วิธีของลากรองจ์ในแคลคูลัส
วิธีของลากรางจ์เป็นเทคนิคสำคัญในแคลคูลัสที่ใช้กันอย่างแพร่หลายในการแก้ปัญหาการหาค่าเหมาะสมที่สุด โดยเฉพาะอย่างยิ่งเมื่อต้องหาค่าสูงสุดของหรือค่าต่ำสุดของฟังก์ชันภายใต้เงื่อนไขบางประการ (ข้อจำกัด) ในชีวิตจริง ปัญหาต่างๆ เช่น การเพิ่มผลกำไรสูงสุดด้วยเงินทุนที่จำกัด การลดต้นทุนการผลิตให้น้อยที่สุดด้วยทรัพยากรที่จำกัด หรือการกำหนดการออกแบบที่มีประสิทธิภาพที่สุดภายใต้เงื่อนไขบางประการ มักจะสามารถจำลองได้โดยใช้การหาค่าเหมาะสมที่สุดแบบมีข้อจำกัด ซึ่งนี่คือจุดที่วิธีของลากรางจ์—หรือที่รู้จักกันในชื่อวิธีตัวคูณลากรางจ์—มีบทบาทสำคัญ
แนวคิดพื้นฐานของการหาค่าที่เหมาะสม ที่สุด
ในแคลคูลัสเบื้องต้น การหาค่าเหมาะสมที่สุดแบบไม่มีข้อจำกัดจะทำได้โดยการหาจุดวิกฤตของฟังก์ชัน \( f(x) \) ผ่านอนุพันธ์อันดับแรก: เราหา \( f'(x)=0 \) แล้วตรวจสอบว่าจุดนั้นให้ค่าสูงสุดหรือค่าต่ำสุด อย่างไรก็ตาม ปัญหาหลายอย่างไม่ได้ง่ายอย่างนั้น ตัวอย่างเช่น เราต้องการหาค่าสูงสุดของฟังก์ชัน \( f(x,y) \) แต่ค่าของ \( x \) และ \( y \) ต้องเป็นไปตามเงื่อนไข เช่น \( g(x,y)=0 \) เงื่อนไขนี้จำกัดพื้นที่ของคำตอบ ดังนั้นเราจึงไม่สามารถเลือก \( x \) และ \( y \) ได้ตามใจชอบ
วิธีของลากรองจ์เสนอวิธีการที่เป็นระบบในการค้นหาจุดที่เหมาะสมที่สุดในปริภูมิที่ถูกจำกัดด้วยข้อจำกัดเหล่านี้ แนวคิดเบื้องหลังวิธีนี้เกี่ยวข้องกับเรขาคณิต: ณ จุดที่เหมาะสมที่สุดภายใต้ข้อจำกัด \( g(x,y)=0 \) ทิศทางของการเปลี่ยนแปลงมากที่สุดของฟังก์ชัน \( f \) จะต้อง "ขนาน" กับทิศทางของการเปลี่ยนแปลงมากที่สุดของข้อจำกัด \( g \) ทิศทางของการเปลี่ยนแปลงมากที่สุดของฟังก์ชันหลายตัวแปรนั้นกำหนดโดยเกรเดียนต์ นั่นคือ \( \nabla f \) และ \( \nabla g \) ดังนั้น ณ จุดที่เหมาะสมที่สุด ความสัมพันธ์จะเป็นดังนี้:
\[
\nabla f(x,y) = \lambda \nabla g(x,y)
\]
โดยที่ λ คือค่าคงที่ที่เรียกว่าตัวคูณลากรางจ์
ทำความเข้าใจเกี่ยวกับตัวคูณลากรางจ์
ตัวคูณลากรางจ์ \( \lambda \) สามารถเข้าใจได้ว่าเป็นตัวปรับขนาดที่เชื่อมโยงความชันของฟังก์ชันเป้าหมายและความชันของข้อจำกัด ในทางปฏิบัติ \( \lambda \) ช่วยให้เรา "รวม" ฟังก์ชันเป้าหมายและข้อจำกัดเข้าด้วยกันในรูปแบบที่วิเคราะห์ได้ง่ายขึ้น
เพื่อแก้ปัญหาการหาค่าเหมาะสมที่สุดแบบมีข้อจำกัดหนึ่งข้อ เราจึงสร้างฟังก์ชันใหม่ที่เรียกว่าฟังก์ชันลากรางจ์:
\[
\mathcal{L}(x,y,\lambda) = f(x,y) – \lambda (g(x,y))
\]
เครื่องหมายลบเป็นเพียงข้อตกลงเท่านั้น บางครั้งอาจใช้เครื่องหมายบวกก็ได้ ขึ้นอยู่กับความชอบ หลักการสำคัญคือ เราจะหาจุดนิ่งของ \( \mathcal{L} \) โดยการหาอนุพันธ์เทียบกับตัวแปรทั้งหมด (รวมถึง \( \lambda \)) แล้วกำหนดให้เท่ากับศูนย์:
\[
\frac{\partial \mathcal{L}}{\partial x} = 0,\quad \frac{\partial \mathcal{L}}{\partial y} = 0,\quad \frac{\partial \mathcal{L}}{\partial \lambda} = 0
\]
สมการสุดท้าย \( \frac{\partial \mathcal{L}}{\partial \lambda} = 0 \) จะคืนค่าข้อจำกัด \( g(x,y)=0 \) กลับมา ทำให้ระบบสมการที่ได้ยังคงสอดคล้องกับข้อจำกัดของปัญหา
ขั้นตอนของวิธีการลากรางจ์
โดยสรุปแล้ว ขั้นตอนวิธีของลากรางจ์สามารถสรุปได้ดังนี้:
1. กำหนดฟังก์ชันที่ต้องการหาค่าเหมาะสมที่สุด เช่น \( f(x,y) \).
