等式约束最优化理论与拉格朗日乘数法

为什么可以使用拉格朗日乘数法？为什么可以构建拉格朗日函数？深入解析切空间正交分解、梯度共线定理、鞍点对偶与影子价格的经济本质，附 Observable JS 动态交互实验室。

一、 问题的起源：为什么无约束驻点在微观经济学中全面失效？

在初等微积分中，求解多元函数 \(f(x_1, \dots, x_n)\) 的极值通常只需令其全梯度为零：

\[ \nabla f(x^*) = \mathbf{0} \]

然而，微观经济学几乎所有核心问题都发生在稀缺性约束（Scarcity Constraints）之下：

• 消费者无法购买无限多的商品，选择受到预算约束 \(p \cdot x \le w\) 的刚性限制；
• 生产厂商无法任意挥霍成本，要素配置受到既定产出目标 \(f(z) \ge q\) 的约束；
• 投资组合无法配置任意头寸，总资产配置权重受到 \(\sum_i w_i = 1\) 的限制。

设可行域由等式约束曲面 \(S = \{x \in \mathbb{R}^n \mid g(x) = c\}\) 刻画。如果目标函数满足局部非饱和性（Local Non-Satiation），或者在可行域外部还存在更优状态，那么最优决策点 \(x^*\) 处的梯度通常绝不为零：

\[ \nabla f(x^*) \neq \mathbf{0} \]

例如在消费者效用最大化问题（UMP）中，只要商品边际效用为正，效用函数在最优消费束 \(x^*\) 处的梯度向量 \(\nabla u(x^*) \gg \mathbf{0}\)。如果允许消费者自由向外移动，效用仍能继续增加。

这就引出了第一个核心问题：当最优点处的全导数并不等于零时，我们凭什么可以通过一套包含导数的一阶方程组找到最优解？为什么可以使用拉格朗日乘数法？

---

二、 核心问题一：为什么可以使用拉格朗日乘数法？

拉格朗日乘数法的正当性，并非来自代数技巧的巧合，而是源于约束曲面上的微分几何约束：切空间与法空间的正交分解。

1. 合法微位移与切空间（Tangent Space）

假设决策者当前位于约束曲面 \(g(x) = c\) 上的可行点 \(x\)。如果从该点发生一个无穷小位移 \(dx = (dx_1, \dots, dx_n)^\top\)，位移之后的新位置 \(x + dx\) 要想依然留在约束曲面上，必须满足：

\[ g(x + dx) = c \implies g(x) + \nabla g(x) \cdot dx + o(\|dx\|) = c \]

因为 \(g(x) = c\)，略去高阶无穷小量后，任何合法的切向微位移 \(dx\) 必须满足：

\[ \nabla g(x) \cdot dx = 0 \]

在微分几何中，所有与约束梯度 \(\nabla g(x)\) 正交的微小方向向量 \(dx\) 构成的线性子空间，被称为约束曲面在点 \(x\) 处的切空间（Tangent Space, 记作 \(T_x S\)）：

\[ T_x S = \{dx \in \mathbb{R}^n \mid \nabla g(x) \cdot dx = 0\} \]

提示几何直观

约束函数的梯度 \(\nabla g(x)\) 在几何上垂直于等值面 \(g(x) = c\)。因此，任何沿着曲面表面“滑移”且不脱离曲面的方向 \(dx\)，都必须与法向量 \(\nabla g(x)\) 保持垂直。

2. 最优点处：切向无改善分量

现在考查目标函数 \(f(x)\) 沿合法微位移 \(dx \in T_x S\) 的变化量。根据多元微分全增量公式：

\[ df = \nabla f(x) \cdot dx \]

假设当前点 \(x^*\) 是约束极值点（不妨设为最大值点）：

• 如果存在某个合法切向位移 \(dx \in T_{x^*} S\) 使得 \(\nabla f(x^*) \cdot dx > 0\)，那么决策者只需沿着 \(dx\) 方向移动微小步长，就能在不违背约束的前提下获得更大的目标函数值；
• 如果 \(\nabla f(x^*) \cdot dx < 0\)，那么决策者沿着反方向 \(-dx \in T_{x^*} S\) 移动，同样可使目标函数值严格增加。

