系列条目
微积分学
函数 极限论 微分学 积分 微积分基本定理 微积分发现权之争（英语：Leibniz–Newton calculus controversy）
基础概念（含极限论和级数论） 实数性质 函数 · 单调性 · 初等函数 · 数列 · 极限 · 实数的构造（1=0.999…） · 无穷（衔尾蛇） · 无穷小量 · ε-δ语言 · 实无穷（英语：Actual infinity） · 大O符号 · 最小上界 · 收敛数列 · 芝诺悖论 · 柯西序列 · 单调收敛定理 · 夹挤定理 · 波尔查诺-魏尔斯特拉斯定理 · 斯托尔兹-切萨罗定理 · 上极限和下极限 · 函数极限 · 渐近线 · 邻域 · 连续 · 连续函数 · 不连续点 · 狄利克雷函数 · 稠密集 · 一致连续 · 紧集 · 海涅-博雷尔定理 · 支撑集 · 欧几里得空间 · 点积 · 外积 · 三重积 · 拉格朗日恒等式 · 等价范数 · 坐标系 · 多元函数 · 凸集 · 巴拿赫不动点定理 · 级数 · 收敛级数（英语：convergent series） · 几何级数 · 调和级数 · 项测试 · 格兰迪级数 · 收敛半径 · 审敛法 · 柯西乘积 · 黎曼级数重排定理 · 函数项级数（英语：function series） · 一致收敛 · 迪尼定理 数列与级数 连续 函数
一元微分 差分 · 均差 · 微分 · 微分的线性（英语：linearity of differentiation） · 导数（流数法 · 二阶导数 · 光滑函数 · 高阶微分 · 莱布尼兹记号（英语：Leibniz's_notation） · 幽灵似的消失量） · 介值定理 · 中值定理（罗尔定理 · 拉格朗日中值定理 · 柯西中值定理） · 泰勒公式 · 求导法则（乘积法则 · 广义莱布尼茨定则（英语：General Leibniz rule） · 除法定则 · 倒数定则 · 链式法则） · 洛必达法则 · 反函数的微分 · Faà di Bruno公式（英语：Faà di Bruno's formula） · 对数微分法 · 导数列表 · 导数的函数应用（单调性 · 切线 · 极值 · 驻点 · 拐点 · 求导检测（英语：derivative test） · 凸函数 · 凹函数 · 简森不等式 · 曲线的曲率 · 埃尔米特插值） · 达布定理 · 魏尔施特拉斯函数
一元积分 积分表 定义 不定积分 定积分 黎曼积分 达布积分 勒贝格积分 积分的线性 求积分的技巧（换元积分法 · 三角换元法 · 分部积分法 · 部分分式积分法 · 降次积分法） 微元法 · 积分第一中值定理 · 积分第二中值定理 · 微积分基本定理 · 反常积分 · 柯西主值 · 积分函数（Β函数 · Γ函数 · 古德曼函数 · 椭圆积分） · 数值积分（矩形法 · 梯形公式 · 辛普森积分法 · 牛顿-寇次公式） · 积分判别法 · 傅里叶级数（狄利克雷定理 · 周期延拓） · 魏尔施特拉斯逼近定理 · 帕塞瓦尔定理 · 刘维尔定理
