Condiciones de Karush-Kuhn-Tucker

Concepto en optimización matemática

En optimización matemática , las condiciones de Karush–Kuhn–Tucker ( KKT ) , también conocidas como condiciones de Kuhn-Tucker , son pruebas de primera derivada (a veces llamadas condiciones necesarias de primer orden ) para que una solución en programación no lineal sea óptima , siempre que se cumplan algunas condiciones de regularidad.

Al permitir restricciones de desigualdad, el enfoque KKT para la programación no lineal generaliza el método de multiplicadores de Lagrange , que solo permite restricciones de igualdad. De manera similar al enfoque de Lagrange, el problema de maximización (minimización) restringida se reescribe como una función de Lagrange cuyo punto óptimo es un máximo o mínimo global sobre el dominio de las variables de elección y un mínimo (máximo) global sobre los multiplicadores. El teorema de Karush-Kuhn-Tucker a veces se conoce como el teorema del punto de silla. ^[1]

Las condiciones KKT fueron nombradas originalmente en honor a Harold W. Kuhn y Albert W. Tucker , quienes publicaron las condiciones por primera vez en 1951. ^[2] Académicos posteriores descubrieron que las condiciones necesarias para este problema habían sido enunciadas por William Karush en su tesis de maestría en 1939. ^{[3] [4]}

Problema de optimización no lineal

Considere el siguiente problema de optimización no lineal en forma estándar :

minimizar ${\displaystyle f(\mathbf {x} )}$

sujeto a

${\displaystyle g_{i}(\mathbf {x} )\leq 0,}$

${\displaystyle h_{j}(\mathbf {x} )=0.}$

donde es la variable de optimización elegida de un subconjunto convexo de , es la función objetivo o de utilidad , son las funciones de restricción de desigualdad y son las funciones de restricción de igualdad . Los números de desigualdades e igualdades se denotan por y respectivamente. Correspondiente al problema de optimización restringida se puede formar la función lagrangiana ${\displaystyle \mathbf {x} \in \mathbf {X} }$ ${\displaystyle \mathbb {R} ^{n}}$ ${\displaystyle f}$ ${\displaystyle g_{i}\ (i=1,\ldots ,m)}$ ${\displaystyle h_{j}\ (j=1,\ldots ,\ell )}$ ${\displaystyle m}$ ${\displaystyle \ell }$

$${\displaystyle {\mathcal {L}}(\mathbf {x} ,\mathbf {\mu } ,\mathbf {\lambda } )=f(\mathbf {x} )+\mathbf {\mu } ^{\top }\mathbf {g} (\mathbf {x} )+\mathbf {\lambda } ^{\top }\mathbf {h} (\mathbf {x} )=L(\mathbf {x} ,\mathbf {\alpha } )=f(\mathbf {x} )+\mathbf {\alpha } ^{\top }{\begin{pmatrix}\mathbf {g} (\mathbf {x} )\\\mathbf {h} (\mathbf {x} )\end{pmatrix}}}$$

dónde

$${\displaystyle \mathbf {g} \left(\mathbf {x} \right)={\begin{bmatrix}g_{1}\left(\mathbf {x} \right)\\\vdots \\g_{i}\left(\mathbf {x} \right)\\\vdots \\g_{m}\left(\mathbf {x} \right)\end{bmatrix}},\quad \mathbf {h} \left(\mathbf {x} \right)={\begin{bmatrix}h_{1}\left(\mathbf {x} \right)\\\vdots \\h_{j}\left(\mathbf {x} \right)\\\vdots \\h_{\ell }\left(\mathbf {x} \right)\end{bmatrix}},\quad \mathbf {\mu } ={\begin{bmatrix}\mu _{1}\\\vdots \\\mu _{i}\\\vdots \\\mu _{m}\\\end{bmatrix}},\quad \mathbf {\lambda } ={\begin{bmatrix}\lambda _{1}\\\vdots \\\lambda _{j}\\\vdots \\\lambda _{\ell }\end{bmatrix}}\quad {\text{and}}\quad \mathbf {\alpha } ={\begin{bmatrix}\mu \\\lambda \end{bmatrix}}.}$$El teorema de Karush-Kuhn-Tucker establece lo siguiente:

Teorema  —  (suficiencia) Si es un punto de silla de en , , entonces es un vector óptimo para el problema de optimización anterior. ${\displaystyle (\mathbf {x} ^{\ast },\mathbf {\alpha } ^{\ast })}$ ${\displaystyle L(\mathbf {x} ,\mathbf {\alpha } )}$ ${\displaystyle \mathbf {x} \in \mathbf {X} }$ ${\displaystyle \mathbf {\mu } \geq \mathbf {0} }$ ${\displaystyle \mathbf {x} ^{\ast }}$

(necesidad) Supóngase que y , , son convexos en y que existe tal que (es decir, se cumple la condición de Slater ). Entonces, con un vector óptimo para el problema de optimización anterior, hay asociado un vector que satisface tal que es un punto de silla de . ^[5] ${\displaystyle f(\mathbf {x} )}$ ${\displaystyle g_{i}(\mathbf {x} )}$ ${\displaystyle i=1,\ldots ,m}$ ${\displaystyle \mathbf {X} }$ ${\displaystyle \mathbf {x} _{0}\in \operatorname {relint} (\mathbf {X} )}$ ${\displaystyle \mathbf {g} (\mathbf {x} _{0})<\mathbf {0} }$ ${\displaystyle \mathbf {x} ^{\ast }}$ ${\displaystyle \mathbf {\alpha } ^{\ast }={\begin{bmatrix}\mu ^{*}\\\lambda ^{*}\end{bmatrix}}}$ ${\displaystyle \mathbf {\mu } ^{*}\geq \mathbf {0} }$ ${\displaystyle (\mathbf {x} ^{\ast },\mathbf {\alpha } ^{\ast })}$ ${\displaystyle L(\mathbf {x} ,\mathbf {\alpha } )}$

Dado que la idea de este enfoque es encontrar un hiperplano de apoyo en el conjunto factible , la prueba del teorema de Karush-Kuhn-Tucker hace uso del teorema de separación de hiperplanos . ^[6] ${\displaystyle \mathbf {\Gamma } =\left\{\mathbf {x} \in \mathbf {X} :g_{i}(\mathbf {x} )\leq 0,i=1,\ldots ,m\right\}}$

El sistema de ecuaciones e inecuaciones correspondiente a las condiciones KKT no suele resolverse directamente, excepto en los pocos casos especiales en los que se puede derivar analíticamente una solución en forma cerrada . En general, muchos algoritmos de optimización pueden interpretarse como métodos para resolver numéricamente el sistema de ecuaciones e inecuaciones KKT. ^[7]

Condiciones necesarias

Supóngase que la función objetivo y las funciones de restricción y tienen subderivadas en un punto . Si es un óptimo local y el problema de optimización satisface algunas condiciones de regularidad (ver más abajo), entonces existen constantes y , llamadas multiplicadores KKT, tales que se cumplen los siguientes cuatro grupos de condiciones: ^[8] ${\displaystyle f\colon \mathbb {R} ^{n}\rightarrow \mathbb {R} }$ ${\displaystyle g_{i}\colon \mathbb {R} ^{n}\rightarrow \mathbb {R} }$ ${\displaystyle h_{j}\colon \mathbb {R} ^{n}\rightarrow \mathbb {R} }$ ${\displaystyle x^{*}\in \mathbb {R} ^{n}}$ ${\displaystyle x^{*}}$ ${\displaystyle \mu _{i}\ (i=1,\ldots ,m)}$ ${\displaystyle \lambda _{j}\ (j=1,\ldots ,\ell )}$

Diagrama de restricción de desigualdad para problemas de optimización

Estacionariedad

Para minimizar : ${\displaystyle f(x)}$ ${\displaystyle \partial f(x^{*})+\sum _{j=1}^{\ell }\lambda _{j}\partial h_{j}(x^{*})+\sum _{i=1}^{m}\mu _{i}\partial g_{i}(x^{*})\ni \mathbf {0} }$

Para maximizar : ${\displaystyle f(x)}$ ${\displaystyle -\partial f(x^{*})+\sum _{j=1}^{\ell }\lambda _{j}\partial h_{j}(x^{*})+\sum _{i=1}^{m}\mu _{i}\partial g_{i}(x^{*})\ni \mathbf {0} }$