因此，点 \(x^*\) 成为约束局部极值点的必要条件是：目标函数在所有合法切向方向上的方向导数必须同时为零！

\[ \nabla f(x^*) \cdot dx = 0, \quad \forall dx \in T_{x^*} S \]

换言之，目标梯度 \(\nabla f(x^*)\) 在约束曲面的切空间上的正交投影必须精确为零。

3. 法向量共线定理的诞生

根据线性代数中的正交补定理，若一个向量与某子空间中的每一个向量都正交，则该向量必然属于该子空间的正交补空间——即法空间（Normal Space, 记作 \(N_{x^*} S\)）。

在单一约束 \(g(x) = c\) 且假定梯度非零（\(\nabla g(x^*) \neq \mathbf{0}\)，即满足正则性或约束品性）的情形下，法空间 \(N_{x^*} S\) 是一维直线，其基底向量正是约束梯度 \(\nabla g(x^*)\)。

既然 \(\nabla f(x^*)\) 属于一维法空间，它就必然可以被基底向量 \(\nabla g(x^*)\) 线性表出。换言之，必然存在一个唯一的实数标量 \(\lambda^*\)，使得：

\[ \nabla f(x^*) = \lambda^* \nabla g(x^*) \]

重要定理：拉格朗日乘数定理（一阶必要条件）

若 \(f, g: \mathbb{R}^n \to \mathbb{R}\) 均为连续可微函数，\(x^*\) 是在约束 \(g(x) = c\) 下 \(f(x)\) 的局部极值点，且 \(\nabla g(x^*) \neq \mathbf{0}\)，则必存在标量 \(\lambda^* \in \mathbb{R}\)，使得： \[ \nabla f(x^*) - \lambda^* \nabla g(x^*) = \mathbf{0} \] 这说明为什么可以使用拉格朗日乘数法：因为在约束最优解处，目标函数的全梯度并非为零，而是完全落在了约束流形的法向量方向上！

---

三、 核心问题二：为什么可以构建拉格朗日函数？

上文推导表明，寻找约束最优解等价于求解由两部分构成的方程组：

\[ \begin{cases} \nabla f(x) - \lambda \nabla g(x) = \mathbf{0} & (n \text{ 个分量方程，保证切向无改善}) \\[0.4em] g(x) - c = 0 & (1 \text{ 个原始约束方程，保证可行性}) \end{cases} \]

这是一个包含 \(n+1\) 个未知数 \((x_1, \dots, x_n, \lambda)\) 的 \(n+1\) 维非线性联立方程组。

面对这个联立方程组，数学家约瑟夫·拉格朗日（Joseph-Louis Lagrange）给出了一个代数构造：能否构造一个单标量辅助函数，使其关于所有变量的常规一阶无约束偏导数恰好自动重合为上述联立方程组？

1. 从联立方程到标量函数的统一驻点

构造如下辅助函数（称为拉格朗日函数，Lagrangian Function）：

\[ \mathcal{L}(x, \lambda) = f(x) - \lambda \bigl(g(x) - c\bigr) \]

此时将 \(\lambda\) 视作平等的内生自变量，对 \(n+1\) 个变量分别求常规偏导并令其为零：

1. 对决策变量 \(x\) 求偏导： \[ \nabla_x \mathcal{L}(x, \lambda) = \nabla f(x) - \lambda \nabla g(x) = \mathbf{0} \] 这恰好精确生成了 \(n\) 个梯度共线（法向投影）方程！
2. 对乘数 \(\lambda\) 求偏导： \[ \frac{\partial \mathcal{L}}{\partial \lambda} = -\bigl(g(x) - c\bigr) = 0 \iff g(x) = c \] 这恰好精确还原了原始的约束条件方程！

