វិធីសាស្ត្រ Lagrange ក្នុងការគណនា

វិធីសាស្ត្រ Lagrange ក្នុងការគណនា

វិធីសាស្ត្រ Lagrange គឺជាបច្ចេកទេសសំខាន់មួយនៅក្នុងការគណនា ដែលត្រូវបានគេប្រើយ៉ាងទូលំទូលាយដើម្បីដោះស្រាយបញ្ហាការបង្កើនប្រសិទ្ធភាព ជាពិសេសនៅពេលដែលអនុគមន៍មួយត្រូវតែបង្កើន ឬបង្រួមអប្បបរមាក្រោមលក្ខខណ្ឌជាក់លាក់ (ការរឹតបន្តឹង)។ ក្នុងជីវិតពិត បញ្ហាដូចជាការបង្កើនប្រាក់ចំណេញអតិបរមាជាមួយនឹងដើមទុនមានកំណត់ ការបង្រួមអប្បបរមានៃថ្លៃដើមផលិតកម្មជាមួយនឹងធនធានមានកំណត់ ឬការកំណត់ការរចនាដែលមានប្រសិទ្ធភាពបំផុតជាមួយនឹងលក្ខខណ្ឌជាក់លាក់ ជារឿយៗអាចត្រូវបានធ្វើគំរូដោយប្រើការបង្កើនប្រសិទ្ធភាពដែលមានការរឹតបន្តឹង។ នេះជាកន្លែងដែលវិធីសាស្ត្រ Lagrange—ដែលត្រូវបានគេស្គាល់ផងដែរថាជាវិធីសាស្ត្រគុណ Lagrange—ដើរតួនាទីយ៉ាងសំខាន់។

គោលគំនិតជាមូលដ្ឋាននៃការបង្កើនប្រសិទ្ធភាព

នៅក្នុងការគណនាបឋម ការបង្កើនប្រសិទ្ធភាពដែលមិនមានការរឹតបន្តឹងត្រូវបានអនុវត្តដោយការស្វែងរកចំណុចសំខាន់ៗនៃអនុគមន៍ \(f(x)\) តាមរយៈដេរីវេទីមួយរបស់វា៖ យើងរកឃើញ \(f'(x)=0\) ហើយបន្ទាប់មកពិនិត្យមើលថាតើចំណុចនោះផ្តល់អតិបរមា ឬអប្បបរមា។ ទោះជាយ៉ាងណាក៏ដោយ បញ្ហាជាច្រើនមិនសាមញ្ញទេ។ ឧទាហរណ៍ យើងចង់បង្កើនអនុគមន៍ \(f(x,y)\) ឱ្យបានអតិបរមា ប៉ុន្តែតម្លៃនៃ \(x\) និង \(y\) ត្រូវតែបំពេញលក្ខខណ្ឌមួយ ដូចជា \(g(x,y)=0\)។ លក្ខខណ្ឌនេះកំណត់ទំហំដំណោះស្រាយ ដូច្នេះយើងមិនអាចជ្រើសរើស \(x\) និង \(y\) តាមចិត្តបានទេ។

វិធីសាស្ត្ររបស់ Lagrange ផ្តល់នូវវិធីជាប្រព័ន្ធមួយដើម្បីស្វែងរកចំណុចល្អបំផុតនៅក្នុងលំហដែលកំណត់ដោយដែនកំណត់ទាំងនេះ។ វិចារណញាណនៅពីក្រោយវិធីសាស្ត្រនេះគឺទាក់ទងនឹងធរណីមាត្រ៖ នៅចំណុចល្អបំផុតក្រោមដែនកំណត់ \(g(x,y)=0\) ទិសដៅនៃការផ្លាស់ប្តូរធំបំផុតនៃអនុគមន៍ \(f\) ត្រូវតែ "ស្របគ្នា" ទៅនឹងទិសដៅនៃការផ្លាស់ប្តូរធំបំផុតនៃដែនកំណត់ \(g\)។ ទិសដៅនៃការផ្លាស់ប្តូរធំបំផុតនៃអនុគមន៍ពហុអថេរត្រូវបានផ្តល់ដោយជម្រាល ពោលគឺ \(\nabla f\) និង \(\nabla g\)។ ដូច្នេះ នៅចំណុចល្អបំផុត ទំនាក់ទំនងនៅតែមាន៖

\[
\nabla f(x,y) = \lambda \nabla g(x,y)
\]

