线性约束 (Linear Constraint)
线性约束 （Linear Constraint）是最优化理论 、计量经济学 和运筹学 中的基本概念，指对决策变量施加的线性等式或不等式限制条件。在线性规划、约束优化和统计推断中，线性约束定义了问题的可行域结构，并深刻影响最优解的性质和参数估计的分布。相较于非线性约束 ，线性约束具有凸性保证、梯度恒定和求解高效三大核心优势，这使得它成为经济学建模中应用最广泛的约束形式。
形式上，设决策变量向量为 x = ( x 1 , x 2 , … , x n ) ⊤ ∈ R n \mathbf{x} = (x_1, x_2, \ldots, x_n)^\top \in \mathbb{R}^n x = ( x 1 , x 2 , … , x n ) ⊤ ∈ R n
A x ≤ b , C x = d \mathbf{A}\mathbf{x} \leq \mathbf{b}, \quad \mathbf{C}\mathbf{x} = \mathbf{d} Ax ≤ b , Cx = d 其中 A ∈ R m × n \mathbf{A} \in \mathbb{R}^{m \times n} A ∈ R m × n C ∈ R k × n \mathbf{C} \in \mathbb{R}^{k \times n} C ∈ R k × n b ∈ R m \mathbf{b} \in \mathbb{R}^m b ∈ R m d ∈ R k \mathbf{d} \in \mathbb{R}^k d ∈ R k A x ≤ b \mathbf{A}\mathbf{x} \leq \mathbf{b} Ax ≤ b 半空间 （Half-space），而线性等式约束定义了仿射子空间 （Affine Subspace）。多个线性约束的交集构成一个凸多面体 （Convex Polyhedron），即可行域。
线性约束的几何性质
线性约束最显著的特征是可行域必为凸集。设 S = { x ∈ R n ∣ A x ≤ b } S = \{\mathbf{x} \in \mathbb{R}^n \mid \mathbf{A}\mathbf{x} \leq \mathbf{b}\} S = { x ∈ R n ∣ Ax ≤ b } x 1 , x 2 ∈ S \mathbf{x}_1, \mathbf{x}_2 \in S x 1 , x 2 ∈ S λ ∈ [ 0 , 1 ] \lambda \in [0, 1] λ ∈ [ 0 , 1 ]
A ( λ x 1 + ( 1 − λ ) x 2 ) = λ A x 1 + ( 1 − λ ) A x 2 ≤ λ b + ( 1 − λ ) b = b \mathbf{A}(\lambda \mathbf{x}_1 + (1-\lambda)\mathbf{x}_2) = \lambda \mathbf{A}\mathbf{x}_1 + (1-\lambda)\mathbf{A}\mathbf{x}_2 \leq \lambda \mathbf{b} + (1-\lambda)\mathbf{b} = \mathbf{b} A ( λ x 1 + ( 1 − λ ) x 2 ) = λ A x 1 + ( 1 − λ ) A x 2 ≤ λ b + ( 1 − λ ) b = b 这表明凸组合仍在可行域内，可行域为凸集。凸性保证了局部最优解即为全局最优解，这是线性约束优化区别于一般非线性约束优化的根本性质。
当约束数量有限且可行域有界时，可行域为一个凸多胞形 （Convex Polytope），其顶点（即极点 ）数量有限。根据凸分析的基本定理，凸多胞形中任意点均可表示为极点的凸组合。此外，线性约束的边界是超平面 a i ⊤ x = b i \mathbf{a}_i^\top \mathbf{x} = b_i a i ⊤ x = b i a i \mathbf{a}_i a i
线性规划中的线性约束
在线性规划 （Linear Programming）中，标准形式为：
