حساب ڪتاب ۾ لاگرينج جو طريقو
Lagrange طريقو حساب ڪتاب ۾ هڪ اهم ٽيڪنڪ آهي جيڪا وڏي پيماني تي اصلاح جي مسئلن کي حل ڪرڻ لاءِ استعمال ڪئي ويندي آهي، خاص طور تي جڏهن ڪنهن فنڪشن کي ڪجهه حالتن (پابندين) جي تحت وڌ کان وڌ يا گهٽ ۾ گهٽ ڪرڻ گهرجي. حقيقي زندگي ۾، محدود سرمائي سان منافعو وڌائڻ، محدود وسيلن سان پيداوار جي قيمتن کي گهٽائڻ، يا ڪجهه حالتن سان سڀ کان وڌيڪ ڪارآمد ڊيزائن جو تعين ڪرڻ جهڙا مسئلا اڪثر محدود اصلاح استعمال ڪندي ماڊل ڪري سگهجن ٿا. هي اهو هنڌ آهي جتي Lagrange طريقو - جنهن کي Lagrange ضرب طريقو پڻ چيو ويندو آهي - هڪ مرڪزي ڪردار ادا ڪري ٿو.
اصلاح جا بنيادي تصور
ابتدائي حساب ۾، غير محدود اصلاح هڪ فنڪشن جي نازڪ نقطن کي ان جي پهرين ڊيريويٽو ذريعي ڳولڻ سان ڪئي ويندي آهي: اسان \( f'(x)=0 \) ڳوليندا آهيون ۽ پوءِ چيڪ ڪندا آهيون ته اهو نقطو وڌ ۾ وڌ يا گهٽ ۾ گهٽ ڏئي ٿو. بهرحال، ڪيترائي مسئلا ايترا سادا نه آهن. مثال طور، اسان فنڪشن کي وڌ ۾ وڌ ڪرڻ چاهيون ٿا \( f(x,y) \)، پر \( x \) ۽ \( y \) جي قدرن کي هڪ شرط کي پورو ڪرڻ گهرجي، جهڙوڪ \( g(x,y)=0 \). هي شرط حل جي جڳهه کي محدود ڪري ٿي، تنهنڪري اسان پنهنجي مرضي سان \( x \) ۽ \( y \) چونڊي نٿا سگهون.
لاگرينج جو طريقو انهن رڪاوٽن سان جڙيل جڳهه ۾ بهترين نقطي کي ڳولڻ جو هڪ منظم طريقو پيش ڪري ٿو. هن طريقي جي پويان وجدان جاميٽري سان لاڳاپيل آهي: پابندي جي تحت بهترين نقطي تي \( g(x,y)=0 \)، فنڪشن جي سڀ کان وڏي تبديلي جي هدايت \( f \) کي پابندي جي سڀ کان وڏي تبديلي جي هدايت جي "متوازي" هجڻ گهرجي \( g \). هڪ ملٽي ويريئيٽ فنڪشن جي سڀ کان وڏي تبديلي جي هدايت گريڊينٽ پاران ڏني وئي آهي، يعني \( \nabla f \) ۽ \( \nabla g \). تنهن ڪري، بهترين نقطي تي، تعلق رکي ٿو:
\[
\nabla f(x,y) = \lambda \nabla g(x,y)
\]
جتي \( \lambda \) هڪ مستقل آهي جنهن کي Lagrange multiplier سڏيو ويندو آهي.
Lagrange ملٽي پلائرز کي سمجهڻ
Lagrange multiplier، \( \lambda \)، کي هڪ اسڪيلنگ فيڪٽر جي طور تي سمجهي سگهجي ٿو جيڪو مقصدي فنڪشن جي گريڊينٽ ۽ رڪاوٽن جي گريڊينٽ سان لاڳاپيل آهي. عملي طور تي، \( \lambda \) اسان کي مقصدي فنڪشن ۽ رڪاوٽن کي هڪ اهڙي شڪل ۾ "گڏ" ڪرڻ ۾ مدد ڪري ٿو جيڪو تجزيو ڪرڻ آسان آهي.
