拉格朗日函数

拉格朗日函数 (Lagrange Function)

拉格朗日函数 (Lagrange Function) 是数学优化理论中的核心工具，由十八世纪法国数学家约瑟夫·拉格朗日提出。它将一个受等式约束的优化问题转化为无约束的等价问题，从而使得我们可以利用微积分中的标准技术来寻找目标函数的极值点（最大值或最小值）。这一方法被称为拉格朗日乘数法 (Method of Lagrange Multipliers)。

该函数在经济学与金融学中有着极其广泛的应用。无论是消费者的效用最大化问题（在预算约束下选择最优商品组合）、生产者的成本最小化问题（在产量目标下选择最优要素投入），还是在资产定价和投资组合优化中，拉格朗日函数都是处理"在限制条件下求最优"这一核心经济逻辑的标准数学工具。

函数的构建

设目标函数为 $f(x_1, \ldots, x_n)$，受 $m$ 个等式约束 $g_j(x_1, \ldots, x_n) = c_j$（$j=1,\ldots,m$）。引入拉格朗日乘数 $\lambda_j$，拉格朗日函数构造为：

原先的约束优化问题转化为寻找 $L$ 的临界点问题——将几何搜索变成了代数求解。

一阶条件

最优解的必要条件是 $L$ 对所有变量的偏导数为零：

• $\partial L/\partial x_i = \partial f/\partial x_i - \sum_j \lambda_j \cdot \partial g_j/\partial x_i = 0$
• $\partial L/\partial \lambda_j = -(g_j - c_j) = 0$，还原了约束条件本身

几何直观

在最优点处，目标函数的梯度 $\nabla f$ 与约束函数的梯度 $\nabla g$ 必须平行——即等高线与约束曲线相切。这等价于存在标量 $\lambda$ 使 $\nabla f = \lambda \nabla g$，恰好对应一阶条件。

经济学解释：影子价格

拉格朗日乘数 $\lambda_j^*$ 的经济含义是影子价格，衡量约束常数 $c_j$ 的微小变化对最优目标值的影响：

在消费者理论中，$\lambda$ 代表收入的边际效用；在生产理论中，$\lambda$ 对应边际成本。

案例分析：柯布-道格拉斯效用最大化

设 $U(x,y) = x^{0.5}y^{0.5}$，$p_x=2, p_y=4, M=100$。

1. 构造拉格朗日函数：$L = x^{0.5}y^{0.5} - \lambda(2x+4y-100)$
2. 一阶条件：$\partial L/\partial x = 0.5x^{-0.5}y^{0.5} - 2\lambda = 0$，$\partial L/\partial y = 0.5x^{0.5}y^{-0.5} - 4\lambda = 0$，$2x+4y=100$
3. 解得 $x^* = 25$，$y^* = 12.5$，$\lambda \approx 0.177$

结果为边际替代率等于价格比——消费者均衡的标志。

进一步推广

一阶条件是必要条件而非充分条件。判断候选解的性质需检验加边海森矩阵的定号性。当问题包含不等式约束时，需推广为卡鲁什-库恩-塔克条件 (KKT)，后者是现代非线性规划的理论基石。