KKT条件定义
KKT条件(Karush–Kuhn–Tucker conditions)是最优化（特别是非线性规划）领域最重要的成果之一，是判断某点是极值点的必要条件。
最优化问题
要选择一组参数（变量），在满足一定的限制条件（约束）下，使设计指标（目标）达到最优值。
根据有无约束以及约束特征，可以将最优化问题分为以下三类，每类问题的求解方法也紧跟着列出。
最优化问题分类
无约束优化问题**：直接求导、最速下降法、共轭梯度法、牛顿法等；
等式约束优化问题：拉格朗日(Lagrange)乘数法；
不等式约束优化问题：**KKT条件。
KKT条件理论部分
如果没有人提出KKT理论,对于不等式约束的优化问题,我们该怎么思考呢?下面是一个小例子:
m
i
n
f
(
X
)
s
.
t
g
(
X
)
≤
0
min \;\; f(X) \;\; s.t \;\; g(X) \leq 0
minf(X)s.tg(X)≤0
如果是最小化问题，即**minf(X)**，约束改写为**g(X)>=0**的形式（原因后文会解释）。
目前我们会求导也会等式约束下的拉格朗日乘数法
一步步来，先对f(X)函数求导吧（若X多维则是求梯度），即先不考虑g(X)<=0这个约束。
先求导取得f(X)的极小值,然后将极小值那个点对应的x值带入g(x)看看满不满足小于0的这个约束
带入g(X)会出现3个情况
g(X)<0
那正好满足约束，X*就是我们要找的最优解。
猛然发现，此时该约束完全不起作用啊(称为不起作用约束)，毕竟我们计算X*时压根都没考虑它。
=0
也就是最优解X*正好也让约束取了等号。
转化为含有等式约束的优化问题。拉格朗日乘数法
>0
显然此时的X*不满足约束，应舍弃。
接下来只用考虑<0和=0的情况
如果<0则是约束不起作用,转化为无约束优化问题
=0则是用拉格朗日乘数法来求解
可以分类讨论但是数学家追求形式的大一统
既然都已经引进拉格朗日乘子λ了，那也得想办法使得在g(X*)<0情形下，也要与λ有点关系。
考虑到若g(X*)<0，此时该约束不起作用，而已经构造好的拉格朗日函数中又有λ，怎么办？
很简单，让拉格朗日函数中的λ=0即可！此时拉格朗日函数可不就简化为L(x, λ)=f(X)了嘛。此时对L(x, λ)求导（等价于对f(X)求导）时既不用管约束，也没有λ的干扰，简直完美。
总结一下就是
（1）若g(X*)=0，引入拉格朗日乘子λ，并要求λ≥0；
（2）若g(X*)<0，要求λ=0。
发现可以采用λg(X*)=0的形式统一了!!!牛逼啊!!!
KKT条件的数学公式
仅有一个不等式约束的KKT条件
式(1)：对拉格朗日函数求梯度(若X一维就是求导)，其中，下三角表示梯度；
式(2)：核心公式，要么λ=0，要么g(X*)=0（此处要求两者不能同时为0）；
式(3)：拉格朗日乘子λ必须是正的（下一部分的图示法有证明）；
式(4)：原问题自己的约束。
可见，式(1)和(2)都是等式，可以帮助我们求最优X*和λ，因为式(2)要分类讨论，所以可能存在多个X*和λ；式(3)和(4)主要起验证作用，帮助我们排除掉一些不满足式(3)和(4)的X*和λ。
具体地，在应用KKT条件计算时，通常也是分类讨论后先求解X*和λ，再验证其是否满足式(3)和(4)，从而排除一些解。
像上述仅含有一个约束的例子，只需要分两类，通常是以拉格朗日乘子λ是否为0进行分类：
(1) 当 λ=0 时，计算X的值，并验证g(X)≤0是否成立；
(2) 当 λ≠0 时，计算X和λ的值，并验证g(X)≤0和λ≥0是否成立。
含有多个多个等式约束和不等式约束的情况
此时的拉格朗日函数为:
其中，**{λi}指的是一系列的λ（有m个），同理{μj}**也是。由于是多个约束，因此引入求和号∑。
其对应的KKT条件为：
利用式(1)(2)(3)求最优X*和 λi，然后通过式(4)和(5)验证这些解是否可行，“可行”指的是这些解是否能让(4)和(5)的不等号成立，不成立则排除。注意，μj是可以取任意值的，不受限制。因为它们是等式约束的拉格朗日乘子，不是不等式的乘子。
由于该问题有m个不等式约束，每个约束对应的拉格朗日/KKT乘子λi都可以“=0”或“≠0”。因此，需要分类讨论的情况有2^m种。
分类详情如下：(1) 当λ1=0，λ2≠0，…，λm≠0时；(2) 当λ1=0，λ2=0，…，λm≠0时；。。。。。。
