לאַגראַנזש'ס מעטאָד אין קאַלקולוס
די לאַגראַנדזש מעטאָדע איז אַ וויכטיקע טעכניק אין קאַלקולוס וואָס ווערט ברייט גענוצט צו סאָלווען אָפּטימיזאַציע פּראָבלעמען, ספּעציעל ווען אַ פֿונקציע מוז ווערן מאַקסאַמייזד אָדער מינימיזירט אונטער געוויסע באַדינגונגען (באַגרענעצונגען). אין פאַקטישן לעבן, פּראָבלעמען ווי מאַקסאַמייזינג פּראָפֿיטן מיט לימיטירט קאַפּיטאַל, מינימיזירן פּראָדוקציע קאָסטן מיט לימיטירטע רעסורסן, אָדער באַשטימען דעם מערסט עפֿעקטיוו פּלאַן מיט געוויסע באַדינגונגען קענען אָפֿט ווערן מאָדעלירט מיט באַגרענעצטער אָפּטימיזאַציע. דאָס איז וווּ די לאַגראַנדזש מעטאָדע - אויך באַקאַנט ווי די לאַגראַנדזש מאַלטיפּלייער מעטאָדע - שפּילט אַ צענטראַלע ראָלע.
גרונטלעכע קאנצעפטן פון אפטימיזאציע
אין עלעמענטארער קאַלקולוס, ווערט אומבאַגרענעצטע אָפּטימיזאַציע דורכגעפירט דורך געפֿינען די קריטישע פּונקטן פֿון אַ פֿונקציע \(f(x) \) דורך איר ערשטער דעריוואַטיוו: מיר געפֿינען \(f'(x)=0 \) און דערנאָך קאָנטראָלירן צי יענער פּונקט גיט אַ מאַקסימום אָדער אַ מינימום. אָבער, פֿיל פּראָבלעמען זענען נישט אַזוי פּשוט. למשל, מיר ווילן מאַקסאַמיזירן די פֿונקציע \(f(x,y) \), אָבער די ווערטן פֿון \(x \) און \(y \) מוזן באַפֿרידיקן אַ באַדינגונג, ווי למשל \(g(x,y)=0 \). די באַדינגונג באַגרענעצט דעם לייזונג-פּלאַץ, אַזוי מיר קענען נישט אויסקלײַבן \(x \) און \(y \) לויטן ווילן.
לאַגראַנדזש'ס מעטאָדע אָפפערט אַ סיסטעמאַטישן וועג צו געפֿינען דעם אָפּטימאַלן פּונקט אין אַ פּלאַץ באַגרענעצט דורך די באַגרענעצונגען. די אינטואיציע הינטער דעם מעטאָדע איז פֿאַרבונדן מיט געאָמעטריע: בײַם אָפּטימאַלן פּונקט אונטער דער באַגרענעצונג \(g(x,y)=0 \), מוז די ריכטונג פֿון דער גרעסטער ענדערונג פֿון דער פֿונקציע \(f \) זײַן "פּאַראַלעל" צו דער ריכטונג פֿון דער גרעסטער ענדערונג פֿון דער באַגרענעצונג \(g \). די ריכטונג פֿון דער גרעסטער ענדערונג פֿון אַ מולטיוואַריאַטער פֿונקציע ווערט געגעבן דורך דעם גראַדיענט, נעמלעך \(\nabla f \) און \(\nabla g \). דעריבער, בײַם אָפּטימאַלן פּונקט, האַלט זיך די באַציִונג:
\[
\nabla f(x,y) = \lambda \nabla g(x,y)
\]
וואו Σ(Σ) איז אַ קאָנסטאַנט גערופֿן דער לאַגראַנדזש מולטיפּלייער.
פֿאַרשטיין לאַגראַנדזש מולטיפּלייערס
דער לאַגראַנדזש מולטיפּלייער, _( _lambda \), קען פֿאַרשטאַנען ווערן ווי אַ סקיילינג פֿאַקטאָר וואָס פֿאַרבינדט דעם גראַדיענט פֿון דער אָביעקטיוו פֿונקציע און דעם גראַדיענט פֿון די באַגרענעצונגען. פּראַקטיש, _( _lambda \) העלפֿט אונדז "קאָמבינירן" די אָביעקטיוו פֿונקציע און באַגרענעצונגען אין אַ פֿאָרעם וואָס איז גרינגער צו אַנאַליזירן.