多元微积分 偏导数 · 隐函数 · 全微分（微分的形式不变性） · 二阶导数的对称性 · 全微分 · 方向导数 · 标量场 · 向量场 · 梯度（Nabla算子） · 多元泰勒公式 · 拉格朗日乘数 · 黑塞矩阵 · 鞍点 · 多重积分（逐次积分 · 积分顺序（英语：Order of integration (calculus)）） · 积分估值定理 · 旋转体 · 帕普斯-古尔丁中心化旋转定理 · 祖暅-卡瓦列里原理 · 托里拆利小号 · 雅可比矩阵 · 广义多重积分（高斯积分） · 若尔当曲线 · 曲线积分 · 曲面积分（施瓦茨的靴（俄语：Сапог Шварца）） · 散度 · 旋度 · 通量 · 可定向性 · 格林公式 · 高斯散度定理 · 斯托克斯定理及其外微分形式 · 若尔当测度 · 隐函数定理 · 皮亚诺-希尔伯特曲线 · 积分变换 · 卷积定理 · 积分符号内取微分 (莱布尼茨积分定则（英语：Leibniz integral rule）) · 多变量原函数的存在性（全微分方程） · 外微分的映射原像存在性（恰当形式） · 向量值函数 · 向量空间内的导数推广（英语：generalizations of the derivative）（加托导数 · 弗雷歇导数 · 矩阵的微积分（英语：matrix calculus）） · 弱微分
微分方程 常微分方程 · 柯西-利普希茨定理 · 皮亚诺存在性定理 · 分离变量法 · 级数展开法 · 积分因子 · 拉普拉斯算子 · 欧拉方法 · 柯西-欧拉方程 · 伯努利微分方程 · 克莱罗方程 · 全微分方程 · 线性微分方程 · 叠加原理 · 特征方程式 · 朗斯基行列式 · 微分算子法 · 差分方程 · 拉普拉斯变换 · 偏微分方程（拉普拉斯方程 · 泊松方程） · 施图姆-刘维尔理论 · N体问题 · 积分方程
相关数学家 牛顿 · 莱布尼兹 · 柯西 · 魏尔斯特拉斯  · 黎曼 · 拉格朗日 · 欧拉 · 帕斯卡 · 海涅 · 巴罗 · 波尔查诺 · 狄利克雷 · 格林 · 斯托克斯 · 若尔当 · 达布 · 傅里叶 · 拉普拉斯 · 雅各布·伯努利 · 约翰·白努利 · 阿达马 · 麦克劳林 · 迪尼 · 沃利斯 · 费马 · 达朗贝尔 · 黑维塞 · 吉布斯 · 奥斯特罗格拉德斯基 · 刘维尔 · 棣莫弗 · 格雷果里 · 玛达瓦（英语：Madhava of Sangamagrama） · 婆什迦罗第二 · 阿涅西 · 阿基米德
历史名作 从无穷小量分析来理解曲线（英语：Analyse des Infiniment Petits pour l'Intelligence des Lignes Courbes） · 分析学教程（英语：Cours d'Analyse） · 无穷小分析引论 · 用无穷级数做数学分析（英语：De analysi per aequationes numero terminorum infinitas） · 流形上的微积分（英语：Calculus on Manifolds (book)） · 微积分学教程 · 纯数学教程（英语：A Course of Pure Mathematics） · 机械原理方法论（英语：The Method of Mechanical Theorems）
分支学科 实变函数论 · 复分析 · 傅里叶分析 · 变分法 · 特殊函数 · 动力系统 · 微分几何 · 微分代数 · 向量分析 · 分数微积分 · 玛里亚温微积分（英语：Malliavin calculus） · 随机分析 · 最优化 · 非标准分析
查 论 编