总结:
能解出最优解的一定是等式，故式(1)(2)(3)帮我们求最优解；
式(4)和式(5)是不等式，帮我们排除一些解，或者得到最优解的适用范围。
得到最优解的适用范围”这句话,其主要针对符号运算的情形
大家在写论文时，建立的数学模型多是用参数和变量表示的，不同情形下的最优解也是符号表达式，因此很难比较大小。
此时，只能通过式(4)和(5)，来得到在什么条件（某符号表达式满足某条件）下，最优解X*和对应的f(X*)值为多少，即需要分类讨论。
KKT补充条件
充分性和必要性说明
KKT条件是判断某点是极值点的必要条件，不是充分条件。换句话说，最优解一定满足KKT条件，但KKT条件的解不一定是最优解。
对于凸规划，KKT条件就是充要条件了，只要满足KKT条件，则一定是极值点，且得到的一定还是全局最优解。
凸规划指的是：目标函数为凸函数，不等式约束函数也为凸函数，等式约束函数是仿射的（理解成是线性的也行）。这牵扯到另一个领域了，本文不再展开陈述。
补充:凸规划/凸优化只研究凸函数的最小化问题，并且认为凹函数的最大化问题是与它等价的。毕竟凹函数只需加个负号就是凸函数了，所以在研究问题中，就不再提凹函数了。
Min/Max与“≤0”和“≥0”的规定
（1）如果目标为最小化（Min）问题，那么不等式约束需要整理成“≤0”的形式；
（2）如果目标为最大化（Max）问题，那么不等式约束需要整理成“≥0”的形式；
以仅含有一个不等式约束的情形为例，最小化和最大化的优化问题要整理成如下形式：
该形式可以死记硬背，但时间一长，大家可能会忘记或记混了，下面，采用图示法逐步展示为什么会有这个要求，该分析过程也展现了KTT条件的几何思想。
上图画出了3条f(X)函数的等值线(图中虚线)，以及右下角为可行域S（即约束条件规定的区域）和g(X)=0的曲线，最优解为X*。基于此，具体分析如下：
（1）f(X)函数值下降方向为左上方：
目标是最小化问题，若下降方向为右下方，则最优解（图中X*）一定不是在g(X)=0上，而是在可行域S内部；
由于KKT条件中第一条就需要计算f(X)和g(X)函数的梯度，所以，这里补充一个基础知识：梯度方向垂直于函数等值线，指向函数值增长的方向。
基于此，我们尝试画出f(X)和g(X)函数的梯度方向：
（2）画出f(X)的梯度方向（下图红色方向）：
梯度方向是函数值增长的方向，因此指向右下方；负梯度方向是函数值下降的方向，指向左上方；
（3）画出g(X)的梯度方向（下图蓝色方向）：
由于曲线是g(X)=0，右下方是g(X)<0，是在下降，因此，g(X)函数值增长的方向就是左上方了。
由上述分析和上图可知，在最优解X*处，f(X*)和g(X*)的梯度方向共线且方向相反。向量共线且方向相反在数学上的写法就是：
负梯度向量是另一个梯度向量的λ倍。移项后发现，这不就是KKT条件的第一个等式嘛！
同时可知，λ的值只能取正值，因为g(X)的梯度方向与f(X)负梯度方向相同。这也是KKT条件要求 λ≥0 的原因。
基于以上分析可知：最小化问题的约束条件应该整理成“≤0”的形式，且λ≥0。
同理，最大化的分析不再展开，仅给出分析图
补充一点，请问大家，对于最大化问题，如果可行域也非要写成g(X)≤0的形式，能行吗？先别忙着否定，我们分析一下。
此时g(X*)的梯度方向就不再是右下方了（不是上图了），而是f(X*)与g(X*)的梯度方向相同，有：
此时如上图，要么KKT条件第一项改为“作差”，要么让λ<0。无论哪一个，其实都是徒增烦恼。不如上来就规定约束写成g(X)≥0来的方便。
多约束条件情形
仅是把梯度的共线变为梯度的线性组合
假设有起作用约束g1(X)和起作用约束g2(X)共同影响目标函数f(X)的梯度，又是怎么样的图形呢？
我们分别画出g1(X)函数在X处的梯度，如图中蓝色向量，其垂直于曲线g1(X)=0；同理，画出g2(X)函数在X*处的梯度，是另一个蓝色向量。
至于f(X)函数的梯度，图中画出负梯度方向（函数值下降的方向），这样画的好处是可以直观地看出三个梯度向量间的关系：
函数的负梯度可以表示成g1函数和g2函数梯度的线性组合。则有如下公式：可以用向量表示
简单移项后，又发现了我们的老朋友：KKT条件的第一个等式。从图中也可以看出，梯度向量之间的夹角为锐角，因此也有λ1≥0，λ2≥0的要求。