注记构建拉格朗日函数的代数机理

拉格朗日函数 \(\mathcal{L}(x, \lambda)\) 本身并没有改变物理或经济问题的本质，它是一台“降维编译器”： 它通过引入辅助乘数 \(\lambda\) 作为额外的坐标轴，将一个“在 \(n\) 维空间中带边界约束的非驻点极值问题”，无缝编译为一个“在 \(n+1\) 维扩充空间中的自由无约束驻点求解问题”。

2. Minimax 鞍点对偶与自适应惩罚视角

为什么这种构造具有内在合理性？现代凸优化理论从对偶性（Duality）与鞍点（Saddle Point）给出了深刻解释。

考虑带有等式约束的优化问题：

\[ \max_{x} f(x) \quad \text{s.t.} \quad g(x) = c \]

我们可以将其改写为一个无约束的极小极大嵌套问题：

\[ \max_{x} \left\{ \min_{\lambda} \mathcal{L}(x, \lambda) \right\} = \max_{x} \left\{ \min_{\lambda} \Big[ f(x) - \lambda \bigl(g(x) - c\bigr) \Big] \right\} \]

考查内层的极小化问题 \(\min_{\lambda} \mathcal{L}(x, \lambda)\)：

• 若当前候选点不满足约束（即 \(g(x) - c \neq 0\)）： 由于 \(\lambda\) 可以取任意实数，我们总能选择 \(\lambda \to \infty\)（当 \(g(x) - c > 0\) 时）或 \(\lambda \to -\infty\)（当 \(g(x) - c < 0\) 时），使得整个函数值： \[ \min_{\lambda} \mathcal{L}(x, \lambda) = -\infty \]
• 若当前候选点严格满足约束（即 \(g(x) - c = 0\)）： 第二项恒为零，对任意 \(\lambda\) 均有 \(\mathcal{L}(x, \lambda) = f(x)\)，因此： \[ \min_{\lambda} \mathcal{L}(x, \lambda) = f(x) \]

外层的极大化算子 \(\max_x\) 面对那些不可行点（函数值为 \(-\infty\)），会本能地将其全部排除，迫使最终的最优解 \(x^*\) 必定落在可行流形 \(g(x) = c\) 之上。而在可行流形内部，它又寻找使得 \(f(x)\) 最大的点。

因此，拉格朗日乘数项 \(-\lambda(g(x)-c)\) 本质上是一个自适应惩罚项。在最优解 \((x^*, \lambda^*)\) 处，系统达到所谓的鞍点（Saddle Point）：关于 \(x\) 达到极大，关于 \(\lambda\) 达到极小。在鞍点处，一阶偏导数自然全为零！

3. 为什么不直接代入消元法？

初学微积分时，常有人疑惑：为什么不利用 \(g(x)=c\) 解出 \(x_n = h(x_1, \dots, x_{n-1})\)，直接代入 \(f(x)\) 变成无约束优化？

1. 显式解析解的不可能性：在真实经济模型中，约束函数 \(g(x)\) 往往高度非线性（如 CES 生产函数或隐式预算集），隐函数定理仅保证局部存在，难以显式解出单一自变量；
2. 破坏对称性与美感：代入消元法人为打破了自变量之间的对等地位，推导极其繁琐且失去统一矢量化的优美特征；
3. 丢失关键经济信号：直接消元会直接消灭约束乘数 \(\lambda\)。而正如后文所示，\(\lambda\) 绝非数学废弃物，它是经济学中至为重要的“影子价格”。

---

四、 核心问题三：这个方法背后的深层原理是什么？

1. 几何本质：等值面与约束曲面的相切

在几何直觉上，拉格朗日乘数法反映了等值面相切原理。

以二维空间消费者的效用最大化为例，目标函数是效用等高线（无差异曲线 \(u(x_1, x_2) = U\)），约束是预算线 \(p_1 x_1 + p_2 x_2 = w\)。