هڪ رڪاوٽ سان محدود اصلاح جي مسئلي کي حل ڪرڻ لاءِ، اسان هڪ نئون فنڪشن ٺاهيندا آهيون جنهن کي Lagrangian فنڪشن سڏيو ويندو آهي:
\[
\mathcal{L}(x,y,\lambda) = f(x,y) - \lambda (g(x,y))
\]
مائنس نشاني صرف هڪ رواج آهي؛ ڪڏهن ڪڏهن ترجيح جي لحاظ کان جمع نشاني استعمال ڪئي ويندي آهي. مکيه خيال اهو آهي ته پوءِ اسان سڀني متغيرن (بشمول \( \lambda \)) جي حوالي سان فرق ڪندي ۽ صفر جي برابر ڪندي \( \mathcal{L} \) جا اسٽيشنري نقطا ڳوليون ٿا:
\[
\frac{\جزوي \mathcal{L}}{\جزوي x} = 0,\چوڪو \frac{\جزوي \mathcal{L}}{\جزوي y} = 0,\چوڪو \frac{\جزوي \mathcal{L}}{\جزوي \lambda} = 0
\]
آخري مساوات، \( \frac{\partial \mathcal{L}}{\partial \lambda} = 0 \)، پابندي \( g(x,y)=0 \) کي بحال ڪري ٿي، ته جيئن نتيجي ۾ پيدا ٿيندڙ مساواتن جو نظام اڃا تائين مسئلي جي پابندين جو احترام ڪري.
Lagrange طريقي جا مرحلا
مختصر ۾، Lagrange طريقو طريقيڪار جو خلاصو هن ريت ڪري سگهجي ٿو:
1. بهتر ڪرڻ لاءِ فنڪشن جو تعين ڪريو، مثال طور \( f(x,y) \).
2. \( g(x,y)=0 \) جي شڪل ۾ رڪاوٽون طئي ڪريو.
3. لگرانجين فنڪشن ٺاهيو \( \mathcal{L}(x,y,\lambda)=f(x,y)-\lambda g(x,y) \).
4. \( \mathcal{L} \) جي جزوي نڪتن کي \( x \), \( y \), ۽ \( \lambda \) جي حوالي سان ڳڻيو.
5. مساواتن جو نظام حل ڪريو جن جا جزوي نڪتل صفر تي مقرر ڪيا ويا آهن.
6. اميدوار حلن جي جانچ ڪريو ته اهو طئي ڪيو وڃي ته اهي وڌ ۾ وڌ يا گهٽ ۾ گهٽ پيدا ڪن ٿا، جيڪڏهن ضروري هجي.
هي طريقو هڪ کان وڌيڪ رڪاوٽن تائين وڌائي سگهجي ٿو. جيڪڏهن ٻه رڪاوٽون آهن، مثال طور \( g(x,y,z)=0 \) ۽ \( h(x,y,z)=0 \)، ته پوءِ Lagrangian ٿيندو:
\[
\mathcal{L}(x,y,z,\lambda,\mu)=f(x,y,z) - \lambda g(x,y,z) - \mu h(x,y,z)
\]
هتي هڪ اضافي ضرب ظاهر ٿئي ٿو، يعني \( \mu \).
سادي مثال
فرض ڪريو ته اسان فنڪشن کي وڌ کان وڌ ڪرڻ چاهيون ٿا:
\[
ف (ايڪس، وائي) = ايڪسائي
\]
پابندين سان:
\[
ايڪس + ي = 10
\]
يا \( g(x,y)=x+y-10=0 \) جي صورت ۾.
لاگرانجين شڪل:
\[
\mathcal{L}(x,y,\lambda)=xy-\lambda(x+y-10)
\]
جزوي نڪتل:
\[
\frac{\جزوي \ميٿڪل{L}}{\جزوي x}=y-\ليمبڊا=0
\]
\[
\frac{\جزوي \ميٿڪل{L}}{\جزوي y}=x-\ليمبڊا=0
\]
\[
\frac{\جزوي \ميٿڪل{L}}{\جزوي \ليمبڊا}=-(x+y-10)=0
\]
پهرين ٻن مساواتن مان، اسان کي \( y=\lambda \) ۽ \( x=\lambda \) ملن ٿا، تنهنڪري \( x=y \). پابندي ۾ تبديل ڪرڻ سان \( x+y=10 \) حاصل ٿئي ٿو \( 2x=10 \Rightarrow x=5 \). تنهن ڪري \( y=5 \).
تنهنڪري پابندي جي تحت \( xy \) جي وڌ ۾ وڌ قدر \( x+y=10 \) \( x=5 \) ۽ \( y=5 \) تي ٿيندي آهي، جنهن جي وڌ ۾ وڌ قدر \( f(5,5)=25 \) هوندي آهي. هي نتيجو پڻ وجدان سان مطابقت رکي ٿو: هڪ مقرر رقم لاءِ، ٻن مثبت انگن جي پيداوار وڌ ۾ وڌ آهي جڏهن اهي برابر هوندا آهن.
Lagrange طريقي جي جاميٽري معنيٰ
جاميٽري طور تي، رڪاوٽ \( g(x,y)=0 \) جهاز ۾ هڪ وکر ٺاهيندي آهي. اسان پوري جهاز تي بهترين کي نه ڳولي رهيا آهيون، پر صرف وکر سان گڏ. بهترين نقطي تي، سطح جو وکر \( f(x,y)=k \) جيڪو رڪاوٽ وکر سان ٽينجنٽ آهي اهو ظاهر ڪري ٿو ته انهن جا گريڊيئنٽ متوازي آهن. هي ٽينجنسي مساوات \( \nabla f=\lambda \nabla g \) ۾ تبديل ٿي ويندي آهي.
