λ* 处求导可得:
于是,(5-8) 式可写为:
…(5-9)
§5.3
库恩—塔克条件
所以, (5-5) 式这一极大化问题的库恩—塔克 条件可概括为:
§5.3
库恩—塔克条件
所以 (5-10) 式这一极大化问题的库恩—塔克条 件可概括为:
§5.3
库恩—塔克条件
事实上,无论是 (5-5) 式还是 (5-10) 式极大值问 题库恩—塔克条件的最终结果中都不含有 s ,s 仅是 一个中间辅助变量,所以在实际问题的分析中,在 构造 Lagrange 函数时我们不再引入 s ,直接构造如 下形式的 Lagrange 函数 [ (5-10) 式 ]: L(x1 , x2 ,λ) = f(x1 , x2) +λ[ – g(x1 , x2)] …(5-12)
例子 2 :利用图解法求解下列极大化模型均衡解
2x2 + y2 – 54 ≤ 0
x ≥ 0, y ≥ 0
首先,确定可行域(见下页图)。
非线性规划的目标就是从可行域内选择一点 (x*, y*) ,使其目标函数值最大。
§5.2
简单不等式约束极值问 题的图解法
对于本题来讲,实际 就是要使得直线与坐标轴 的截距最大。 即:直线与可行域相切。
min C = (x1 – 5)2 + (x2 – 10)2
5x1 + 4x2 ≤ 40
s.t. 0 ≤ x1 ≤ 5 0 ≤ x2 ≤ 10
§5.2
简单不等式约束极值问 题的图解法
x2 10
首先,确定可行域(见下图)。 非线性规划的目标 就是从可行域内选择一 点 (x1*, x2*) ,使其目标 函数值最小。对于本题 来讲,实际上就是要以 (5, 10) 为圆心的同心圆 的半径最小。
§5.3
库恩—塔克条件
将模型 (5-1) 推广至多变量的情形(但仍然只存 在非负约束而无其他约束),则模型 (5-1) 的最优化 问题可写为: (5-2)… max s.t. y = f(x) x≥0
则在 x*处取极 大值的库恩— 塔克条件为: xi x* x* x*
其中: x = (x 1 , x 2 , … , x n ) , f(x) 为连续可微函数。
在这个切点,椭圆 切线的斜率与直线的斜 率相等。
§5.2
简单不等式约束极值问 题的图解法
所以,我们首先求椭圆的切线的斜率。对椭圆 求全微分,得:4xdx + 2ydy = 0 。
整理得:
,于是有:
与 2x2 + y2 – 54 = 0 建立方程组得:
解方程组,得均衡解:(x*, y*) = (3, 6) 。
…(5-6)
§5.3
库恩—塔克条件
由 (5-6) 可知,在松弛变量 s 的帮助下,不等式 约束问题就变成了相应的等式约束问题,如果没有 非负约束 s ≥ 0 ,我们就可以通过构造 Lagrange 函 数的方法来求解最优值问题。 不管怎样,我们先来构造 Lagrange 函数: L(x1 , x2 ,λ, s) = f(x1 , x2) +λ[ – g(x1 , x2) – s ] 必须要注意的是: s.t. s≥0
由于前述 (5-10) 式极大值问题库恩—塔克条件 与 s 无关,所以,以(5-12) 式建立的 Lagrange 函数 得到的库恩—塔克条件与前述完全一致。
§5.3
库恩—塔克条件
不过,我们还可以进行适当变换。根据 (5-12) 式,可得 ,所以 (5-10) 式
极大值问题库恩—塔克条件可写为:
§5.3
§5.2
简单不等式约束极值问 题的图解法
,整理得:4x1 – 5x2 = –30
于是有
与 5x1 + 4x2 = 40 建立方程组:
4x1 – 5x2 = –30
5x1 + 4x2 = 40
解方程组,得均衡解: 。
§5.2
简单不等式约束极值问 题的图解法
max s.t. f(x, y) = x + y
这三种情况可概括为如下的统一的论述:
f ’(x*) ≤ 0 , x*f ’(x*) = 0 ,且 x* ≥ 0 。
§5.3
库恩—塔克条件
那么,这一论述即为模型 (5-1) 问题在 x* 处取 得极大值的一阶必要条件,即:
f ’(x*) ≤ 0
x*f ’(x*) = 0
x* ≥ 0
即为模型 (5-1) 最优化问题的库恩—塔克条件。
必须要注意的是:
s.t.