• 若在某点无差异曲线与预算线相交（Transversal Intersection），意味着预算线的一端必然切入到该无差异曲线的“更好的一侧”（上轮廓集内部）。沿着预算线朝该侧移动，效用立刻增加；
• 只有当无差异曲线与预算线相切（Tangency）时，预算线在该点整条落在无差异曲线的下方（或外侧），沿着切线方向的微小位移无法带来任何一阶效用增量。

两曲面相切在解析几何上即要求两者的法向量相互平行（共线）：

\[ \nabla u(x^*) = \lambda^* \begin{pmatrix} p_1 \\ p_2 \end{pmatrix} \implies \frac{\partial u / \partial x_1}{\partial u / \partial x_2} = \frac{p_1}{p_2} \iff MRS_{12} = \frac{p_1}{p_2} \]

边际替代率（无差异曲线斜率的绝对值）等于价格比（预算线斜率的绝对值），这一经济学公理正是拉格朗日法在二维平面上的投影表现。

2. 经济本质：影子价格定理（Shadow Price）

拉格朗日乘数 \(\lambda^*\) 的数值究竟代表什么？

定义最优化问题的值函数（Value Function，即达到最优时的目标函数值）：

\[ V(c) = \max_{x} f(x) \quad \text{s.t.} \quad g(x) = c \]

设最优解向量关于约束常数 \(c\) 可微，记作 \(x^*(c)\)。那么当外生资源约束 \(c\) 发生微小的外生松弛时，最优目标值会发生多大变化？

提示🔍 点击查看证明：影子价格定理

根据复合函数链式法则，对值函数求导： \[ \frac{d V(c)}{dc} = \nabla f\bigl(x^*(c)\bigr) \cdot \frac{d x^*(c)}{dc} \] 由于在最优点处满足拉格朗日一阶条件 \(\nabla f(x^*(c)) = \lambda^*(c) \nabla g(x^*(c))\)，代入上式： \[ \frac{d V(c)}{dc} = \lambda^*(c) \left[ \nabla g\bigl(x^*(c)\bigr) \cdot \frac{d x^*(c)}{dc} \right] \] 另一方面，对恒等式 \(g(x^*(c)) \equiv c\) 两边关于 \(c\) 求导： \[ \nabla g\bigl(x^*(c)\bigr) \cdot \frac{d x^*(c)}{dc} = 1 \] 将该结果代回前式，中间的内生调整项全部被约化为 \(1\)，立即得到： \[ \frac{d V(c)}{dc} = \lambda^*(c) \]

这就是影子价格定理（Shadow Price Theorem）：

\[ \lambda^* = \frac{d V(c)}{dc} \]

最优拉格朗日乘数 \(\lambda^*\) 精确等于：当外部约束松弛 1 个单位时，最优目标函数值所能获得的边际增量。

3. 微观理论两大经典实战对照

通过上述影子价格定理，微观经济学中两大对偶问题的拉格朗日乘数获得了完全贯通的经济含义：

维度	效用最大化问题 (UMP)	成本最小化问题 (CMP)
数学形态	\(\max_{x} u(x) \text{ s.t. } p \cdot x \le w\)	\(\min_{z} w \cdot z \text{ s.t. } f(z) \ge q\)
拉格朗日函数	\(\mathcal{L} = u(x) + \lambda (w - p \cdot x)\)	\(\mathcal{L}_c = w \cdot z + \lambda (q - f(z))\)
值函数	间接效用函数 \(v(p, w)\)	成本函数 \(c(w, q)\)
乘数 \(\lambda^*\) 经济本质	\(\lambda^* = \frac{\partial v(p, w)}{\partial w}\)（财富的边际效用）	\(\lambda^* = \frac{\partial c(w, q)}{\partial q} = MC(q)\)（产出的边际成本）
直觉解释	额外增加 1 元财富，消费者能换来的效用最大增量	额外多生产 1 单位产品，企业必须付出的最小成本增量

