Ke ʻAno Hana o Lagrange ma ka Calculus
ʻO ke ʻano Lagrange kahi ʻano hana koʻikoʻi i ka calculus i hoʻohana nui ʻia e hoʻoponopono i nā pilikia optimization, ʻoiai ke pono e hoʻonui ʻia a hoʻemi ʻia paha kahi hana ma lalo o kekahi mau kūlana (nā palena). I ke ola maoli, hiki ke hoʻohālikelike pinepine ʻia nā pilikia e like me ka hoʻonui ʻana i ka loaʻa kālā me ke kapikala palena, ka hoʻemi ʻana i nā kumukūʻai hana me nā kumuwaiwai palena, a i ʻole ka hoʻoholo ʻana i ka hoʻolālā kūpono loa me kekahi mau kūlana me ka hoʻohana ʻana i ka optimization i kaupalena ʻia. ʻO kēia kahi e pāʻani ai ke ʻano Lagrange—i ʻike ʻia hoʻi ʻo ke ʻano hoʻonui Lagrange—i kahi kuleana koʻikoʻi.
Nā Manaʻo Kumu o ka Hoʻonui ʻana
Ma ka helu kumu, hana ʻia ka hoʻonui ʻole ʻia ma ka loaʻa ʻana o nā kiko koʻikoʻi o kahi hana \( f(x) \) ma o kāna derivative mua: loaʻa iā mākou \( f'(x)=0 \) a laila e nānā inā loaʻa i kēlā kiko ka palena kiʻekiʻe a i ʻole ka palena iki. Eia nō naʻe, ʻaʻole maʻalahi nā pilikia he nui. No ka laʻana, makemake mākou e hoʻonui i ka hana \( f(x,y) \), akā pono nā waiwai o \( x \) a me \( y \) e hoʻokō i kahi kūlana, e like me \( g(x,y)=0 \). Hoʻopaʻa kēia kūlana i ka hakahaka hoʻonā, no laila ʻaʻole hiki iā mākou ke koho iā \( x \) a me \( y \) i ka makemake.
Hāʻawi ke ʻano hana a Lagrange i kahi ala ʻōnaehana e ʻike ai i ke kiko kūpono ma kahi ākea i kaupalena ʻia e kēia mau palena. Pili ka ʻike ma hope o kēia ʻano hana i ke geometry: ma ke kiko kūpono ma lalo o ke kaupalena \( g(x,y)=0 \), pono ke kuhikuhi o ka loli nui loa o ka hana \( f \) e "like" me ke kuhikuhi o ka loli nui loa o ke kaupalena \( g \). Hāʻawi ʻia ke kuhikuhi o ka loli nui loa o kahi hana multivariate e ka gradient, ʻo ia hoʻi \( \nabla f \) a me \( \nabla g \). No laila, ma ke kiko kūpono, paʻa ka pilina:
\[
\nabla f(x,y) = \lambda \nabla g(x,y)
\]
kahi ʻo \( \lambda \) he mau paʻa i kapa ʻia ʻo ka mea hoʻonui Lagrange.
Ke Hoʻomaopopo nei i nā Mea Hoʻonui Lagrange
Hiki ke hoʻomaopopo ʻia ka mea hoʻonui Lagrange, \( \lambda \), ma ke ʻano he kumu hoʻonui e hoʻopili ana i ka gradient o ka hana pahuhopu a me ka gradient o nā palena. Ma ke ʻano maoli, kōkua ʻo \( \lambda \) iā mākou e "hoʻohui" i ka hana pahuhopu a me nā palena i loko o kahi ʻano i maʻalahi ke kālailai.