s ≥ 0 , x1 ≥ 0 , x2 ≥ 0
§5.3
库恩—塔克条件
同样,求解不等式约束极值问题 (5-10) 就变成 了求解带有非负约束的 Lagrange 函数的极值问题, 即 (5-9) 等价于: max s.t. L(x1 , x2 ,λ, s) = f(x1 , x2) +λ[ – g(x1 , x2) – s ] s ≥ 0 , x1 ≥ 0 , x2 ≥ 0 …(5-11)
整理得:
。然后,对圆求全微分,得:
于是有 x* = 0 ,代入椭圆方程得 y* = 所以,均衡解为:

§5.3
库恩—塔克条件
一、简单不等式约束(仅存在非负约束) 极值问题的库恩—塔克条件
为得到一般化的不等式约束的库恩—塔克条 件,我们首先来分析简单的不等式约束的库恩— 塔克条件,即仅有非负约束而无其他约束。
A
O
x*
x
§5.3
库恩—塔克条件
第二种情况:y 的极大值对应的均衡解 x* 出现在可 行域的边界上,但仍能保证一阶必要 条件 。 在这种情况下,一阶 必要条件为:
y B
且: x* = 0
O
x*
x
§5.3
库恩—塔克条件
第三种情况:y 的极大值对应的均衡解 x* 出现在可 行域的边界上,但不能保证一阶必要 条件 。 在这种情况下,一阶 必要条件为:
§5.3
库恩—塔克条件
这样一来,求解原不等式约束极值问题 (5-5) 就 变成了求解仅带有非负约束的 Lagrange 函数的极值 问题,即 (5-5) 等价于: max s.t. L(x1 , x2 ,λ, s) = f(x1 , x2) +λ[ – g(x1 , x2) – s ] s≥0 …(5-7)
§5.3
库恩—塔克条件
如果模型 (5-5) 式中的决策变量也有非负约束,即: max y = f(x1 , x2)
s.t.
g(x1 , x2) ≤ 0
x1 ≥ 0, x2 ≥ 0
…(5-10)
构造 Lagrange 函数:
L(x1 , x2 ,λ, s) = f(x1 , x2) +λ[ – g(x1 , x2) – s ]
即亦为前述 (5-2) 式的情形。
§5.3
库恩—塔克条件
假设这一非负约束极大值问题的均衡解为(x1*, x2*,λ*, s* ),注意 (5-11) 式对变量 s 、x1*、x2* 均有 非负约束,所以其库恩—塔克条件为:
§5.3
库恩—塔克条件
类似于 (5-8) 式 → (5-9) 式 的变换过程和结果,有:
则在 x*处取极 小值的库恩— 塔克条件为: xi x* x* x*
其中: x = (x 1 , x 2 , … , x n ) , f(x) 为连续可微函数。
§5.3
库恩—塔克条件
二、简单的不等式约束(不局限于仅存在 非负约束)极值问题的库恩—塔克条件
前面的分析,我们仅仅是考虑了非负约束而 未考虑其他约束,下面我们就开始研究考虑不等 式约束效应的情形,即本章开头给出的一般化的 模型。我们仍然从简单的情形入手。
§5.3
库恩—塔克条件
同样,我们也可以研究非负约束的极小值问题。
我们还是先来看 单变量的情形: min y = f(x) …(5-3)
s.t.
x≥0
同样,最优解也可能会存在三种情况:
§5.3
库恩—塔克条件
则模型 (5-3) 问题在 x* 处取得极小值的一阶必 要条件可写为:
f ’(x*) ≥ 0
§5.3
库恩—塔克条件
ቤተ መጻሕፍቲ ባይዱ
1. 两变量一约束极值问题的库恩—塔克条件
两个变量一个约束条件的极值问题可写为:
max
s.t.
y = f(x1 , x2)
g(x1 , x2) ≤ 0
…(5-5)
在约束条件中 引入松弛变量 s, 则 (5-5) 可写为:
max
s.t.
y = f(x1 , x2)
g(x1 , x2) + s = 0 s≥0
满足不等式组的 x 构成的集合 D 称为可行域, D 中的点称为可行点。如果均衡解在可行域的内部 则称为内部解,如果均衡解在可行域的边界上则称 为角点解。
§5.2
简单不等式约束极值问 题的图解法
所谓的简单的不等式约束极值问题是指自变量 个数不超过两个的极值问题。
例子 1 :利用图解法求解下列极小化模型均衡解
库恩—塔克条件
举个例子:求下列最优化问题的可能极值点
max f(x, y) = x + y
§5.2
简单不等式约束极值问 题的图解法
对于本题来讲,实际 就是要使得以 (0, 0) 为圆 心的同心圆半径最大。 即:圆与可行域相切。
在这个切点,椭圆 切线的斜率与同心圆切 线的斜率相等。
§5.2
简单不等式约束极值问 题的图解法
相关文档
最新文档