Viabilidad primaria

${\displaystyle h_{j}(x^{*})=0,{\text{ for }}j=1,\ldots ,\ell \,\!}$

${\displaystyle g_{i}(x^{*})\leq 0,{\text{ for }}i=1,\ldots ,m}$

Doble viabilidad

${\displaystyle \mu _{i}\geq 0,{\text{ for }}i=1,\ldots ,m}$

Holgura complementaria

${\displaystyle \sum _{i=1}^{m}\mu _{i}g_{i}(x^{*})=0.}$

La última condición a veces se escribe en la forma equivalente: ${\displaystyle \mu _{i}g_{i}(x^{*})=0,{\text{ for }}i=1,\ldots ,m.}$

En el caso particular , es decir, cuando no hay restricciones de desigualdad, las condiciones KKT se convierten en condiciones de Lagrange y los multiplicadores KKT se denominan multiplicadores de Lagrange . ${\displaystyle m=0}$

Prueba

Teorema  —  (suficiencia) Si existe una solución al problema primal, una solución al problema dual, tales que juntas satisfacen las condiciones KKT, entonces el par de problemas tiene dualidad fuerte y es un par de soluciones a los problemas primal y dual. ${\displaystyle x^{*}}$ ${\displaystyle (\mu ^{*},\lambda ^{*})}$ ${\displaystyle x^{*},(\mu ^{*},\lambda ^{*})}$

(necesidad) Si el par de problemas tiene una dualidad fuerte, entonces, para cualquier solución al problema primal y cualquier solución al problema dual, el par debe satisfacer las condiciones KKT. ^[9] ${\displaystyle x^{*}}$ ${\displaystyle (\mu ^{*},\lambda ^{*})}$ ${\displaystyle x^{*},(\mu ^{*},\lambda ^{*})}$

Prueba

En primer lugar, que se satisfagan las condiciones KKT es equivalente a que sean un equilibrio de Nash . ${\displaystyle x^{*},(\mu ^{*},\lambda ^{*})}$

Fijar y variar : el equilibrio es equivalente a la estacionariedad primaria. ${\displaystyle (\mu ^{*},\lambda ^{*})}$ ${\displaystyle x}$

Fijar y variar : el equilibrio es equivalente a la viabilidad primaria y a la holgura complementaria. ${\displaystyle x^{*}}$ ${\displaystyle (\mu ,\lambda )}$

Suficiencia: el par de soluciones satisface las condiciones KKT, por lo tanto es un equilibrio de Nash y, por lo tanto, cierra la brecha de dualidad. ${\displaystyle x^{*},(\mu ^{*},\lambda ^{*})}$

Necesidad: cualquier par de soluciones debe cerrar la brecha de dualidad, por lo tanto deben constituir un equilibrio de Nash (ya que ninguno de los lados podría hacerlo mejor), por lo que satisfacen las condiciones KKT. ${\displaystyle x^{*},(\mu ^{*},\lambda ^{*})}$

Interpretación: Las condiciones KKT como fuerzas restrictivas de equilibrio en el espacio de estados

El problema primal puede interpretarse como mover una partícula en el espacio de y someterla a tres tipos de campos de fuerza: ${\displaystyle x}$

• ${\displaystyle f}$es un campo potencial que la partícula está minimizando. La fuerza generada por es . ${\displaystyle f}$ ${\displaystyle -\partial f}$
• ${\displaystyle g_{i}}$son superficies de restricción unilaterales. Se permite que la partícula se mueva dentro de , pero siempre que toca , es empujada hacia adentro. ${\displaystyle g_{i}\leq 0}$ ${\displaystyle g_{i}=0}$
• ${\displaystyle h_{j}}$Son superficies de restricción de dos lados. La partícula solo puede moverse sobre la superficie . ${\displaystyle h_{j}}$

La estacionariedad primordial establece que la "fuerza" de está exactamente equilibrada por una suma lineal de fuerzas y . ${\displaystyle \partial f(x^{*})}$ ${\displaystyle \partial h_{j}(x^{*})}$ ${\displaystyle \partial g_{i}(x^{*})}$

La viabilidad dual establece además que todas las fuerzas deben ser unilaterales, apuntando hacia adentro del conjunto factible para . ${\displaystyle \partial g_{i}(x^{*})}$ ${\displaystyle x}$