No ka hoʻoponopono ʻana i kahi pilikia hoʻonui i kaupalena ʻia me hoʻokahi palena, kūkulu mākou i kahi hana hou i kapa ʻia ʻo ka hana Lagrangian:
\[
\mathcal{L}(x,y,\lambda) = f(x,y) – \lambda (g(x,y))
\]
He kuʻuna wale nō ka hōʻailona minus; i kekahi manawa hoʻohana ʻia kahi hōʻailona plus, ma muli o ka makemake. ʻO ka manaʻo nui, a laila loaʻa iā mākou nā kiko paʻa o \( \mathcal{L} \) ma ka hoʻokaʻawale ʻana e pili ana i nā loli āpau (me \( \lambda \)) a me ka hoʻohālikelike ʻana i ka zero:
\[
\frac{\partial \mathcal{L}}{\partial x} = 0,\quad \frac{\partial \mathcal{L}}{\partial y} = 0,\quad \frac{\partial \mathcal{L}}{\partial \lambda} = 0
\]
ʻO ke kaulike hope loa, \( \frac{\partial \mathcal{L}}{\partial \lambda} = 0 \), hoʻihoʻi i ke kaohi \( g(x,y)=0 \), i hiki ai i ka ʻōnaehana kaulike hopena ke mālama i nā kaohi pilikia.
Nā ʻanuʻu o ke ʻano Lagrange
I ka pōkole, hiki ke hōʻuluʻulu ʻia ke kaʻina hana Lagrange Method penei:
1. E hoʻoholo i ka hana e hoʻomaikaʻi ʻia, no ka laʻana \( f(x,y) \).
2. E hoʻoholo i nā palena ma ke ʻano \( g(x,y)=0 \).
3. E hoʻokumu i ka hana Lagrangian \( \mathcal{L}(x,y,\lambda)=f(x,y)-\lambda g(x,y) \).
4. E helu i nā derivatives hapa o \( \mathcal{L} \) e pili ana iā \( x \), \( y \), a me \( \lambda \).
5. E hoʻoponopono i ka ʻōnaehana o nā kaulike nona nā derivatives hapa i hoʻonohonoho ʻia i ka ʻole.
6. E hoʻāʻo i nā hopena moho e hoʻoholo ai inā hana lākou i ka palena kiʻekiʻe a i ʻole ka palena iki, inā pono.
Hiki ke hoʻonui ʻia kēia ʻano hana i nā palena he nui. Inā he ʻelua mau palena, no ka laʻana \( g(x,y,z)=0 \) a me \( h(x,y,z)=0 \), a laila lilo ka Lagrangian i:
\[
\mathcal{L}(x,y,z,\lambda,\mu)=f(x,y,z) – \lambda g(x,y,z) – \mu h(x,y,z)
\]
Maanei e ʻike ʻia ai kahi mea hoʻonui hou aʻe, ʻo ia hoʻi ʻo \( \mu \).
Laʻana Maʻalahi
Manaʻo mākou e makemake mākou e hoʻonui i ka hana:
\[
f(x,y)=xy
\]
me nā palena:
\[
x+y=10
\]
a i ʻole ma ke ʻano \( g(x,y)=x+y-10=0 \).
ʻAno Lagrangian:
\[
\mathcal{L}(x,y,\lambda)=xy-\lambda(x+y-10)
\]
Nā huaʻōlelo hapa:
\[
\frac{\partial \mathcal{L}}{\partial x}=y-\lambda=0
\]
\[
\frac{\partial \mathcal{L}}{\partial y}=x-\lambda=0
\]
\[
\frac{\partial \mathcal{L}}{\partial \lambda}=-(x+y-10)=0
\]
Mai nā kaulike mua ʻelua, loaʻa iā mākou \( y=\lambda \) a me \( x=\lambda \), i hiki ai iā \( x=y \). Ke pani ʻia i loko o ke kaohi \( x+y=10 \) e loaʻa ai \( 2x=10 \Rightarrow x=5 \). No laila \( y=5 \).
No laila, ʻo ka waiwai nui loa o \( xy \) ma lalo o ke kaohi \( x+y=10 \) e kū ana ma \( x=5 \) a me \( y=5 \), me ka waiwai nui loa o \( f(5,5)=25 \). Kūlike nō hoʻi kēia hopena me ka naʻauao: no ka huina paʻa, ʻo ka huahana o ʻelua mau helu maikaʻi ka nui loa ke like lākou.
Ke ʻano Geometric o ke ʻano Lagrange
Ma ke ʻano geometric, ʻo ke kaohi \(g(x,y)=0 \) e hana ana i kahi piʻo ma ka mokulele. ʻAʻole mākou e ʻimi nei i ka optimum ma luna o ka mokulele holoʻokoʻa, akā ma ke piʻo wale nō. Ma ke kiko optimum, ʻo ke piʻo pae \(f(x,y)=k \) e tangent ana i ke piʻo kaohi e hōʻike ana ua like ko lākou mau gradients. Ua hoʻololi ʻia kēia tangency i loko o ka hoohalike \(\nabla f=\lambda \nabla g \).
