数理经济学最优化理论初步.docVIP

静态最优化理论初步 §3.1 基本问题 静态最优化要解决的基本问题是： i=1，2，…，m j=1，2，…，n 其中，，f，gi，hj都定义在开集。f称为目标函数，gi，hj称为约束条件。 无约束条件的优化问题称为无约束极值问题，带有约束条件的优化问题称为约束极值问题。 最优化理论研究的主要内容： 解的存在性条件； 近似算法。 处理存在性问题的常用方法： Lagrange方法； 基本定理 Kuhn-Tucker定理 §3.2 基础知识 1） 梯度 Hesse矩阵 ， i，j = 1，2，…，n 2）凸分析初步 凸集的定义 设S是Rn空间中的一个子集，若对任意的，及任意的，有 则称S是Rn空间中的凸集。 凸集的性质： 凸集的交集也是凸集； 定义集合 称为的线性和。设，都是Rn空间中的凸集，则也是Rn空间中的凸集； 设，都是Rn空间中的凸集，则它们的笛卡尔积也是Rn空间中的凸集。 凸函数和凹函数的定义： 定义：设f是定义在Rn空间中的凸集S上的实值函数，若对和，有 则称f是定义在S上的凹函数。若有 则称f是定义在S上的凸函数。 若对任意的，上述不等式都是严格的不等式，则称函数为严格凹（凸）函数。 一元凸（凹）函数的几何意义是曲线上任意两点的连线都在曲线的上（下）方。如图。 注意： 线性函数是唯一一个既是凹函数，有是凸函数的函数。 一个函数有无凸性，与它的定义域有关，如函数。 凹函数的一些常用性质： 设f是定义在凸集S上的实值凹函数，则对于，集合是凸集； 凹函数的非负线性组合仍是凹函数，即对于，，若，是凹函数，则也是凹函数； 设S是Rn空间中的凸集，f是S上的实值凹函数的必要充分条件是对任意正数k，及任意的，，且，有 设S是Rn空间中的凸集，f是S上的实值可微函数，f是凹函数的必要充分条件是对任意的， 设S是Rn空间中的开凸集，f是S上的实值二阶可微实值函数，则 f 在S上是凹的，当且仅当对，是半负定的； 如果对，是负定的，则f 在S上是严格凹的； f 在S上是凸的，当且仅当对，是半正定的； 如果对，是正定的，则f 在S上是严格凸的。 设有生产函数。其中，x表示n个要素的投入量，y表示单一产品的产出。假设f是凹函数，则由性质5，对，且，有 和 取定i，对任意的，令，然后，让i遍取1，2，…，n，则有 。 设，则对，有 即f对每个变量的偏导数都是非增的。这说明如果生产函数是凹的，则任何要素的边际产出都是非增的。特别地，若f是严格凹函数，则任何要素的边际产出都是递减的。 如果f代表消费者的效用函数，则效用函数的凹性假设表明效用边际递减的特性。 若进一步假定生产（效用）函数是二阶可微的，则可直接得到产出（效用）的非增性质。 3）无约束极值问题 一阶必要条件：； 二阶充分条件：正定 极小； 负定 极大。 4）等式约束与Lagrange方法 问题： ，i=1，2，…，m 或者，令，则上面的问题可以改写为 通常假设连续可微。设，令 称为原问题的Lagrange函数。 容易证明，L的无约束极值点中的是原问题的约束极值点。 证明该结论的基本思想：（为简化记号，以两个变量，一个约束为例） 设问题为 假设由约束中可以将y解出来，记为y = k（x）。将它带入目标函数，有 这样，就把约束极值问题转变为无约束极值问题了。根据极值的一阶必要条件，有 注意到，在隐函数中，y对x导数为 带入上式，有 整理得并引入新记号 则极值点的必要条件可以写为 上面的三个式子正是Lagrange函数的偏导数。 在L的最优解中，称是原问题的Lagrange乘子，在经济研究中，也称为影子价格。 影子价格的经济意义： 假设目标函数代表利润函数，约束条件表示需投入的资源及限额。则影子价格表示在最优生产计划处，再增加一单位的资源所带来的利润。 可以证明，是函数的极小值点，是函数的极大值点。一般来说，设有函数，若点满足条件： 则称是函数的鞍点。 5）最大最小问题 在最优化理论中，我们要寻找最大值或最小值，但是，给出的条件仅仅是极值点的条件。其原因如图。 为了保证极值点也是最值点，需要增加一个条件，即凸性假设。 大多数极值点的必要条件，增加凸性条件后，就变成了必要充分条件了。 §3.3 有不等式约束的极值问题 记 ， ， 则一般的最优化模型可以简写为 （P） 解决该问题的难点：极值点有可能在处取得。 一阶Kuhn-Tucker条件（必要条件） 设是问题（P）的解，在处可微，在处连续可微，线性独立，且存在，满足条件：若，则和，j = 1，2，…，p，则存在，，使得