La holgura complementaria establece que si , entonces la fuerza que proviene de debe ser cero, es decir , dado que la partícula no está en el límite, la fuerza de restricción unilateral no puede activarse. ${\displaystyle g_{i}(x^{*})<0}$ ${\displaystyle \partial g_{i}(x^{*})}$ ${\displaystyle \mu _{i}(x^{*})=0}$

Representación matricial

Las condiciones necesarias se pueden escribir con matrices jacobianas de las funciones de restricción. Sea θ y θ definidas como . Sea θ y θ . Entonces las condiciones necesarias se pueden escribir como: ${\displaystyle \mathbf {g} (x):\,\!\mathbb {R} ^{n}\rightarrow \mathbb {R} ^{m}}$ ${\displaystyle \mathbf {g} (x)=\left(g_{1}(x),\ldots ,g_{m}(x)\right)^{\top }}$ ${\displaystyle \mathbf {h} (x):\,\!\mathbb {R} ^{n}\rightarrow \mathbb {R} ^{\ell }}$ ${\displaystyle \mathbf {h} (x)=\left(h_{1}(x),\ldots ,h_{\ell }(x)\right)^{\top }}$ ${\displaystyle {\boldsymbol {\mu }}=\left(\mu _{1},\ldots ,\mu _{m}\right)^{\top }}$ ${\displaystyle {\boldsymbol {\lambda }}=\left(\lambda _{1},\ldots ,\lambda _{\ell }\right)^{\top }}$

Estacionariedad

Para maximizar : ${\displaystyle f(x)}$ ${\displaystyle \partial f(x^{*})-D\mathbf {g} (x^{*})^{\top }{\boldsymbol {\mu }}-D\mathbf {h} (x^{*})^{\top }{\boldsymbol {\lambda }}=\mathbf {0} }$

Para minimizar : ${\displaystyle f(x)}$ ${\displaystyle \partial f(x^{*})+D\mathbf {g} (x^{*})^{\top }{\boldsymbol {\mu }}+D\mathbf {h} (x^{*})^{\top }{\boldsymbol {\lambda }}=\mathbf {0} }$

Viabilidad primaria

${\displaystyle \mathbf {g} (x^{*})\leq \mathbf {0} }$

${\displaystyle \mathbf {h} (x^{*})=\mathbf {0} }$

Doble viabilidad

${\displaystyle {\boldsymbol {\mu }}\geq \mathbf {0} }$

Holgura complementaria

${\displaystyle {\boldsymbol {\mu }}^{\top }\mathbf {g} (x^{*})=0.}$

Condiciones de regularidad (o calificaciones de restricción)

Se puede preguntar si un punto minimizador del problema de optimización original, restringido (suponiendo que exista uno) tiene que satisfacer las condiciones KKT anteriores. Esto es similar a preguntar bajo qué condiciones el minimizador de una función en un problema sin restricciones tiene que satisfacer la condición . Para el caso restringido, la situación es más complicada, y se pueden establecer una variedad de condiciones de "regularidad" (cada vez más complicadas) bajo las cuales un minimizador restringido también satisface las condiciones KKT. A continuación se presentan algunos ejemplos comunes de condiciones que garantizan esto, siendo el LICQ el más utilizado: ${\displaystyle x^{*}}$ ${\displaystyle x^{*}}$ ${\displaystyle f(x)}$ ${\displaystyle \nabla f(x^{*})=0}$

Las implicaciones estrictas se pueden demostrar

LICQ ⇒ MFCQ ⇒ CPLD ⇒ QNCQ

y

LICQ ⇒ CRCQ ⇒ CPLD ⇒ QNCQ

En la práctica, se prefieren calificaciones de restricciones más débiles porque se aplican a una selección más amplia de problemas.

Condiciones suficientes

En algunos casos, las condiciones necesarias también son suficientes para la optimalidad. En general, las condiciones necesarias no son suficientes para la optimalidad y se requiere información adicional, como las Condiciones Suficientes de Segundo Orden (SOSC). Para funciones suaves, las SOSC involucran las derivadas segundas, lo que explica su nombre.

