AI 与工程数学 / 系统课时
用 KKT 条件检查不等式最优性
用 KKT 条件检查不等式最优性
这节课把不等式约束下的最优性检查拆成四组条件:原始可行、对偶可行、驻点和互补松弛。你会看到它们如何共同筛掉不合格候选点,并用一个一维凸优化问题完整检查一次 KKT 条件。
学习目标
- 能写出不等式约束问题的四类 KKT 条件。
- 能根据约束是否激活判断拉格朗日乘子的取值。
- 能对简单凸问题逐项验证候选解是否满足 KKT。
四组条件分别约束什么
考虑标准形式
满足
拉格朗日函数定义为
KKT 条件由四部分组成:
- 原始可行:,候选点必须先满足原问题约束。
- 对偶可行:,不等式约束对应的乘子不能为负。
- 驻点:。
- 互补松弛:,每个约束要么未激活且乘子为零,要么激活并允许乘子非零。

其中最容易忽略的是互补松弛。它把“几何上是否碰到边界”与“该约束是否对最优点施加作用”连接起来,是筛选候选解的关键。
用激活与未激活理解互补松弛
若某个约束在最优点严格满足,即 ,说明最优点没有贴在这条边界上。为了满足 ,只能有 ,这条约束在驻点方程中不起作用。
若约束恰好取等号,即 ,称它为激活约束。此时互补松弛自动满足, 可以为正,也可以为零,具体数值由驻点条件决定。
逐项检查一个简单问题
考虑
满足
为了符合 KKT 的标准形式,把约束改写为 。拉格朗日函数为
驻点条件为 。由于无约束最小点 不可行,直觉上最优点应落在边界 ,于是令约束激活,可得 、。
下面逐项验证四类条件。
x = 1.0
lam = 2.0
g = 1.0 - x
stationarity = 2.0 * x - lam
complementarity = lam * g
print("primal feasible:", g <= 0)
print("dual feasible:", lam >= 0)
print("stationarity:", stationarity)
print("complementarity:", complementarity)预期输出
primal feasible: True
dual feasible: True
stationarity: 0.0
complementarity: 0.0四项全部通过,因此 满足 KKT 条件。这里约束恰好激活,且乘子为正,说明这个边界确实阻止了目标函数继续朝无约束极小点 移动。
KKT 什么时候足以证明最优
一般非凸问题中,KKT 条件通常只是局部最优点需要满足的必要条件之一,满足 KKT 的候选点不一定是全局最优点。
如果问题是凸优化问题,且满足适当的约束资格条件,例如存在严格可行点使所有不等式都严格成立,那么 KKT 条件具有更强地位:满足 KKT 的点就是全局最优解。本例中 是凸函数, 是仿射函数,而且例如 严格满足约束,因此 不只是候选解,而可以由 KKT 条件直接确认其全局最优性。
实际检查时可以按固定顺序进行:先看原始可行性,再判断激活约束,用互补松弛确定哪些乘子必须为零,接着解驻点方程,最后检查所有乘子是否满足非负性。这样能最快发现候选解在哪一条 KKT 条件上失败。