拉格朗日乘数法（英语：Lagrange multiplier，以数学家约瑟夫·拉格朗日命名），在数学中的最优化问题中，是一种寻找多元函数在其变量受到一个或多个条件的约束时的局部极值的方法。这种方法可以将一个有n个变量与k个约束条件的最优化问题转换为一个解有n + k个变量的方程组的解的问题。这种方法中引入了一个或一组新的未知数，即拉格朗日乘数，又称拉格朗日乘子，或拉氏乘子，它们是在转换后的方程，即约束方程中作为梯度（gradient）的线性组合中各个向量的系数。

比如，要求${\displaystyle f(x,y)\,}$在${\displaystyle g(x,y)=0\,}$时的局部极值时，我们可以引入新变量拉格朗日乘数${\displaystyle \lambda }$，这时我们只需要求下列拉格朗日函数的局部极值：

${\displaystyle {\mathcal {L))(x,y,\lambda )=f(x,y)-\lambda \cdot g(x,y)}$

更一般地，对含n个变量和k个约束的情况，有：

${\displaystyle {\mathcal {L))\left(x_{1},\ldots ,x_{n},\lambda _{1},\ldots ,\lambda _{k}\right)=f\left(x_{1},\ldots ,x_{n}\right)-\sum \limits _{i=1}^{k}{\lambda _{i}g_{i}\left(x_{1},\ldots ,x_{n}\right)},}$

拉格朗日乘数法所得的临界点会包含原问题的所有临界点，但并不保证每个拉格朗日乘数法所得的临界点都是原问题的临界点。拉格朗日乘数法的正确性的证明牵涉到偏微分，全微分或链式法则。

介绍

微积分中最常见的问题之一是求一个函数的极大极小值（极值）。但是很多时候找到极值函数的显式表达是很困难的，特别是当函数有先决条件或约束时。拉格朗日乘数则提供了一个非常便利方法来解决这类问题，而避开显式地引入约束和求解外部变量。

先看一个三维的例子：假设有函数：${\displaystyle f(x,y)}$，要求其极值（最大值/最小值），且满足条件

${\displaystyle g\left(x,y\right)=c}$

c为常数。对不同${\displaystyle d_{n))$的值，不难想像出

${\displaystyle f\left(x,y\right)=d_{n))$

的等高线。而方程${\displaystyle g}$的可行集所构成的线正好是${\displaystyle g(x,y)=c}$。想像我们沿着${\displaystyle g=c}$的可行集走；因为大部分情况下${\displaystyle f}$的等高线和${\displaystyle g}$的可行集线不会重合，但在有解的情况下，这两条线会相交。想像此时我们移动${\displaystyle g=c}$上的点，因为${\displaystyle f}$是连续的方程，我们因此能走到${\displaystyle f\left(x,y\right)=d_{n))$更高或更低的等高线上，也就是说${\displaystyle d_{n))$可以变大或变小。只有当${\displaystyle g(x,y)=c}$和${\displaystyle f\left(x,y\right)=d_{n))$相切，也就是说，此时，我们正同时沿着${\displaystyle g(x,y)=c}$和${\displaystyle f\left(x,y\right)=d_{n))$走。这种情况下，会出现极值或鞍点。

气象图中就很常出现这样的例子，当温度和气压两列等高线同时出现的时候，切点就意味着约束极值的存在。

用向量的形式来表达的话，我们说相切的性质在此意味着${\displaystyle f}$和${\displaystyle g}$的切线在某点上平行，同时也意味着两者的梯度向量有如下关系（引入一个未知标量${\displaystyle \lambda }$）：

${\displaystyle \nabla f\left(x,y\right)=-\lambda \nabla \left(g\left(x,y\right)-c\right)}$

即：

${\displaystyle \nabla {\Big [}f\left(x,y\right)+\lambda \left(g\left(x,y\right)-c\right){\Big ]}={\boldsymbol {0))}$.

一旦求出${\displaystyle \lambda }$的值，将其套入下式，易求在无约束条件下的极值和对应的极值点。

${\displaystyle F\left(x,y,\lambda \right)}$ = ${\displaystyle f\left(x,y\right)+\lambda \left(g\left(x,y\right)-c\right)}$

新方程${\displaystyle F(x,y,\lambda )}$在达到极值时与${\displaystyle f(x,y)}$相等。因为${\displaystyle F(x,y,\lambda )}$达到极值时${\displaystyle \nabla F(x,y,\lambda )=0}$，而${\displaystyle {\frac {\partial F}{\partial \lambda ))=g\left(x,y\right)-c}$，也就是说${\displaystyle g(x,y)-c}$等于零。

证明

设函数${\displaystyle f(x,y)}$在${\displaystyle A}$点处有极值${\displaystyle \kappa }$，且在${\displaystyle A}$点的邻域内连续。则在${\displaystyle A}$点处有

