全局最大值

全局最大值 (Global Maximum)

全局最大值（Global Maximum），也称绝对最大值（Absolute Maximum），是最优化理论中的核心概念，指目标函数在其整个定义域（或可行域）上所能取到的最大值。对于函数 $f: \mathcal{D} \to \mathbb{R}$，点 $x^* \in \mathcal{D}$ 为全局最大值点当且仅当：

与此相对，局部最大值（Local Maximum）仅要求 $x^*$ 在某个邻域内最优。全局最大值一定是局部最大值，但反之不然。在经济学中，区分二者至关重要：消费者或企业的"最优"决策有且仅有全局最优解才能保证行为的理性与一致性，若误将局部极值当作最优，将导致次优决策和福利损失。

存在性条件：魏尔斯特拉斯定理

保证全局最大值存在的经典结果是魏尔斯特拉斯定理（Weierstrass Theorem）：若可行域 $\mathcal{D} \subseteq \mathbb{R}^n$ 为非空紧集（即有界闭集），且目标函数 $f$ 在 $\mathcal{D}$ 上连续，则 $f$ 在 $\mathcal{D}$ 上必然存在全局最大值和全局最小值。这一定理为经济学优化问题提供了基础保障：在消费者理论中，预算集为有界闭集，连续效用函数在其上必存在最大化点；在生产者理论中，连续生产函数在紧致投入集上同样可达最优。当可行域无界时（如某些无约束利润最大化问题），全局最大值的存在性不再自动保证，需要借助函数的凹凸性或增长阶条件。

凹性与全局最优的充分条件

在经济学最常见的优化框架中，凹函数的性质提供了判断全局最大值的简洁条件。对于无约束最大化问题 $\max_{x} f(x)$，若 $f$ 为凹函数（即 $\forall x, y, \; f(\lambda x + (1-\lambda)y) \ge \lambda f(x) + (1-\lambda)f(y), \; \lambda \in [0,1]$），则任何满足一阶条件 $\nabla f(x^*) = 0$ 的驻点自动成为全局最大值点。这是因为凹函数的图形始终位于其切线下方，驻点处的切线为水平超平面，从而 $f(x^*) \ge f(x)$ 对任意 $x$ 成立。这一结论在经济学中应用广泛：Cobb-Douglas效用函数取对数后为凹函数，其一阶条件直接给出全局最优的马歇尔需求；利润函数在标准假设下为凸函数，最大化需转而考虑凹的利润对偶结构。

对于约束优化问题，若目标函数为凹且约束函数为凸（即问题为凸优化问题），则KKT条件在满足约束规范时也是全局最优的充要条件。

全局优化在经济学中的应用

• 效用最大化：消费者在预算约束下最大化效用。若偏好为凸（效用函数为拟凹），则内点解的一阶条件给出的局部极值即为全局最大值，保证了需求函数的唯一性和良好性质。
• 利润最大化与成本最小化：利润最大化中，若生产技术非凸（如存在规模报酬递增），可能出现多个局部极值，全局最优需通过比较各候选点的利润水平确定。成本最小化中，等产量集为凸集则一阶条件直接给出全局最优的条件要素需求。
• 最大似然估计：MLE的目标是对数似然函数最大化。对数似然函数的全局最大值点即为参数的MLE估计量，其渐近性质（一致性、渐近正态性）建立在找到全局最优而非局部最优的前提上。在复杂模型（如混合模型、深度学习）中，对数似然可能高度非凹，需要借助EM算法、随机梯度下降等方法配合多起点策略和模拟退火等技术来逼近全局最大值。
• 社会福利最大化：社会福利函数的最大化用于寻找帕累托最优配置。当可行配置集为凸且福利函数为凹时，全局最优与社会最优等价，为福利经济学第二定理的数学基础。

数值求解与全局搜索

当目标函数非凹或可行域非凸时，经典梯度方法只能保证收敛到局部极值。寻找全局最大值需要全局优化算法，包括：多起点局部搜索（从多个随机初始点出发取最优）、模拟退火（以概率接受劣解以跳出局部谷底）、遗传算法（模拟进化过程探索参数空间）、分支定界法（系统划分解空间并利用上下界剪枝）以及贝叶斯优化（利用高斯过程代理模型高效搜索全局最优）。这些方法在计量经济学的复杂非线性估计和机器学习的超参数调优中发挥着关键作用。