数学优化

数学优化 (Mathematical Optimization)

数学优化 (Mathematical Optimization) 是应用数学的核心分支，研究在给定约束条件下从可行集合中选择使目标函数达到最优值（极大或极小）的决策变量。数学优化为经济学提供了统一的建模语言：消费者在预算约束下最大化效用、企业在技术约束下最小化成本或最大化利润、社会计划者在资源约束下最大化社会福利，这些问题都可归约为优化问题。优化理论构成了从微观经济学到宏观经济学、从计量经济学到金融经济学的数学基础。

优化的基本分类

数学优化按问题结构可分为若干主要类别。线性规划 (Linear Programming, LP) 的目标函数和约束均为决策变量的线性函数，由单纯形法和内点法高效求解，广泛应用于生产计划、运输问题和数据包络分析。非线性规划 (Nonlinear Programming, NLP) 允许目标或约束为非线性函数，是经济学中最常见的优化形式——效用函数、生产函数和成本函数通常是非线性的。凸优化 (Convex Optimization) 是一类特殊且重要的非线性规划：当目标函数为凸函数（极小化）或凹函数（极大化）且可行集为凸集时，任何局部最优解必然是全局最优解，这极大简化了求解与分析。经济学中的许多标准问题——如 Cobb-Douglas效用函数下的效用最大化、成本最小化——都是凸优化问题。

无约束优化仅需目标函数可微即可应用费马引理的一阶条件 $\nabla f(\mathbf{x}^*) = \mathbf{0}$。但经济学中绝大多数问题涉及约束优化：预算约束、技术约束、资源约束或制度约束。约束优化的一般形式为：

一阶条件：从拉格朗日到KKT

约束优化的核心工具是拉格朗日乘数法。对于等式约束问题 $\max f(\mathbf{x}) \;\text{s.t.}\; \mathbf{h}(\mathbf{x}) = \mathbf{0}$，构造拉格朗日函数 $\mathcal{L}(\mathbf{x}, \boldsymbol{\lambda}) = f(\mathbf{x}) - \boldsymbol{\lambda}^\top \mathbf{h}(\mathbf{x})$，其一阶条件 $\nabla_{\mathbf{x}} \mathcal{L} = \mathbf{0}$ 与约束条件联立确定最优解。拉格朗日乘子 $\lambda_j$ 的经济含义是约束的影子价格——资源约束放松一单位对目标函数最优值的边际贡献。

对于同时包含等式和不等式约束的一般问题，卡罗需-库恩-塔克条件 (KKT Conditions) 提供了最优解的必要条件。在目标函数可微且满足约束规范（如线性无关约束规范或 Slater 条件）的前提下，最优解 $\mathbf{x}^*$ 处存在乘子 $\boldsymbol{\mu} \geq \mathbf{0}$ 和 $\boldsymbol{\lambda}$ 使得：

互补松弛条件 $\mu_i g_i(\mathbf{x}^*) = 0$ 是经济学直觉的精确数学表达：若约束不紧 ($g_i < 0$)，其影子价格必为零；若影子价格严格为正 ($\mu_i > 0$)，约束必紧 ($g_i = 0$)。

对偶理论

拉格朗日对偶将原问题（Primal）与对偶问题（Dual）联系起来。对偶函数 $q(\boldsymbol{\mu}, \boldsymbol{\lambda}) = \inf_{\mathbf{x}} \mathcal{L}(\mathbf{x}, \boldsymbol{\mu}, \boldsymbol{\lambda})$ 提供了原问题最优值的下界。在凸优化中，强对偶性成立：对偶问题的最优值等于原问题的最优值。这一理论在经济学中有深刻体现：支出最小化（对偶）与效用最大化（原问题）之间的对偶关系、成本函数与生产函数之间的对偶性、以及包络定理与霍特林引理，均源于优化对偶理论。

动态优化

经济学中的跨期决策需要动态优化方法。离散时间框架使用贝尔曼方程和动态规划原理：值函数 $V(s)$ 满足 $V(s) = \max_{a} \{ r(s, a) + \beta V(s') \}$，最优策略由策略函数给出。连续时间框架使用最优控制理论：庞特里亚金最大值原理将动态优化转化为汉密尔顿系统的求解，汉密尔顿-雅可比-贝尔曼方程则提供了值函数的偏微分方程刻画。这些方法在Ramsey增长模型、真实经济周期模型和搜索匹配模型中不可或缺。

数学优化从静态到动态、从确定到随机、从凸到非凸的不断拓展，持续推动着经济学理论的深化与计算方法的革新。