min x c ⊤ x s.t. A x = b , x ≥ 0 \min_{\mathbf{x}} \ \mathbf{c}^\top \mathbf{x} \quad \text{s.t.} \quad \mathbf{A}\mathbf{x} = \mathbf{b}, \ \mathbf{x} \geq \mathbf{0} x min c ⊤ x s.t. Ax = b , x ≥ 0 所有约束均为线性。线性约束使得可行域成为一个凸多面体（当有界时称为凸多胞形），而线性目标函数保证了最优解必然出现在可行域的某个极点（Extreme Point）上——这就是单纯形法 （Simplex Method）的理论基础。单纯形法通过沿可行域的边在极点之间移动来搜索最优解，每次迭代严格改善目标函数值，保证了有限步内收敛（在非退化假设下）。
线性不等式约束可以通过引入松弛变量 （Slack Variable）转化为等式约束：
a i ⊤ x ≤ b i ⇔ a i ⊤ x + s i = b i , s i ≥ 0 \mathbf{a}_i^\top \mathbf{x} \leq b_i \quad \Leftrightarrow \quad \mathbf{a}_i^\top \mathbf{x} + s_i = b_i, \ s_i \geq 0 a i ⊤ x ≤ b i ⇔ a i ⊤ x + s i = b i , s i ≥ 0 同样，当出现 x j x_j x j x j = x j + − x j − x_j = x_j^+ - x_j^- x j = x j + − x j − x j + , x j − ≥ 0 x_j^+, x_j^- \geq 0 x j + , x j − ≥ 0 内点法 算法实现的共同前提。
约束优化与 KKT 条件
在一般的约束优化 问题中，线性约束因其特殊的数学性质享有处理上的优势。考虑问题：
min x f ( x ) s.t. A x ≤ b \min_{\mathbf{x}} \ f(\mathbf{x}) \quad \text{s.t.} \quad \mathbf{A}\mathbf{x} \leq \mathbf{b} x min f ( x ) s.t. Ax ≤ b 其KKT 条件 （Karush-Kuhn-Tucker Conditions）为：存在拉格朗日乘子 λ ≥ 0 \boldsymbol{\lambda} \geq \mathbf{0} λ ≥ 0
\begin{align*}
\nabla f(\(\mathbf{x}\)^*) + \(\mathbf{A}\)^\top \(\boldsymbol{\lambda}\)^* \&= \(\mathbf{0}\) \quad \&\(\text{(稳定性)}\) \\
\(\lambda_i\)^* (\(\mathbf{a}_i\)^\top \(\mathbf{x}\)^* - \(b_i\)) \&= 0 \quad \&\(\text{(互补松弛)}\) \\
\(\mathbf{A}\)\(\mathbf{x}\)^* \&\leq \(\mathbf{b}\) \quad \&\(\text{(原始可行性)}\)
\end{align*}
由于线性约束的梯度为常数向量（∇ ( a i ⊤ x − b i ) = a i \nabla (\mathbf{a}_i^\top \mathbf{x} - b_i) = \mathbf{a}_i ∇ ( a i ⊤ x − b i ) = a i
当目标函数 f f f 二次规划 （Quadratic Programming），此时 KKT 条件化为线性互补问题，可用 Lemke 算法或内点法高效求解。若 f f f
对于仅有等式线性约束 C x = d \mathbf{C}\mathbf{x} = \mathbf{d} Cx = d 拉格朗日乘子法 给出简洁的一阶必要条件：
∇ f ( x ∗ ) + C ⊤ λ ∗ = 0 , C x ∗ = d \nabla f(\mathbf{x}^*) + \mathbf{C}^\top \boldsymbol{\lambda}^* = \mathbf{0}, \quad \mathbf{C}\mathbf{x}^* = \mathbf{d} ∇ f ( x ∗ ) + C ⊤ λ ∗ = 0 , C x ∗ = d 这一系统是 n + k n + k n + k n + k n + k n + k
计量经济学中的线性约束
在计量经济学 中，线性约束以参数限制的形式贯穿模型设定、估计和检验全过程。设经典线性回归模型：