${\displaystyle f\left(x,y\right)=\kappa }$

另有一常值函数

${\displaystyle g\left(x,y\right)=c}$

两函数在${\displaystyle A}$点处的全微分为

${\displaystyle \mathrm {d} f={\frac {\partial {f)){\partial {x))}\mathrm {d} x+{\frac {\partial {f)){\partial {y))}\mathrm {d} y=0}$

${\displaystyle \mathrm {d} g={\frac {\partial {g)){\partial {x))}\mathrm {d} x+{\frac {\partial {g)){\partial {y))}\mathrm {d} y=0}$

当中的等式右方等于零是由于极值会发生在两者函数斜率完全相同且${\displaystyle f\left(x,y\right)}$在区段内有极值的时候

由于${\displaystyle \mathrm {d} x}$和${\displaystyle \mathrm {d} y}$是任取的无穷小量，故该线性方程组的系数成比例，有

${\displaystyle {\dfrac {\dfrac {\partial {f)){\partial {x))}{\dfrac {\partial {g)){\partial {x))))={\dfrac {\dfrac {\partial {f)){\partial {y))}{\dfrac {\partial {g)){\partial {y))))=-\lambda }$

即

${\displaystyle {\frac {\partial {f)){\partial {x))}+\lambda \cdot {\frac {\partial {g)){\partial {x))}=0}$

${\displaystyle {\frac {\partial {f)){\partial {y))}+\lambda \cdot {\frac {\partial {g)){\partial {y))}=0}$

将上二式分别乘以${\displaystyle \mathrm {d} x}$和${\displaystyle \mathrm {d} y}$，再相加并积分，得到一新函数

${\displaystyle {\mathcal {L))(x,y,\lambda )=f(x,y)+\lambda \cdot g(x,y)}$

那么，求原函数极值的问题就转化为求该函数极值的问题。

类似地，这种求极值的方法也可以推广到多维函数${\displaystyle f\left(x_{1},\ldots ,x_{n}\right)}$。

拉格朗日乘数的运用方法

如f定义为在Rⁿ上的方程，约束为g_k(x)= c_k（或将约束左移得到g_k(x) − c_k = 0）。定义拉格朗日Λ为

${\displaystyle \Lambda (\mathbf {x} ,{\boldsymbol {\lambda )))=f+\sum _{k}\lambda _{k}(g_{k}-c_{k})}$。

注意极值的条件和约束现在就都被记录到一个式子里了：

${\displaystyle \nabla \Lambda =0\Leftrightarrow \nabla f=-\sum _{k}\lambda _{k}\nabla \ g_{k},}$

和

${\displaystyle \nabla _{\mathbf {\lambda } }\Lambda =0\Leftrightarrow g_{k}=c_{k))$。

拉格朗日乘数常被用作表达最大增长值。原因是从式子：

${\displaystyle -{\frac {\partial \Lambda }{\partial {c_{k))))=\lambda _{k))$。

中我们可以看出λ_k是当方程在被约束条件下，能够达到的最大增长率。拉格朗日力学就使用到这个原理。

拉格朗日乘数法在卡罗需－库恩－塔克条件被推广。

例子

• 很简单的例子

求此方程的最小值：

${\displaystyle f(x,y)=x^{2}y}$

同时未知数满足

${\displaystyle x^{2}+y^{2}=1}$

因为只有一个未知数的约束条件，我们只需要用一个乘数${\displaystyle \lambda }$.