2. กำหนดข้อจำกัดในรูปแบบ \( g(x,y)=0 \).
3. สร้างฟังก์ชันลากรางจ์ \( \mathcal{L}(x,y,\lambda)=f(x,y)-\lambda g(x,y) \).
4. คำนวณอนุพันธ์ย่อยของ \( \mathcal{L} \) เทียบกับ \( x \), \( y \) และ \( \lambda \).
5. จงแก้ระบบสมการที่มีอนุพันธ์ย่อยเท่ากับศูนย์
6. ทดสอบวิธีแก้ปัญหาที่เสนอเพื่อพิจารณาว่าวิธีใดให้ค่าสูงสุดหรือต่ำสุด หากจำเป็น
วิธีนี้สามารถขยายไปใช้กับข้อจำกัดมากกว่าหนึ่งข้อได้ เช่น หากมีข้อจำกัดสองข้อ เช่น \( g(x,y,z)=0 \) และ \( h(x,y,z)=0 \) แล้วลากรางเจียนจะเป็นดังนี้:
\[
\mathcal{L}(x,y,z,\lambda,\mu)=f(x,y,z) – \lambda g(x,y,z) – \mu h(x,y,z)
\]
ในที่นี้จะมีตัวคูณเพิ่มเติมปรากฏขึ้น นั่นคือ \( \mu \).
ตัวอย่างง่ายๆ
สมมติว่าเราต้องการหาค่าสูงสุดของฟังก์ชันนี้:
\[
f(x,y)=xy
\]
โดยมีข้อจำกัด:
\[
x + y = 10
\]
หรือในรูปแบบ \( g(x,y)=x+y-10=0 \)
รูปแบบลากรางจ์:
\[
\คณิตศาสตร์{L}(x,y,\lambda)=xy-\lambda(x+y-10)
\]
อนุพันธ์ย่อย:
\[
\frac{\partial \mathcal{L}}{\partial x}=y-\lambda=0
\]
\[
\frac{\partial \mathcal{L}}{\partial y}=x-\lambda=0
\]
\[
\frac{\partial \mathcal{L}}{\partial \lambda}=-(x+y-10)=0
\]
จากสมการสองสมการแรก เราจะได้ y=λ และ x=λ ดังนั้น x=y เมื่อแทนค่าลงในเงื่อนไข x+y=10 จะได้ 2x=10 → x=5 ดังนั้น y=5
ดังนั้น ค่าสูงสุดของ \( xy \) ภายใต้เงื่อนไข \( x+y=10 \) เกิดขึ้นที่ \( x=5 \) และ \( y=5 \) โดยมีค่าสูงสุดคือ \( f(5,5)=25 \) ผลลัพธ์นี้ยังสอดคล้องกับสัญชาตญาณด้วย กล่าวคือ สำหรับผลรวมคงที่ ผลคูณของจำนวนบวกสองจำนวนจะมีค่าสูงสุดเมื่อจำนวนทั้งสองเท่ากัน
ความหมายทางเรขาคณิตของวิธีการของลากรางจ์
ในทางเรขาคณิต ข้อจำกัด \( g(x,y)=0 \) ก่อให้เกิดเส้นโค้งบนระนาบ เราไม่ได้มองหาจุดที่เหมาะสมที่สุดบนระนาบทั้งหมด แต่มองหาเฉพาะตามเส้นโค้งเท่านั้น ณ จุดที่เหมาะสมที่สุด เส้นโค้งระดับ \( f(x,y)=k \) ที่สัมผัสกับเส้นโค้งข้อจำกัด แสดงว่าความชันของเส้นโค้งทั้งสองขนานกัน การสัมผัสนี้ถูกแปลงเป็นสมการ \( \nabla f=\lambda \nabla g \).