y = X β + ε , ε ∼ N ( 0 , σ 2 I ) \mathbf{y} = \mathbf{X}\boldsymbol{\beta} + \boldsymbol{\varepsilon}, \quad \boldsymbol{\varepsilon} \sim N(\mathbf{0}, \sigma^2 \mathbf{I}) y = X β + ε , ε ∼ N ( 0 , σ 2 I ) 对参数向量 β \boldsymbol{\beta} β R β = r \mathbf{R}\boldsymbol{\beta} = \mathbf{r} R β = r R \mathbf{R} R q × p q \times p q × p q q q q ≤ p q \leq p q ≤ p R \mathbf{R} R r \mathbf{r} r
排除性约束（Exclusion Restrictions） ：H 0 : β j = 0 H_0: \beta_j = 0 H 0 : β j = 0 R = ( 0 , … , 1 , … , 0 ) \mathbf{R} = (0, \ldots, 1, \ldots, 0) R = ( 0 , … , 1 , … , 0 ) r = 0 \mathbf{r} = 0 r = 0 工具变量 估计中识别条件的来源。对称性约束（Symmetry Restrictions） ：H 0 : β 1 = β 2 H_0: \beta_1 = \beta_2 H 0 : β 1 = β 2 需求系统分析 （如 AIDS 模型）中，对称性约束来源于斯卢茨基对称性 ，是消费者理论的直接推论。线性组合约束（Linear Combination Restrictions） ：在柯布-道格拉斯生产函数 ln Y = β 0 + β 1 ln K + β 2 ln L + ε \ln Y = \beta_0 + \beta_1 \ln K + \beta_2 \ln L + \varepsilon ln Y = β 0 + β 1 ln K + β 2 ln L + ε H 0 : β 1 + β 2 = 1 H_0: \beta_1 + \beta_2 = 1 H 0 : β 1 + β 2 = 1 R = ( 0 , 1 , 1 ) \mathbf{R} = (0, 1, 1) R = ( 0 , 1 , 1 ) r = 1 \mathbf{r} = 1 r = 1 受约束最小二乘估计量通过最小化受约束的残差平方和得到：
β ^ R = β ^ − ( X ⊤ X ) − 1 R ⊤ [ R ( X ⊤ X ) − 1 R ⊤ ] − 1 ( R β ^ − r ) \hat{\boldsymbol{\beta}}_R = \hat{\boldsymbol{\beta}} - (\mathbf{X}^\top \mathbf{X})^{-1} \mathbf{R}^\top [\mathbf{R}(\mathbf{X}^\top \mathbf{X})^{-1} \mathbf{R}^\top]^{-1} (\mathbf{R}\hat{\boldsymbol{\beta}} - \mathbf{r}) β ^ R = β ^ − ( X ⊤ X ) − 1 R ⊤ [ R ( X ⊤ X ) − 1 R ⊤ ] − 1 ( R β ^ − r ) 其中 β ^ = ( X ⊤ X ) − 1 X ⊤ y \hat{\boldsymbol{\beta}} = (\mathbf{X}^\top \mathbf{X})^{-1}\mathbf{X}^\top \mathbf{y} β ^ = ( X ⊤ X ) − 1 X ⊤ y
线性假设的检验通过F 检验 进行，检验统计量为：
F = ( R β ^ − r ) ⊤ [ R ( X ⊤ X ) − 1 R ⊤ ] − 1 ( R β ^ − r ) / q σ ^ 2 ∼ F ( q , n − p ) F = \frac{(\mathbf{R}\hat{\boldsymbol{\beta}} - \mathbf{r})^\top [\mathbf{R}(\mathbf{X}^\top \mathbf{X})^{-1} \mathbf{R}^\top]^{-1} (\mathbf{R}\hat{\boldsymbol{\beta}} - \mathbf{r}) / q}{\hat{\sigma}^2} \sim F(q, n - p) F = σ ^ 2 ( R β ^ − r ) ⊤ [ R ( X ⊤ X ) − 1 R ⊤ ] − 1 ( R β ^ − r ) / q ∼ F ( q , n − p ) 其中 σ ^ 2 = e ⊤ e / ( n − p ) \hat{\sigma}^2 = \mathbf{e}^\top\mathbf{e} / (n-p) σ ^ 2 = e ⊤ e / ( n − p ) ( q , n − p ) (q,\, n-p) ( q , n − p )