ដែល \(\lambda\) ជាចំនួនថេរមួយហៅថា មេគុណ Lagrange។

ការយល់ដឹងអំពីមេគុណ Lagrange

មេគុណ Lagrange \(\lambda\) អាចយល់បានថាជាកត្តាធ្វើមាត្រដ្ឋានដែលភ្ជាប់ជម្រាលនៃអនុគមន៍វត្ថុ និងជម្រាលនៃការរឹតបន្តឹង។ តាមការអនុវត្ត \(\lambda\) ជួយយើង "ផ្សំ" អនុគមន៍វត្ថុ និងការរឹតបន្តឹងទៅជាទម្រង់មួយដែលងាយស្រួលវិភាគជាង។

ដើម្បីដោះស្រាយបញ្ហាការបង្កើនប្រសិទ្ធភាពដែលមានកម្រិតជាមួយនឹងកម្រិតមួយ យើងបង្កើតអនុគមន៍ថ្មីមួយហៅថាអនុគមន៍ Lagrangian៖

\[
\mathcal{L}(x,y,\lambda) = f(x,y) – \lambda (g(x,y))
\]

សញ្ញាដកគ្រាន់តែជាអនុសញ្ញាមួយប៉ុណ្ណោះ។ ជួនកាលសញ្ញាបូកត្រូវបានប្រើ អាស្រ័យលើចំណូលចិត្ត។ គំនិតចម្បងគឺថា បន្ទាប់មកយើងស្វែងរកចំណុចស្ថានីនៃ \( \mathcal{L} \) ដោយការបែងចែកទាក់ទងទៅនឹងអថេរទាំងអស់ (រួមទាំង \( \lambda \)) ហើយស្មើនឹងសូន្យ៖

\[
\frac{\partial \mathcal{L}}{\partial x} = 0,\quad \frac{\partial \mathcal{L}}{\partial y} = 0,\quad \frac{\partial \mathcal{L}}{\partial \lambda} = 0
\]

សមីការចុងក្រោយ \( \frac{\partial \mathcal{L}}{\partial \lambda} = 0 \) ស្ដារការរឹតបន្តឹង \( g(x,y)=0 \) ឡើងវិញ ដូច្នេះប្រព័ន្ធសមីការលទ្ធផលនៅតែគោរពការរឹតបន្តឹងបញ្ហា។

ជំហាននៃវិធីសាស្ត្រ Lagrange

សរុបមក នីតិវិធីនៃវិធីសាស្ត្រ Lagrange អាចសង្ខេបបានដូចខាងក្រោម៖

១. កំណត់អនុគមន៍ដែលត្រូវធ្វើឱ្យប្រសើរឡើង ឧទាហរណ៍ \( f(x,y) \)។
២. កំណត់​ការ​រឹតត្បិត​ក្នុង​ទម្រង់ \( g(x,y)=0 \)។
៣. បង្កើតអនុគមន៍ Lagrangian \( \mathcal{L}(x,y,\lambda)=f(x,y)-\lambda g(x,y) \)។
៤. គណនាដេរីវេដោយផ្នែកនៃ \(\mathcal{L}\) ទាក់ទងទៅនឹង \(x\), \(y\), និង \(\lambda\)។
៥. ដោះស្រាយប្រព័ន្ធសមីការដែលដេរីវេដោយផ្នែករបស់វាត្រូវបានកំណត់ទៅសូន្យ។
៦. សាកល្បងដំណោះស្រាយ​ដែល​បាន​ជ្រើសរើស ដើម្បីកំណត់ថាតើ​វា​បង្កើត​បាន​ជា​អតិបរមា ឬ​អប្បបរមា បើចាំបាច់។

វិធីសាស្ត្រនេះអាចត្រូវបានពង្រីកទៅការរឹតបន្តឹងច្រើនជាងមួយ។ ប្រសិនបើមានការរឹតបន្តឹងពីរ ឧទាហរណ៍ \( g(x,y,z)=0 \) និង \( h(x,y,z)=0 \) នោះ Lagrangian ក្លាយជា៖

\[
\mathcal{L}(x,y,z,\lambda,\mu)=f(x,y,z) – \lambda g(x,y,z) – \mu h(x,y,z)
\]