4. 等边际法则（Equal Marginal Principle）

由 \(\nabla f(x^*) = \lambda^* \nabla g(x^*)\) 展开到每一个变量分量：

\[ \frac{\partial f(x^*)}{\partial x_i} = \lambda^* \frac{\partial g(x^*)}{\partial x_i} \implies \lambda^* = \frac{\dfrac{\partial f}{\partial x_1}}{\dfrac{\partial g}{\partial x_1}} = \frac{\dfrac{\partial f}{\partial x_2}}{\dfrac{\partial g}{\partial x_2}} = \dots = \frac{\dfrac{\partial f}{\partial x_n}}{\dfrac{\partial g}{\partial x_n}} \]

在消费理论中，\(\partial g / \partial x_i = p_i\)，上式即为戈森第二定律（等边际法则）：

\[ \frac{MU_1}{p_1} = \frac{MU_2}{p_2} = \dots = \frac{MU_n}{p_n} = \lambda^* \]

每一元钱花在任何一种商品上的最后一分钱所获得的边际效用必须相等，且这个统一的边际收益率恰恰就是财富的影子价格 \(\lambda^*\)！

---

五、 交互实验室：切向投影归零与梯度共线动态演示

为了直观体会“为什么可以使用拉格朗日乘数法”，我们在下方构建了一个动态交互实验。

考查消费者在柯布-道格拉斯效用函数 \(u(x_1, x_2) = x_1^{0.5} x_2^{0.5}\) 下的消费选择。设价格为 \(p_1 = 1, p_2 = 1\)，收入预算为 \(w = 10\)（预算线为 \(x_1 + x_2 = 10\)）。

• 理论最优切点位于对称中心 \(x_1^* = 5, x_2^* = 5\)；
• 请拖动下方的滑动条，调整在预算线上的不同位置，观察目标梯度 \(\nabla u\)、预算约束梯度 \(\nabla g\)、切线方向向量以及目标梯度在切线上的投影分量如何变化。

viewof splitRatio = Inputs.range([0.1, 0.9], {
  value: 0.25,
  step: 0.01,
  label: "预算线分配比例 (x₁ / 10)"
})

w = 10
p1 = 1
p2 = 1
x1 = splitRatio * 10
x2 = (w - p1 * x1) / p2

// 效用与梯度
utilityVal = Math.sqrt(x1 * x2)
// ∇u = (0.5 * sqrt(x2/x1), 0.5 * sqrt(x1/x2))
gradU_x1 = 0.5 * Math.sqrt(x2 / x1)
gradU_x2 = 0.5 * Math.sqrt(x1 / x2)

// 约束梯度 ∇g = (p1, p2) = (1, 1)
gradG_x1 = 1
gradG_x2 = 1

// 预算线切向量 T = (1, -1) / sqrt(2) （向下方向）
t_len = Math.sqrt(2)
T_x1 = 1 / t_len
T_x2 = -1 / t_len

// ∇u 在 T 上的投影 = gradU · T
projTangential = gradU_x1 * T_x1 + gradU_x2 * T_x2

// 绘图缩放比例
vectorScale = 3.5

// 绘制经过当前点的无差异曲线：x2 = (utilityVal^2) / x1
curvePoints = Array.from({length: 120}, (_, i) => {
  const t = 0.3 + (9.7 - 0.3) * (i / 119);
  const y = (utilityVal * utilityVal) / t;
  return {x: t, y: y};
}).filter(d => d.y <= 11 && d.y >= 0.2)