Las condiciones necesarias son suficientes para la optimalidad si la función objetivo de un problema de maximización es una función cóncava diferenciable , las restricciones de desigualdad son funciones convexas diferenciables , las restricciones de igualdad son funciones afines y se cumple la condición de Slater . ^[11] De manera similar, si la función objetivo de un problema de minimización es una función convexa diferenciable , las condiciones necesarias también son suficientes para la optimalidad. ${\displaystyle f}$ ${\displaystyle g_{j}}$ ${\displaystyle h_{i}}$ ${\displaystyle f}$

Martin demostró en 1985 que la clase más amplia de funciones en las que las condiciones KKT garantizan la optimalidad global son las llamadas funciones invex de tipo 1. [ 12 ^{] [13]}

Condiciones suficientes de segundo orden

Para problemas de optimización suave y no lineal , se da una condición suficiente de segundo orden como sigue.

La solución encontrada en la sección anterior es un mínimo local restringido si para el Lagrangiano, ${\displaystyle x^{*},\lambda ^{*},\mu ^{*}}$

${\displaystyle L(x,\lambda ,\mu )=f(x)+\sum _{i=1}^{m}\mu _{i}g_{i}(x)+\sum _{j=1}^{\ell }\lambda _{j}h_{j}(x)}$

entonces,

${\displaystyle s^{T}\nabla _{xx}^{2}L(x^{*},\lambda ^{*},\mu ^{*})s\geq 0}$

donde es un vector que satisface lo siguiente, ${\displaystyle s\neq 0}$

${\displaystyle \left[\nabla _{x}g_{i}(x^{*}),\nabla _{x}h_{j}(x^{*})\right]^{T}s=0_{\mathbb {R} ^{2}}}$

donde solo se aplican las restricciones de desigualdad activas correspondientes a complementariedad estricta (es decir, donde ). La solución es un mínimo local restringido estricto en el caso de que la desigualdad también sea estricta. ${\displaystyle g_{i}(x)}$ ${\displaystyle \mu _{i}>0}$

Si , se debe utilizar la expansión de Taylor de tercer orden del lagrangiano para verificar si es un mínimo local. La minimización de es un buen contraejemplo, véase también la superficie de Peano . ${\displaystyle s^{T}\nabla _{xx}^{2}L(x^{*},\lambda ^{*},\mu ^{*})s=0}$ ${\displaystyle x^{*}}$ ${\displaystyle f(x_{1},x_{2})=(x_{2}-x_{1}^{2})(x_{2}-3x_{1}^{2})}$

Ciencias económicas

En economía matemática, el enfoque KKT se utiliza a menudo en modelos teóricos para obtener resultados cualitativos. Por ejemplo, ^[14] considere una empresa que maximiza sus ingresos por ventas sujeta a una restricción de beneficio mínimo. Si se considera que es la cantidad de producción producida (a elegir), los ingresos por ventas con una primera derivada positiva y con un valor cero con una producción cero, los costes de producción con una primera derivada positiva y con un valor no negativo con una producción cero, y el nivel mínimo aceptable positivo de beneficio , entonces el problema tiene sentido si la función de ingresos se estabiliza de modo que, en última instancia, es menos empinada que la función de costes. El problema expresado en la forma de minimización dada anteriormente es ${\displaystyle Q}$ ${\displaystyle R(Q)}$ ${\displaystyle C(Q)}$ ${\displaystyle G_{\min }}$

Minimizar ${\displaystyle -R(Q)}$

sujeto a

${\displaystyle G_{\min }\leq R(Q)-C(Q)}$

${\displaystyle Q\geq 0,}$

y las condiciones del KKT son

${\displaystyle {\begin{aligned}&\left({\frac {{\text{d}}R}{{\text{d}}Q}}\right)(1+\mu )-\mu \left({\frac {{\text{d}}C}{{\text{d}}Q}}\right)\leq 0,\\[5pt]&Q\geq 0,\\[5pt]&Q\left[\left({\frac {{\text{d}}R}{{\text{d}}Q}}\right)(1+\mu )-\mu \left({\frac {{\text{d}}C}{{\text{d}}Q}}\right)\right]=0,\\[5pt]&R(Q)-C(Q)-G_{\min }\geq 0,\\[5pt]&\mu \geq 0,\\[5pt]&\mu [R(Q)-C(Q)-G_{\min }]=0.\end{aligned}}}$

Dado que violaría la restricción de beneficio mínimo, tenemos y, por lo tanto, la tercera condición implica que la primera condición se cumple con igualdad. Resolviendo esa igualdad obtenemos ${\displaystyle Q=0}$ ${\displaystyle Q>0}$