כדי צו לייזן א באגרענעצטע אפטימיזאציע פראבלעם מיט איין באגרענעצונג, קאנסטרואירן מיר א נייע פונקציע גערופן די לאגראנגיאנע פונקציע:
\[
מאַטקאַל {ל} (רענטגענ, י, \ לאַמבדאַ) = פ (רענטגענ, י) - \ לאַמבדאַ (ג (רענטגענ, י))
\]
דאס מינוס סימן איז נאר א קאנווענשאן; מאנchmal ווערט א פלוס סימן גענוצט, לויטן געוויסע פרעפערענץ. די הויפט געדאנק איז אז מיר געפינען דאן די סטאציאנערע פונקטן פון \( \mathcal{L} \) דורך דיפערענציירן אין באצוג צו אלע וועריאַבלען (אריינגערעכנט \( \lambda \)) און גלייכשטעלן צו נול:
\[
\frac{\partial \mathcal{L}}{\partial x} = 0, \frac{\partial \mathcal{L}}{\partial y} = 0, \frac{\partial \mathcal{L}}{\partial \lambda} = 0
\]
די לעצטע גלייכונג, \( \frac{\partial \mathcal{L}}{\partial \lambda} = 0 \), שטעלט צוריק די באגרענעצונג \(g(x,y)=0 \), אַזוי אַז די רעזולטאַט סיסטעם פון גלייכונגען רעספּעקטירט נאָך די פּראָבלעם באגרענעצונגען.
טריט פון די לאַגראַנזש מעטאָד
אין קורצן, קען מען צוזאמענפאסן די לאגראנזש מעטאד פראצעדור ווי פאלגנד:
1. באַשטימען די פונקציע וואָס דאַרף אָפּטימיזירט ווערן, למשל \( f(x,y) \).
2. באַשטימט די באַגרענעצונגען אין דער פֿאָרעם \(g(x,y)=0 \).
3. שאַפֿט די לאַגראַנדזשיאַן פֿונקציע \( \mathcal{L}(x,y,\lambda) = f(x,y) - \lambda g(x,y) \).
4. רעכנט אויס די פּאַרציעלע דעריוואַטיוון פון \( \mathcal{L} \) אין באַצוג צו \( x \), \( y \), און \( \lambda \).
5. לייזט אויס די סיסטעם פון גלייכונגען וועמענס טיילווייזע דעריוואטיוון זענען געשטעלט צו נול.
6. פּרוביר קאַנדידאַט לייזונגען צו באַשטימען צי זיי פּראָדוצירן אַ מאַקסימום אָדער מינימום, אויב נייטיק.
די מעטאָדע קען אויסגעברייטערט ווערן צו מער ווי איין באגרענעצונג. אויב עס זענען דא צוויי באגרענעצונגען, למשל \( g(x,y,z)=0 \) און \( h(x,y,z)=0 \), דעמאָלט ווערט די לאַגראַנדזשיאַן:
\[
\ מאַטהקאַל {ל} (רענטגענ, י, ז, \ לאַמבדאַ, \ מו) = פ (קסנומקס, י, ז) - \ לאַמבדאַ ג (רענטגענ, י, ז) - \ מו ה (רענטגענ, י, ז)
\]
דאָ דערשיינט אַן נאָך מערפאַכער, נעמלעך \( \mu \).
פּשוט בייַשפּיל
לאָמיר זאָגן מיר ווילן מאַקסאַמיזירן די פונקציע:
\[
f(x,y)=xy
\]
מיט באַגרענעצונגען:
\[
x+y=10
\]
אדער אין דער פאָרעם \( g(x,y)=x+y-10=0 \).
לאַגראַנדזשיאַן פאָרעם:
\[
\ מאַטהקאַל {ל} (רענטגענ, י, \ לאַמבדאַ) = קסי- \ לאַמבדאַ (רענטגענ + י-10)
\]
טיילווייזע דעריוואַטיוון:
\[
\frac{\partial \mathcal{L}}{\partial x} = y-\lambda=0
\]
\[
\frac{\partial \mathcal{L}}{\partial y} = x - \lambda = 0
\]
\[
\frac{\partial \mathcal{L}}{\partial \lambda} = - (x + y - 10) = 0
\]
פֿון די ערשטע צוויי גלייכונגען באַקומען מיר _(y=_lambda_) און _(x=_lambda_), אַזוי אַז _(x=y_). ווען מען לייגט אַרײַן אין דער באַגרענעצונג _(x+y=10_), באַקומט מען _(2x=10_ \Rightarrow x=5_). דעריבער _(y=5_).
אַזוי דער מאַקסימום ווערט פון _(xy)_ אונטער דער באַגרענעצונג _(x+y=10)_ קומט פֿאָר ביי _(x=5)_ און _(y=5), מיט אַ מאַקסימום ווערט פון _(f(5,5)=25)_. דאָס רעזולטאַט איז אויך אין לויט מיט אינטואיציע: פֿאַר אַ פֿיקסירטע סומע, איז דער פּראָדוקט פֿון צוויי פּאָזיטיווע נומערן מאַקסימום ווען זיי זענען גלייך.
געאמעטרישע באַדייטונג פון לאַגראַנזש מעטאָד
געאמעטריש, די באגרענעצונג \(g(x,y)=0 \) פארמירט א קורווע אין דער פלאך. מיר זוכן נישט דעם אפטימום איבער דער גאנצער פלאך, נאר נאר לענגאויס דער קורווע. ביים אפטימום פונקט, די לעוועל קורווע \(f(x,y)=k \) וואס איז טאנגענט צו דער באגרענעצונג קורווע ווייזט אז זייערע גראדיענטן זענען פאראלעל. די טאנגענץ ווערט טראנספארמירט אין דער גלייכונג \(\nabla f=\lambda \nabla g \).