هي مطلب وضاحت ڪرڻ ۾ مدد ڪري ٿو ته Lagrange جو طريقو ڇو ڪم ڪري ٿو: جيڪڏهن \( f \) جو گريڊينٽ رڪاوٽ جي گريڊينٽ سان متوازي نه آهي، ته پوءِ اڃا تائين رڪاوٽ وکر تي هدايتون آهن جن ۾ \( f \) جو قدر وڌي يا گهٽجي سگهي ٿو. بهترين نقطو بلڪل تڏهن ٿيندو آهي جڏهن "تيز ترين مٿي" هدايت کي رڪاوٽ جي ڀڃڪڙي ڪرڻ کان سواءِ نه ٿو وٺي سگهجي.
مختلف شعبن ۾ درخواستون
جيتوڻيڪ حسابن ۾ جڙيل آهن، لگرانگين طريقا مختلف شعبن ۾ وڏي پيماني تي استعمال ڪيا ويندا آهن. معاشيات ۾، اهي افاديت جي نظريي ۽ پيداوار جي اصلاح ۾ استعمال ٿيندا آهن. فزڪس ۾، لگرانگين تصور جا تجزياتي ميڪينڪس سان تاريخي ۽ رياضياتي لاڳاپا آهن. انجنيئرنگ ۽ ڪمپيوٽر سائنس ۾، اهي ڪيترن ئي اصلاحي الگورتھم لاءِ بنياد ٺاهيندا آهن، جن ۾ مشين لرننگ ۾ محدب اصلاح ۽ عددي طريقا شامل آهن.
اضافي طور تي، Lagrange multipliers ۾ اڪثر عملي تشريحون هونديون آهن. ڪجهه معاشي حوالي سان، مثال طور، \( \lambda \) هڪ رڪاوٽ جي "شيڊو قيمت" کي ظاهر ڪري سگهي ٿو: جيڪڏهن پابندي کي ٿورو نرم ڪيو وڃي ته بهترين قدر ڪيترو تبديل ٿئي ٿو.
حدون ۽ اهم نوٽس
Lagrange طريقو اميدوار حل فراهم ڪري ٿو، پر اهو ضروري طور تي ضمانت نٿو ڏئي ته اهي عالمي ميڪيما يا گهٽ ۾ گهٽ آهن. ڪڏهن ڪڏهن، مقابلو ڪرڻ لاءِ ڪيترائي اسٽيشنري نقطا هوندا آهن. وڌيڪ، هن طريقي کي اهو فرض ڪرڻ جي ضرورت آهي ته حل نقطي تي رڪاوٽ گريڊينٽ غير صفر آهي؛ جيڪڏهن \( \nabla g = 0 \)، صورتحال وڌيڪ پيچيده ٿي ويندي آهي ۽ خاص علاج جي ضرورت هوندي آهي.
عملي طور تي، اميدوار ڳولڻ کان پوءِ، اسان کي اڪثر اضافي حالتن جي جانچ ڪرڻ جي ضرورت پوندي آهي، جهڙوڪ ٻئي ڊيريويٽو ٽيسٽ استعمال ڪرڻ يا اميدوار تي فنڪشن ويلوز ۽ ممڪن ڊومين جي حدن جو مقابلو ڪرڻ.
پينوٽ اپ
حسابن ۾ Lagrange جو طريقو محدود اصلاح جي مسئلن کي حل ڪرڻ لاءِ هڪ طاقتور اوزار آهي. ضرب \( \lambda \) متعارف ڪرائڻ سان، هي طريقو شروعاتي طور تي ڏکيو مسئلو - پابندين جي ڪري - جزوي نڪتل مساواتن جي هڪ منظم نظام ۾ تبديل ڪري ٿو. هن طريقي کي سمجهڻ نه رڳو خالص رياضي ۾ مفيد آهي پر معاشيات، فزڪس، انجنيئرنگ، ۽ ٻين ڪيترن ئي شعبن ۾ پڻ انتهائي لاڳاپيل آهي جيڪي اصلاح تي ڀاڙين ٿا.
Lagrange جي طريقي ۾ مهارت حاصل ڪرڻ سان، اسان حقيقي دنيا جي مسئلن کي وڌيڪ رياضي ۽ ڪارآمد طريقي سان ماڊل ڪرڻ ۽ حل ڪرڻ جي صلاحيت حاصل ڪندا آهيون - هڪ مهارت جيڪا جديد ملٽي ويريئيٽ ڪيلڪيولس ۽ اصلاح ۾ هڪ اهم بنياد آهي.
