卡罗需-库恩-塔克条件

卡罗需-库恩-塔克条件 (Karush-Kuhn-Tucker Conditions)

卡罗需-库恩-塔克条件（Karush-Kuhn-Tucker Conditions），通常简称KKT条件，是非线性规划领域中用于判断一个解是否为最优解的一组一阶必要条件，为经典拉格朗日乘数法的推广，能处理包含不等式约束的优化问题。在运筹学、经济学、金融工程和机器学习等众多领域，KKT条件是分析和求解约束优化问题的基石。理论最初由William Karush在1939年硕士论文中提出但未公开发表，直至1951年Harold W. Kuhn和Albert W. Tucker重新独立发现并使其广为人知。

优化问题形式与KKT四条件

标准非线性规划问题为，最小化 $f(x)$，约束于不等式约束 $g_i(x) \le 0$（$i = 1, \ldots, m$）和等式约束 $h_j(x) = 0$（$j = 1, \ldots, l$）。通过引入拉格朗日函数 $L(x, \mu, \lambda) = f(x) + \sum \mu_i g_i(x) + \sum \lambda_j h_j(x)$，其中 $\mu_i$ 和 $\lambda_j$ 为对偶变量（KKT乘子），对应不等式和等式约束。

假设 $x^*$ 为局部最优解且满足约束规格（如线性无关约束规格LICQ），则存在乘子 $\mu^*$ 和 $\lambda^*$ 使四点条件同时满足。

定常性：$\nabla_x L(x^*, \mu^*, \lambda^*) = \nabla f(x^*) + \sum \mu_i^* \nabla g_i(x^*) + \sum \lambda_j^* \nabla h_j(x^*) = \mathbf{0}$，即费马引理在约束优化下的推广，最优点目标函数的下降方向被约束的梯度方向所平衡。

原始可行性：$x^*$ 满足所有原始约束，即 $g_i(x^*) \le 0$ 和 $h_j(x^*) = 0$。

对偶可行性：与不等式约束关联的KKT乘子需非负，$\mu_i^* \ge 0$。$\mu_i^*$ 在经济学上可解释为第i个不等式约束的影子价格，衡量约束被放松时目标函数最优值的下降量，因放松约束即扩大可行域不可使最优值变差，故价格非负。

互补松弛性：$\mu_i^* g_i(x^*) = 0$（对所有i）。若约束不起作用（松弛，$g_i(x^*) < 0$），则对应的KKT乘子为零 $\mu_i^* = 0$，没被用尽的约束对最优值无贡献其影子价格为零。若约束起作用（紧，$g_i(x^*) = 0$），则其乘子可严格为正 $\mu_i^* > 0$，约束限制直接影响最优值。等式约束的乘子 $\lambda_j^*$ 符号不受限制。

经济学解释与应用

KKT条件在经济学中的应用核心是通过影子价格解释稀缺资源的分配。在凸优化中（目标函数和不等式约束为凸函数、等式约束为仿射），KKT条件不仅是必要条件也是充分条件，任何满足KKT条件的可行点即为全局最优解。在支持向量机（SVM）的训练中，KKT条件是推导对偶问题的理论基础；在约束强化学习和稳健优化中，KKT条件用于刻画最优策略的必要特征。卡罗需-库恩-塔克条件作为约束优化的统一框架，以四条件的简洁形式综合了最优解的必要信息，在微观经济学的消费者效用最大化和企业成本最小化等决策模型中是标准化的分析工具。