${\displaystyle {\frac {{\text{d}}R}{{\text{d}}Q}}={\frac {\mu }{1+\mu }}\left({\frac {{\text{d}}C}{{\text{d}}Q}}\right).}$

Debido a que se dio que y son estrictamente positivos, esta desigualdad junto con la condición de no negatividad en garantiza que es positiva y, por lo tanto, la empresa que maximiza los ingresos opera en un nivel de producción en el que el ingreso marginal es menor que el costo marginal , un resultado que es de interés porque contrasta con el comportamiento de una empresa que maximiza las ganancias , que opera en un nivel en el que son iguales. ${\displaystyle {\text{d}}R/{\text{d}}Q}$ ${\displaystyle {\text{d}}C/{\text{d}}Q}$ ${\displaystyle \mu }$ ${\displaystyle \mu }$ ${\displaystyle {\text{d}}R/{\text{d}}Q}$ ${\displaystyle {\text{d}}C/{\text{d}}Q}$

Función de valor

Si reconsideramos el problema de optimización como un problema de maximización con restricciones de desigualdad constantes:

${\displaystyle {\text{Maximize }}\;f(x)}$

${\displaystyle {\text{subject to }}\ }$

${\displaystyle g_{i}(x)\leq a_{i},h_{j}(x)=0.}$

La función de valor se define como

${\displaystyle V(a_{1},\ldots ,a_{n})=\sup \limits _{x}f(x)}$

${\displaystyle {\text{subject to }}\ }$

${\displaystyle g_{i}(x)\leq a_{i},h_{j}(x)=0}$

${\displaystyle j\in \{1,\ldots ,\ell \},i\in \{1,\ldots ,m\},}$

Entonces el dominio de es ${\displaystyle V}$ ${\displaystyle \{a\in \mathbb {R} ^{m}\mid {\text{for some }}x\in X,g_{i}(x)\leq a_{i},i\in \{1,\ldots ,m\}\}.}$

Dada esta definición, cada coeficiente es la tasa a la que la función de valor aumenta a medida que aumenta . Por lo tanto, si cada uno se interpreta como una restricción de recursos, los coeficientes indican cuánto aumentará el valor óptimo de nuestra función al aumentar un recurso . Esta interpretación es especialmente importante en economía y se utiliza, por ejemplo, en problemas de maximización de la utilidad . ${\displaystyle \mu _{i}}$ ${\displaystyle a_{i}}$ ${\displaystyle a_{i}}$ ${\displaystyle f}$

Generalizaciones

Con un multiplicador adicional , que puede ser cero (siempre que ), frente a las condiciones de estacionariedad KKT se convierten en ${\displaystyle \mu _{0}\geq 0}$ ${\displaystyle (\mu _{0},\mu ,\lambda )\neq 0}$ ${\displaystyle \nabla f(x^{*})}$

${\displaystyle {\begin{aligned}&\mu _{0}\,\nabla f(x^{*})+\sum _{i=1}^{m}\mu _{i}\,\nabla g_{i}(x^{*})+\sum _{j=1}^{\ell }\lambda _{j}\,\nabla h_{j}(x^{*})=0,\\[4pt]&\mu _{j}g_{i}(x^{*})=0,\quad i=1,\dots ,m,\end{aligned}}}$

que se denominan condiciones de Fritz John . Estas condiciones de optimalidad se cumplen sin restricciones y son equivalentes a la condición de optimalidad KKT o (no-MFCQ) .

Las condiciones KKT pertenecen a una clase más amplia de condiciones necesarias de primer orden (FONC), que permiten funciones no suaves utilizando subderivadas .

Véase también

• El lema de Farkas
• Multiplicador de Lagrange
• El método Big M , para problemas lineales, que extiende el algoritmo simplex a problemas que contienen restricciones de "mayor que".
• Método del punto interior: un método para resolver las condiciones KKT.
• Variable de holgura
• La condición de Slater