isOptimum = Math.abs(x1 - 5) < 0.12

html`
<div style="background: #f8fafc; border: 1px solid #cbd5e1; border-radius: 8px; padding: 14px 18px; margin-bottom: 12px; font-family: monospace; font-size: 14px; line-height: 1.6;">
  <div><strong>当前消费组合</strong>：x₁ = ${x1.toFixed(2)}，x₂ = ${x2.toFixed(2)} | 效用水平 u = ${utilityVal.toFixed(3)}</div>
  <div><strong>目标梯度 ∇u</strong>：(${gradU_x1.toFixed(3)}, ${gradU_x2.toFixed(3)}) | <strong>约束梯度 ∇g</strong>：(1.000, 1.000)</div>
  <div style="color: ${isOptimum ? '#15803d' : '#b91c1c'}; font-weight: bold; margin-top: 4px;">
    切向投影分量 ∇u · T = ${projTangential.toFixed(4)} 
    ${isOptimum ? " 👉 [✓ 达到最优点！切向投影归零，∇u 与 ∇g 完全平行共线]" : " 👉 [✗ 非最优点：切向投影不为零，沿预算线滑动仍有效用改善余量]"}
  </div>
</div>
`

Plot.plot({
  width: Math.min(width, 640),
  height: 480,
  marginLeft: 50,
  marginBottom: 50,
  x: {domain: [0, 11], label: "商品 x₁"},
  y: {domain: [0, 11], label: "商品 x₂"},
  grid: true,
  marks: [
    // 预算线
    Plot.line([[0, 10], [10, 0]], {stroke: "#2563eb", strokeWidth: 2.5}),
    Plot.text([{x: 9.2, y: 1.3}], {text: ["预算线 p·x=w"], fill: "#2563eb", fontSize: 13}),
    
    // 当前无差异曲线
    Plot.line(curvePoints, {x: "x", y: "y", stroke: "#e11d48", strokeDasharray: "4,4", strokeWidth: 2}),
    Plot.text([{x: 8.8, y: (utilityVal*utilityVal)/8.8 + 0.5}], {text: ["等效用线"], fill: "#e11d48", fontSize: 13}),

    // 理论最优点星标
    Plot.dot([{x: 5, y: 5}], {r: 5, fill: "#10b981", stroke: "#fff", strokeWidth: 1.5}),
    Plot.text([{x: 5, y: 5.6}], {text: ["最优切点 (5,5)"], fill: "#10b981", fontSize: 12}),

    // 当前选点
    Plot.dot([{x: x1, y: x2}], {r: 7, fill: isOptimum ? "#15803d" : "#ea580c", stroke: "#fff", strokeWidth: 2}),

    // 向量 1：约束法向量 ∇g
    Plot.arrow([{
      x1: x1, y1: x2,
      x2: x1 + gradG_x1 * 1.8, y2: x2 + gradG_x2 * 1.8
    }], {x1: "x1", y1: "y1", x2: "x2", y2: "y2", stroke: "#0284c7", strokeWidth: 2.5}),
    Plot.text([{x: x1 + gradG_x1 * 1.8 + 0.4, y: x2 + gradG_x2 * 1.8}], {text: ["∇g (约束法向)"], fill: "#0284c7", fontSize: 12}),

    // 向量 2：目标效用梯度 ∇u
    Plot.arrow([{
      x1: x1, y1: x2,
      x2: x1 + gradU_x1 * vectorScale, y2: x2 + gradU_x2 * vectorScale
    }], {x1: "x1", y1: "y1", x2: "x2", y2: "y2", stroke: "#e11d48", strokeWidth: 2.5}),
    Plot.text([{x: x1 + gradU_x1 * vectorScale + 0.4, y: x2 + gradU_x2 * vectorScale}], {text: ["∇u (目标梯度)"], fill: "#e11d48", fontSize: 12}),

    // 向量 3：切向投影分量向量
    Plot.arrow([{
      x1: x1, y1: x2,
      x2: x1 + projTangential * T_x1 * vectorScale,
      y2: x2 + projTangential * T_x2 * vectorScale
    }], {x1: "x1", y1: "y1", x2: "x2", y2: "y2", stroke: "#d97706", strokeWidth: 3}),
    Plot.text([{
      x: x1 + projTangential * T_x1 * vectorScale + (projTangential > 0 ? 0.6 : -0.6),
      y: x2 + projTangential * T_x2 * vectorScale - 0.4
    }], {text: ["切向改善分量"], fill: "#d97706", fontSize: 12, fontWeight: "bold"})
  ]
})