នៅទីនេះមេគុណបន្ថែមលេចឡើង គឺ \( \mu \)។

ឧទាហរណ៍សាមញ្ញ

ឧបមាថាយើងចង់បង្កើនមុខងារអតិបរមា៖

\[
f(x,y)=xy
\]

ជាមួយនឹងការរឹតបន្តឹង៖

\[
x+y=10
\]
ឬក្នុងទម្រង់ \( g(x,y)=x+y-10=0\)។

ទម្រង់ឡាហ្គ្រាង់៖

\[
\mathcal{L}(x,y,\lambda)=xy-\lambda(x+y-10)
\]

ដេរីវេដោយផ្នែក៖

\[
\frac{\partial \mathcal{L}}{\partial x}=y-\lambda=0
\]
\[
\frac{\partial \mathcal{L}}{\partial y}=x-\lambda=0
\]
\[
\frac{\partial \mathcal{L}}{\partial \lambda}=-(x+y-10)=0
\]

ពីសមីការពីរដំបូង យើងទទួលបាន \( y=\lambda\) និង \( x=\lambda\) ដូច្នេះ \( x=y\)។ ការជំនួសទៅក្នុងដែនកំណត់ \( x+y=10\) បានផ្តល់ \( 2x=10\Rightarrow x=5\)។ ដូច្នេះ \( y=5\)។

ដូច្នេះតម្លៃអតិបរមានៃ \( xy \) ក្រោមការរឹតបន្តឹង \( x+y=10 \) កើតឡើងនៅ \( x=5 \) និង \( y=5 \) ជាមួយនឹងតម្លៃអតិបរមា \( f(5,5)=25 \)។ លទ្ធផលនេះក៏ស្របនឹងវិចារណញាណដែរ៖ សម្រាប់ផលបូកថេរ ផលគុណនៃចំនួនវិជ្ជមានពីរគឺអតិបរមានៅពេលដែលពួកវាស្មើគ្នា។

អត្ថន័យធរណីមាត្រនៃវិធីសាស្ត្រ Lagrange

តាមធរណីមាត្រ កម្រិត \(g(x,y)=0\) បង្កើតជាខ្សែកោងមួយនៅក្នុងប្លង់។ យើងមិនកំពុងស្វែងរកតម្លៃល្អបំផុតលើប្លង់ទាំងមូលទេ ប៉ុន្តែគ្រាន់តែតាមបណ្តោយខ្សែកោងប៉ុណ្ណោះ។ នៅចំណុចល្អបំផុត ខ្សែកោងកម្រិត \(f(x,y)=k\) ដែលប៉ះនឹងខ្សែកោងកម្រិតបង្ហាញថាជម្រាលរបស់វាស្របគ្នា។ តង់សង់នេះត្រូវបានបំលែងទៅជាសមីការ \(\nabla f=\lambda\nabla g\)។

អត្ថន័យនេះជួយពន្យល់ពីមូលហេតុដែលវិធីសាស្ត្ររបស់ Lagrange ដំណើរការ៖ ប្រសិនបើជម្រាលនៃ \( f \) មិនស្របនឹងជម្រាលនៃកម្រិតកំណត់ទេ នោះនៅតែមានទិសដៅនៅលើខ្សែកោងកម្រិតកំណត់ ដែលតម្លៃនៃ \( f \) អាចកើនឡើង ឬថយចុះ។ ចំណុចល្អបំផុតកើតឡើងយ៉ាងជាក់លាក់នៅពេលដែលទិសដៅ "ឡើងលឿនបំផុត" មិនអាចយកបានដោយមិនរំលោភលើកម្រិតកំណត់។

កម្មវិធីក្នុងវិស័យផ្សេងៗ

ទោះបីជាមានឫសគល់នៅក្នុងគណិតវិទ្យាក៏ដោយ វិធីសាស្ត្រ Lagrangian ត្រូវបានគេប្រើប្រាស់យ៉ាងទូលំទូលាយនៅទូទាំងវិញ្ញាសាផ្សេងៗ។ នៅក្នុងសេដ្ឋកិច្ច ពួកវាត្រូវបានប្រើនៅក្នុងទ្រឹស្តីប្រយោជន៍ និងការបង្កើនប្រសិទ្ធភាពផលិតកម្ម។ នៅក្នុងរូបវិទ្យា គោលគំនិត Lagrangian មានទំនាក់ទំនងប្រវត្តិសាស្ត្រ និងគណិតវិទ្យាទៅនឹងមេកានិចវិភាគ។ នៅក្នុងវិស្វកម្ម និងវិទ្យាសាស្ត្រកុំព្យូទ័រ ពួកវាបង្កើតជាមូលដ្ឋានសម្រាប់ក្បួនដោះស្រាយបង្កើនប្រសិទ្ធភាពជាច្រើន រួមទាំងការបង្កើនប្រសិទ្ធភាពប៉ោង និងវិធីសាស្ត្រលេខនៅក្នុងការរៀនម៉ាស៊ីន។