当误差项不满足正态性假设时，F 统计量在大样本下服从 χ 2 ( q ) / q \chi^2(q)/q χ 2 ( q ) / q Wald 检验 统计量 W = q F → d χ 2 ( q ) W = qF \xrightarrow{d} \chi^2(q) W = qF d χ 2 ( q ) 似然比检验 （LR）和拉格朗日乘子检验 （LM）在极大似然框架下提供了线性约束检验的替代途径，三者在大样本下渐近等价。
对偶理论与影子价格
每个线性约束都对应一个对偶变量 （Dual Variable）或拉格朗日乘子 ，其经济解释深远。在线性规划的对偶理论中，原始问题
min x c ⊤ x s.t. A x ≥ b , x ≥ 0 \min_{\mathbf{x}} \ \mathbf{c}^\top \mathbf{x} \quad \text{s.t.} \quad \mathbf{A}\mathbf{x} \geq \mathbf{b}, \ \mathbf{x} \geq \mathbf{0} x min c ⊤ x s.t. Ax ≥ b , x ≥ 0 的对偶问题为
max y b ⊤ y s.t. A ⊤ y ≤ c , y ≥ 0 \max_{\mathbf{y}} \ \mathbf{b}^\top \mathbf{y} \quad \text{s.t.} \quad \mathbf{A}^\top \mathbf{y} \leq \mathbf{c}, \ \mathbf{y} \geq \mathbf{0} y max b ⊤ y s.t. A ⊤ y ≤ c , y ≥ 0 由强对偶定理，当原始问题存在有限最优解时，原始与对偶的最优目标值相等：c ⊤ x ∗ = b ⊤ y ∗ \mathbf{c}^\top \mathbf{x}^* = \mathbf{b}^\top \mathbf{y}^* c ⊤ x ∗ = b ⊤ y ∗ y \mathbf{y} y 影子价格 （Shadow Price）解释：y i ∗ = ∂ z ∗ / ∂ b i y_i^* = \partial z^* / \partial b_i y i ∗ = ∂ z ∗ / ∂ b i i i i 资源分配 、成本效益分析 和转移定价 中具有直接的政策含义。
互补松弛条件 y ⊤ ( A x − b ) = 0 \mathbf{y}^\top(\mathbf{A}\mathbf{x} - \mathbf{b}) = 0 y ⊤ ( Ax − b ) = 0 a i ⊤ x ∗ > b i \mathbf{a}_i^\top \mathbf{x}^* > b_i a i ⊤ x ∗ > b i y i ∗ = 0 y_i^* = 0 y i ∗ = 0
线性约束与非线性约束的比较
相较于非线性约束 ，线性约束在理论和计算上具有显著优势。第一，可行域的凸性由约束的线性性自动获得，无需额外验证，而任意非线性约束即使各分量函数为凸函数，其交集也可能非凸。第二，线性约束的梯度在整个空间上恒定，使得 KKT 系统的雅可比矩阵结构简单，牛顿型算法的局部收敛性更容易保证。第三，单纯形法、有效集方法 （Active Set Method）和梯度投影法 等专用算法可充分利用线性约束的组合结构实现高效迭代。
然而，现实经济问题中的许多约束本质上是非线性的：预算约束 在考虑数量折扣或非线性定价时呈现分段线性或非线性特征；投资组合优化 中的风险约束 （如方差约束 x ⊤ Σ x ≤ σ 0 2 \mathbf{x}^\top \boldsymbol{\Sigma} \mathbf{x} \leq \sigma_0^2 x ⊤ Σ x ≤ σ 0 2 生产可能性边界 通常呈现弯曲形状。在这些情形下，线性约束仅作为近似或局部线性化处理的手段，其适用范围受限于所研究经济关系的局部性质。尽管如此，线性约束的简洁性、可处理性及其在凸优化和线性模型中的核心地位，使其成为贯通最优化理论、计量经济学和运筹学的一条方法论主脉。