די באַדייטונג העלפֿט דערקלערן פאַרוואָס לאַגראַנדזש'ס מעטאָדע אַרבעט: אויב דער גראַדיענט פֿון \(f \) איז נישט פּאַראַלעל צום גראַדיענט פֿון דער באַגרענעצונג, דאַן זענען נאָך דאָ ריכטונגען אויף דער באַגרענעצונג קורווע אין וועלכע דער ווערט פֿון \(f \) קען זיך פֿאַרגרעסערן אָדער פֿאַרקלענערן. דער אָפּטימאַלער פּונקט קומט פֿאָר פּונקט ווען די "שנעלסטע אַרויף" ריכטונג קען מער נישט גענומען ווערן אָן צו פֿאַרלעצן די באַגרענעצונג.
אַפּליקאַציעס אין פֿאַרשידענע פֿעלדער
כאָטש זיי זענען איינגעוואָרצלט אין קאַלקולוס, ווערן לאַגראַנדזשיאַן מעטאָדן ברייט גענוצט אין פֿאַרשידענע דיסציפּלינעס. אין עקאָנאָמיק ווערן זיי גענוצט אין נוצן טעאָריע און פּראָדוקציע אָפּטימיזאַציע. אין פֿיזיק, האט דער לאַגראַנדזשיאַן באַגריף היסטאָרישע און מאַטעמאַטישע פֿאַרבינדונגען מיט אַנאַליטישע מעכאַניק. אין אינזשעניריע און קאָמפּיוטער וויסנשאַפֿט, פֿאָרמען זיי די באַזע פֿאַר פֿילע אָפּטימיזאַציע אַלגעריטמען, אַרייַנגערעכנט קאָנוועקס אָפּטימיזאַציע און נומערישע מעטאָדן אין מאַשין לערנען.
דערצו, לאַגראַנדזש מולטיפּליערס האָבן אָפט פּראַקטישע אינטערפּרעטאַציעס. אין עטלעכע עקאָנאָמישע קאָנטעקסטן, למשל, קען \( \lambda \) אָנווייַזן דעם "שאָטן פּרייַז" פון אַ קאַנסטריינט: ווי פיל דער אָפּטימאַל ווערט ענדערט זיך אויב די קאַנסטריינט איז אַ ביסל רילאַקסט.
לימיטאַציעס און וויכטיקע הערות
די לאַגראַנדזש מעטאָדע גיט קאַנדידאַט לייזונגען, אָבער עס גאַראַנטירט נישט אַז זיי זענען גלאָבאַלע מאַקסימאַ אָדער מינימאַ. מאל זענען דאָ קייפל סטאַציאָנאַרע פונקטן צו פאַרגלייַכן. דערצו, די מעטאָדע ריקווייערז די הנחה אַז די קאַנסטריינט גראַדיענט איז נישט נול אין די לייזונג פונט; אויב \( \nabla g = 0 \), די סיטואַציע ווערט מער קאָמפּליצירט און ריקווייערז ספּעציעלע באַהאַנדלונג.
אין פּראַקטיק, נאָכן געפֿינען אַ קאַנדידאַט, דאַרפֿן מיר אָפֿט קאָנטראָלירן נאָך באַדינגונגען, ווי למשל ניצן דעם צווייטן דעריוואַטיוו טעסט אָדער פֿאַרגלײַכן די פֿונקציע ווערטן אויף דעם קאַנדידאַט און די מעגלעכע דאָמעין גרענעצן.
קלאָוזינג
לאַגראַנדזש'ס מעטאָדע אין קאַלקולוס איז אַ שטאַרק געצייַג פֿאַר סאָלווינג באַגרענעצטע אָפּטימיזאַציע פּראָבלעמען. דורך אײַנפֿירן דעם מולטיפּלייער _( \lambda \), טראַנספאָרמירט די מעטאָדע אַן אָנהייב שווערע פּראָבלעם - צוליב באַגרענעצונגען - אין אַ סטרוקטורירט סיסטעם פון טיילווייזע דעריוואַטיווע גלייכונגען. פֿאַרשטיין די מעטאָדע איז נישט בלויז נוצלעך אין ריינער מאַטעמאַטיק, נאָר אויך זייער באַטייַטיק אין עקאָנאָמיק, פֿיזיק, אינזשעניריע און פילע אַנדערע פֿעלדער וואָס פֿאַרלאָזן זיך אויף אָפּטימיזאַציע.
דורך באַהערשן לאַגראַנדזש'ס מעטאָד, באַקומען מיר די מעגלעכקייט צו מאָדעלירן און סאָלווען רעאַלע פּראָבלעמען מער מאַטעמאַטיש און עפֿעקטיוו - אַ בקיאקייט וואָס איז אַ וויכטיקע יסוד אין מאָדערנער מולטיוואַריאַט קאַלקולוס און אָפּטימיזאַציע.