Kōkua kēia manaʻo e wehewehe i ke kumu e hana ai ke ʻano hana a Lagrange: inā ʻaʻole like ka gradient o \( f \) me ka gradient o ke kāohi, a laila aia nō nā kuhikuhi ma ke kaʻina kāohi kahi e hiki ai ke hoʻonui a hoʻemi paha i ka waiwai o \( f \). Loaʻa ka kiko kūpono i ka wā hiki ʻole ke lawe ʻia ke kuhikuhi "wikiwiki loa i luna" me ka ʻole o ka uhaki ʻana i ke kāohi.
Nā noi ma nā kahua like ʻole
ʻOiai ua paʻa i ka calculus, hoʻohana nui ʻia nā ʻano Lagrangian ma nā ʻano aʻo like ʻole. I ka hoʻokele waiwai, hoʻohana ʻia lākou i ke kumumanaʻo pono a me ka hoʻonui ʻana i ka hana ʻana. I ka physics, loaʻa i ka manaʻo Lagrangian nā pilina mōʻaukala a me ka makemakika i nā mechanics analytical. I ka ʻenekinia a me ka ʻepekema kamepiula, hana lākou i ke kumu no nā algorithms optimization he nui, me ka optimization convex a me nā ʻano helu i ke aʻo ʻana i ka mīkini.
Eia kekahi, loaʻa pinepine nā wehewehe kūpono i nā mea hoʻonui Lagrange. I kekahi mau pōʻaiapili hoʻokele waiwai, no ka laʻana, hiki iā \( \lambda \) ke hōʻike i ke "kumukūʻai aka" o kahi palena: pehea ka nui o ka loli o ka waiwai kūpono inā hoʻomaha iki ʻia ke kaupalena.
Nā Palena a me nā Memo Koʻikoʻi
Hāʻawi ke ʻano Lagrange i nā hopena moho, akā ʻaʻole ia e hōʻoiaʻiʻo he maxima honua a minima paha lākou. I kekahi manawa, aia nā kiko paʻa he nui e hoʻohālikelike ai. Eia kekahi, koi kēia ʻano hana i ka manaʻo ʻaʻole zero ka gradient constraint ma ka kiko hopena; inā \( \nabla g = 0 \), lilo ke kūlana i mea paʻakikī a koi ʻia ka mālama kūikawā.
I ka hana maoli, ma hope o ka loaʻa ʻana o kahi moho, pono pinepine mākou e nānā i nā kūlana hou aʻe, e like me ka hoʻohana ʻana i ka hoʻāʻo derivative lua a i ʻole ka hoʻohālikelike ʻana i nā waiwai hana ma ka moho a me nā palena kikowaena hiki.
Pani
He mea hana ikaika ke ʻano hana a Lagrange ma ka calculus no ka hoʻoponopono ʻana i nā pilikia optimization i kaupalena ʻia. Ma ka hoʻolauna ʻana i ka mea hoʻonui \( \lambda \), hoʻololi kēia ʻano hana i kahi pilikia paʻakikī i ka wā mua—ma muli o nā palena—i loko o kahi ʻōnaehana i hoʻonohonoho ʻia o nā hoʻohālikelike derivative hapa. ʻO ka hoʻomaopopo ʻana i kēia ʻano hana ʻaʻole wale ia he mea pono i ka makemakika maʻemaʻe akā pili loa hoʻi i ka hoʻokele waiwai, physics, ʻenekinia, a me nā ʻoihana ʻē aʻe he nui e hilinaʻi nei i ka optimization.
Ma ka hoʻomaopopo ʻana i ke ʻano hana a Lagrange, loaʻa iā mākou ka hiki ke hoʻohālike a hoʻoponopono i nā pilikia o ke ao maoli me ka makemakika a me ka pono—he mākaukau he kahua koʻikoʻi i ka calculus multivariate hou a me ka optimization.