${\displaystyle g(x,y)=x^{2}+y^{2}-1}$

${\displaystyle \Phi (x,y,\lambda )=f(x,y)+\lambda g(x,y)=x^{2}y+\lambda (x^{2}+y^{2}-1)}$

将所有${\displaystyle \Phi }$方程的偏微分设为零，得到一个方程组，最小值是以下方程组的解中的一个：

${\displaystyle 2xy+2\lambda x=0}$

${\displaystyle x^{2}+2\lambda y=0}$

${\displaystyle x^{2}+y^{2}-1=0}$

• 另一个例子

求此离散分布的最大熵：

${\displaystyle f(p_{1},p_{2},\ldots ,p_{n})=-\sum _{k=1}^{n}p_{k}\log _{2}p_{k))$。

所有概率的总和是1，因此我们得到的约束是g(p)= 1即

${\displaystyle g(p_{1},p_{2},\ldots ,p_{n})=\sum _{k=1}^{n}p_{k}=1}$。

可以使用拉格朗日乘数找到最高熵（概率的函数）。对于所有的k从1到n，要求

${\displaystyle {\frac {\partial }{\partial p_{k))}(f+\lambda (g-1))=0,}$

由此得到

${\displaystyle {\frac {\partial }{\partial p_{k))}\left(-\sum _{k=1}^{n}p_{k}\log _{2}p_{k}+\lambda (\sum _{k=1}^{n}p_{k}-1)\right)=0}$。

计算出这n个等式的微分，我们得到：

${\displaystyle -\left({\frac {1}{\ln 2))+\log _{2}p_{k}\right)+\lambda =0}$。

这说明p_i都相等（因为它们都只是λ的函数）。解出约束∑_k p_k = 1，得到

${\displaystyle p_{k}={\frac {1}{n))}$。

因此，使用均匀分布可得到最大熵的值。

经济学

约束最优化在经济学占有很重要的地位。例如一个消费者的选择问题可以被视为一个求效用方程在预算约束下的最大值问题。拉格朗日乘数在经济学中被解释为影子价格，设定在某种约束下，在这里即收入的边际效用。

拉格朗日乘数就是效用函数在最优解处对收入的偏导数，也就是在最优解处增加一个单位收入带来的效用增加，或者说在最优解处有效用衡量收入的价值，称之为收入的边际效用。

在企业生产问题中，拉格朗日乘数用来衡量要素投入变动所带来的收入变动，du/dm=λ,u表示效用函数或生产函数，m表示收入或要素投入。

在具体数学推导中还可以运用包络定理的内容。

参考

• 卡罗需－库恩－塔克条件：拉格朗日乘数的推广。
• 拉格朗日方程式
• 哈密顿原理
• 作用量

对外链接

参考拉格朗日原作或方法的命名：

• Earliest known uses of some of the words of mathematics: L

更深入的介绍和互动applet：

• Applet
• Tutorial and applet
• Conceptual introduction （页面存档备份，存于互联网档案馆） (概念介绍和对于拉格朗日乘数方法在变分法以及物理中的运用)
• Lagrange Multipliers without Permanent Scarring （页面存档备份，存于互联网档案馆） (tutorial by Dan Klein)

查 论 编 约瑟夫·拉格朗日 拉格朗日乘数 拉格朗日插值法 拉格朗日四平方和定理 拉格朗日定理 (群论) 拉格朗日定理 (数论)（英语：Lagrange's theorem (number theory)） 拉格朗日恒等式 拉格朗日恒等式 (边值问题)（英语：Lagrange's identity (boundary value problem)） 拉格朗日三角恒等式 拉格朗日力学 拉格朗日中值定理 拉格朗日稳定性（英语：Lagrange stability） 拉格朗日方程 拉格朗日量 拉格朗日分析（英语：Lagrangian analysis） 拉格朗日和欧拉流场规范（英语：Lagrangian and Eulerian specification of the flow field） 拉格朗日拟序结构 拉格朗日点 拉格朗日格拉斯曼流形（英语：Lagrangian Grassmannian） 拉格朗日括号 拉格朗日松弛（英语：Lagrangian relaxation） 拉格朗日对偶 拉格朗日密度 拉格朗日不变量 拉格朗日子流形 拉格朗日系统（英语：Lagrangian system） 欧拉-拉格朗日方程