ความหมายนี้ช่วยอธิบายว่าเหตุใดวิธีการของลากรางจ์จึงได้ผล: หากความชันของ f ไม่ขนานกับความชันของข้อจำกัด ก็ยังมีทิศทางบนเส้นโค้งข้อจำกัดที่ค่าของ f สามารถเพิ่มขึ้นหรือลดลงได้ จุดที่เหมาะสมที่สุดจะเกิดขึ้นอย่างแม่นยำเมื่อทิศทาง "ขึ้นเร็วที่สุด" ไม่สามารถเลือกได้อีกต่อไปโดยไม่ละเมิดข้อจำกัด
นำไปประยุกต์ใช้ในหลากหลายสาขา
แม้ว่าวิธีการของลากรางจ์จะมีรากฐานมาจากแคลคูลัส แต่ก็มีการใช้งานอย่างแพร่หลายในหลากหลายสาขาวิชา ในทางเศรษฐศาสตร์ วิธีการเหล่านี้ถูกนำไปใช้ในทฤษฎีอรรถประโยชน์และการเพิ่มประสิทธิภาพการผลิต ในทางฟิสิกส์ แนวคิดของลากรางจ์มีความเชื่อมโยงทางประวัติศาสตร์และทางคณิตศาสตร์กับกลศาสตร์เชิงวิเคราะห์ ในทางวิศวกรรมและวิทยาศาสตร์คอมพิวเตอร์ วิธีการเหล่านี้เป็นพื้นฐานของอัลกอริธึมการเพิ่มประสิทธิภาพหลายอย่าง รวมถึงการเพิ่มประสิทธิภาพแบบนูนและวิธีการเชิงตัวเลขในด้านการเรียนรู้ของเครื่องจักร
นอกจากนี้ ตัวคูณลากรางจ์มักมีการตีความในทางปฏิบัติ ในบริบททางเศรษฐศาสตร์บางอย่าง ตัวอย่างเช่น λ สามารถบ่งชี้ถึง "ราคาเงา" ของข้อจำกัดได้ กล่าวคือ ค่าที่เหมาะสมที่สุดจะเปลี่ยนแปลงไปมากน้อยเพียงใดหากข้อจำกัดนั้นผ่อนคลายลงเล็กน้อย
ข้อจำกัดและหมายเหตุสำคัญ
วิธีของลากรางจ์ให้คำตอบที่เป็นไปได้ แต่ไม่รับประกันว่าคำตอบเหล่านั้นจะเป็นค่าสูงสุดหรือต่ำสุดทั่วโลกเสมอไป บางครั้งอาจมีจุดนิ่งหลายจุดให้เปรียบเทียบ นอกจากนี้ วิธีนี้ยังต้องอาศัยข้อสมมติฐานที่ว่าเกรเดียนต์ของข้อจำกัดมีค่าไม่เป็นศูนย์ที่จุดคำตอบ หาก √g = 0 สถานการณ์จะซับซ้อนมากขึ้นและต้องได้รับการจัดการเป็นพิเศษ
ในทางปฏิบัติ หลังจากที่เราพบผู้สมัครแล้ว เรามักจะต้องตรวจสอบเงื่อนไขเพิ่มเติม เช่น การใช้การทดสอบอนุพันธ์อันดับสอง หรือการเปรียบเทียบค่าฟังก์ชันบนผู้สมัครและขอบเขตโดเมนที่เป็นไปได้
ปิด
วิธีของลากรองจ์ในแคลคูลัสเป็นเครื่องมือที่มีประสิทธิภาพสำหรับการแก้ปัญหาการหาค่าเหมาะสมที่สุดภายใต้ข้อจำกัด โดยการแนะนำตัวคูณ λ วิธีนี้จะเปลี่ยนปัญหาที่ยากในตอนแรก—เนื่องจากข้อจำกัด—ให้กลายเป็นระบบสมการอนุพันธ์ย่อยที่มีโครงสร้าง การเข้าใจวิธีนี้ไม่เพียงแต่มีประโยชน์ในคณิตศาสตร์บริสุทธิ์เท่านั้น แต่ยังมีความเกี่ยวข้องอย่างมากในเศรษฐศาสตร์ ฟิสิกส์ วิศวกรรม และสาขาอื่นๆ อีกมากมายที่อาศัยการหาค่าเหมาะสมที่สุด
ด้วยการเรียนรู้และเชี่ยวชาญวิธีการของลากรองจ์ เราจะสามารถสร้างแบบจำลองและแก้ปัญหาในโลกแห่งความเป็นจริงได้อย่างมีประสิทธิภาพและแม่นยำยิ่งขึ้นในเชิงคณิตศาสตร์ ซึ่งเป็นทักษะที่เป็นพื้นฐานสำคัญในแคลคูลัสหลายตัวแปรและการหาค่าเหมาะสมที่สุดในยุคปัจจุบัน