提示实验观察指引

• 当消费点偏向左上方（如 \(x_1 = 2, x_2 = 8\)）时，目标梯度 \(\nabla u\) 明显右倾，与约束梯度 \(\nabla g\) 形成夹角，金黄色箭头（切向改善分量）指向右下方，表明“多买 \(x_1\)、少买 \(x_2\) 能够沿预算线单调增加效用”；
• 当拖动滑块至中间 \(0.5\)（即 \(x_1=5, x_2=5\)）时，金黄色切向箭头缩短直至完全消失（投影归零），红色箭头 \(\nabla u\) 与蓝色箭头 \(\nabla g\) 完全叠合共线。此时无差异曲线与预算线完美相切，达到拉格朗日最优解！

---

六、 方法拓展：从等式约束到不等式约束（KKT 条件的自然跃迁）

在掌握了拉格朗日等式约束原理后，理解微观经济学中的 Kuhn-Tucker（KKT）条件 便水到渠成。

现实经济问题中，约束往往是以不等式呈现的（例如 \(x_i \ge 0\) 非负约束，以及 \(p \cdot x \le w\) 支出不超过收入）：

\[ \max_{x} f(x) \quad \text{s.t.} \quad g(x) \le c \]

拉格朗日函数同样可以写作：

\[ \mathcal{L}(x, \lambda) = f(x) - \lambda \bigl(g(x) - c\bigr) \]

此时的拉格朗日乘数 \(\lambda\) 必须增加两大约束：

1. 对偶可行性（Dual Feasibility, 符号约束）： \[ \lambda \ge 0 \] 原理：根据影子价格定义，\(\lambda = d V / dc\)。如果约束是 \(g(x) \le c\)（放宽约束相当于增大上限 \(c\)），拥有更多资源不可能让最大效用减少，因此边际效用必须非负！
2. 互补松弛性（Complementary Slackness）： \[ \lambda \bigl(g(x) - c\bigr) = 0 \] 原理：
   • 若约束未绑定（松弛，Slack）：\(g(x^*) < c\)。此时决策者处于可行域内部，边界根本没有起到任何束缚作用，放松这个上限对目标增量毫无贡献，因此影子价格必须为零，即 \(\lambda^* = 0\)；
   • 若约束已绑定（紧约束，Binding）：\(g(x^*) = c\)。此时决策者贴着边界取极值，约束真正起到了抑制作用，影子价格通常严格为正 \(\lambda^* > 0\)。

二者之积恒等于零，正是微观经济学中排查角点解（Corner Solution）与内点解的判定准则。

---

七、 总结与方法论速查

优化类型	问题形态	几何直觉	代数判据
无约束优化	\(\max f(x)\)	无边界障碍，全方向平坦	\(\nabla f(x^*) = \mathbf{0}\)
等式约束 (拉格朗日)	\(\max f(x) \text{ s.t. } g(x) = c\)	目标等值面与约束流形相切，切向改善投影为零	\(\begin{cases} \nabla f(x^*) = \lambda^* \nabla g(x^*) \\ g(x^*) = c \end{cases}\)
不等式约束 (KKT)	\(\max f(x) \text{ s.t. } g(x) \le c\)	内部驻点（\(\lambda=0\)）或边界相切（\(\lambda>0\)）	\(\begin{cases} \nabla f - \lambda^* \nabla g = \mathbf{0} \\ \lambda^* \ge 0, \; g(x^*) \le c \\ \lambda^* (g(x^*) - c) = 0 \end{cases}\)

---

🤖 专栏 AI 助教「乐高」答疑

对切空间的正交分解推导有疑问，或者想进一步推导加边海塞矩阵（Bordered Hessian）与二阶充分条件的证明？向本专栏的 AI 助教提问：