Referencias

1. Tabak, Daniel; Kuo, Benjamin C. (1971). Control óptimo mediante programación matemática . Englewood Cliffs, Nueva Jersey: Prentice-Hall. pp. 19-20. ISBN 0-13-638106-5.
2. Kuhn, HW ; Tucker, AW (1951). "Programación no lineal". Actas del 2º Simposio de Berkeley . Berkeley: University of California Press. págs. 481–492. MR  0047303.
3. W. Karush (1939). Mínimos de funciones de varias variables con desigualdades como restricciones laterales (tesis de maestría). Departamento de Matemáticas, Universidad de Chicago, Chicago, Illinois.
4. Kjeldsen, Tinne Hoff (2000). "Un análisis histórico contextualizado del teorema de Kuhn-Tucker en programación no lineal: el impacto de la Segunda Guerra Mundial". Historia Math . 27 (4): 331–361. doi : 10.1006/hmat.2000.2289 . MR  1800317.
5. Walsh, GR (1975). "Propiedad del punto de silla de la función lagrangiana". Métodos de optimización . Nueva York: John Wiley & Sons. págs. 39–44. ISBN 0-471-91922-5.
6. Kemp, Murray C.; Kimura, Yoshio (1978). Introducción a la Economía Matemática. Nueva York: Springer. págs. 38–44. ISBN 0-387-90304-6.
7. Boyd, Stephen; Vandenberghe, Lieven (2004). Optimización convexa . Cambridge: Cambridge University Press . pág. 244. ISBN. 0-521-83378-7.Sr. 2061575  .
8. Ruszczyński, Andrzej (2006). Optimización no lineal . Princeton, Nueva Jersey: Princeton University Press . ISBN 978-0691119151.Sr. 2199043  .
9. Geoff Gordon y Ryan Tibshirani. "Condiciones de Karush-Kuhn-Tucker, optimización 10-725 / 36-725" (PDF) . Archivado desde el original (PDF) el 17 de junio de 2022.
10. Dimitri Bertsekas (1999). Programación no lineal (2.ª edición). Athena Scientific. pp. 329–330. ISBN 9781886529007.
11. Boyd, Stephen; Vandenberghe, Lieven (2004). Optimización convexa . Cambridge: Cambridge University Press . pág. 244. ISBN. 0-521-83378-7.Sr. 2061575  .
12. Martin, DH (1985). "La esencia de la invexidad". J. Optim. Theory Appl . 47 (1): 65–76. doi :10.1007/BF00941316. S2CID  122906371.
13. Hanson, MA (1999). "Invexidad y el teorema de Kuhn-Tucker". J. Math. Anal. Appl . 236 (2): 594–604. doi : 10.1006/jmaa.1999.6484 .
14. Chiang, Alpha C. Métodos fundamentales de economía matemática , 3.ª edición, 1984, págs. 750–752.

Lectura adicional

• Andreani, R.; Martínez, JM; Schuverdt, ML (2005). "Sobre la relación entre la condición de dependencia lineal positiva constante y la calificación de restricción de cuasinormalidad". Journal of Optimization Theory and Applications . 125 (2): 473–485. doi :10.1007/s10957-004-1861-9. S2CID  122212394.
• Avriel, Mordecai (2003). Programación no lineal: análisis y métodos . Dover. ISBN 0-486-43227-0.
• Boltyanski, V.; Martini, H.; Soltan, V. (1998). "El teorema de Kuhn-Tucker". Métodos geométricos y problemas de optimización . Nueva York: Springer. págs. 78–92. ISBN 0-7923-5454-0.
• Boyd, S.; Vandenberghe, L. (2004). "Condiciones de optimalidad" (PDF) . Optimización convexa . Cambridge University Press. págs. 241–249. ISBN 0-521-83378-7.
• Kemp, Murray C.; Kimura, Yoshio (1978). Introducción a la Economía Matemática. Nueva York: Springer. págs. 38–73. ISBN 0-387-90304-6.
• Rau, Nicholas (1981). "Multiplicadores de Lagrange". Matrices y programación matemática . Londres: Macmillan. pp. 156–174. ISBN 0-333-27768-6.
• Nocedal, J.; Wright, SJ (2006). Optimización numérica . Nueva York: Springer. ISBN. 978-0-387-30303-1.
• Sundaram, Rangarajan K. (1996). "Restricciones de desigualdad y el teorema de Kuhn y Tucker". Un primer curso de teoría de optimización . Nueva York: Cambridge University Press. pp. 145–171. ISBN 0-521-49770-1.

Enlaces externos

• Condiciones de Karush-Kuhn-Tucker con derivación y ejemplos
• Ejemplos y tutoriales sobre las condiciones KKT