លើសពីនេះ មេគុណ Lagrange ច្រើនតែមានការបកស្រាយជាក់ស្តែង។ ឧទាហរណ៍ នៅក្នុងបរិបទសេដ្ឋកិច្ចមួយចំនួន \( \lambda \) អាចបង្ហាញពី "តម្លៃស្រមោល" នៃការរឹតត្បិត៖ តើតម្លៃល្អបំផុតផ្លាស់ប្តូរប៉ុន្មាន ប្រសិនបើការរឹតត្បិតត្រូវបានបន្ធូរបន្ថយបន្តិច។

ដែនកំណត់ និងកំណត់ចំណាំសំខាន់ៗ

វិធីសាស្ត្រ Lagrange ផ្តល់នូវដំណោះស្រាយ​ជា​បេក្ខជន ប៉ុន្តែវាមិនចាំបាច់ធានាថាពួកវាជាអតិបរមា ឬអប្បបរមាសកលនោះទេ។ ជួនកាល មានចំណុចស្ថានីច្រើនដើម្បីប្រៀបធៀប។ លើសពីនេះ វិធីសាស្ត្រនេះតម្រូវឱ្យមានការសន្មត់ថាជម្រាលកម្រិតមិនមែនសូន្យនៅចំណុចដំណោះស្រាយ។ ប្រសិនបើ \(\nabla g = 0\) ស្ថានភាពកាន់តែស្មុគស្មាញ ហើយត្រូវការការយកចិត្តទុកដាក់ពិសេស។

នៅក្នុងការអនុវត្តជាក់ស្តែង បន្ទាប់ពីរកឃើញបេក្ខជន ជារឿយៗយើងត្រូវពិនិត្យមើលលក្ខខណ្ឌបន្ថែម ដូចជាការប្រើប្រាស់តេស្តដេរីវេទីពីរ ឬការប្រៀបធៀបតម្លៃអនុគមន៍លើបេក្ខជន និងព្រំដែនដូមេនដែលអាចកើតមាន។

Penutup

វិធីសាស្ត្រ Lagrange ក្នុង​គណិតវិទ្យា​កាល់គូលុស គឺជាឧបករណ៍ដ៏មានឥទ្ធិពលមួយសម្រាប់ដោះស្រាយបញ្ហា​ការបង្កើនប្រសិទ្ធភាព​ដែលមានកម្រិត។ តាមរយៈការណែនាំ​មេគុណ \(\lambda\) វិធីសាស្ត្រនេះបំលែងបញ្ហាដែលពិបាកដំបូង — ដោយសារតែការរឹតបន្តឹង — ទៅជាប្រព័ន្ធដែលមានរចនាសម្ព័ន្ធនៃសមីការដេរីវេដោយផ្នែក។ ការយល់ដឹងអំពីវិធីសាស្ត្រនេះមិនត្រឹមតែមានប្រយោជន៍ក្នុងគណិតវិទ្យាសុទ្ធប៉ុណ្ណោះទេ ប៉ុន្តែវាក៏ពាក់ព័ន្ធខ្លាំងផងដែរនៅក្នុងសេដ្ឋកិច្ច រូបវិទ្យា វិស្វកម្ម និងវិស័យជាច្រើនទៀតដែលពឹងផ្អែកលើការបង្កើនប្រសិទ្ធភាព។

តាមរយៈការស្ទាត់ជំនាញវិធីសាស្ត្រ Lagrange យើងទទួលបានសមត្ថភាពក្នុងការធ្វើគំរូ និងដោះស្រាយបញ្ហាក្នុងពិភពពិតកាន់តែមានប្រសិទ្ធភាព និងគណិតវិទ្យា - ជំនាញដែលជាមូលដ្ឋានគ្រឹះដ៏សំខាន់ក្នុងការគណនាពហុអថេរទំនើប និងការបង្កើនប្រសិទ្ធភាព។