Karush-Kuhn-Tucker (KKT) 条件，是判断一个点是否为约束优化问题最优解的必要条件。对于你刚才问的凸二次规划，它甚至是充分必要条件——满足了 KKT，就找到了全局最优解。

1. 它解决什么问题？

一般优化问题形式：

最小化  f(x)
满足   g_i(x) ≤ 0  (i=1,...,m)   —— 不等式约束
       h_j(x) = 0  (j=1,...,l)   —— 等式约束

KKT 条件把有约束的优化问题，转化成一个方程组/不等式组的求解问题。如果候选点 x* 是局部最优解，并且满足一定的“正则性条件”，那么必然存在乘子 μ_i 和 λ_j，使以下条件成立。

2. KKT 条件（四个部分）

① 稳定性条件（梯度条件）

拉格朗日函数对变量 x 的梯度为零：

∇f(x*) + Σ μ_i ∇g_i(x*) + Σ λ_j ∇h_j(x*) = 0

这是“在约束边界上，目标函数的负梯度方向必须落在约束梯度张成的锥里”的数学表达。简单理解：在约束包围下，没有可行的下降方向了。

② 原始可行性

g_i(x*) ≤ 0,   h_j(x*) = 0

点必须在可行域内，这是基本要求。

③ 对偶可行性（乘子符号）

对于不等式约束的乘子：

μ_i ≥ 0

它保证约束形成的“推”力是朝向可行域内部的，而不是反向。

④ 互补松弛条件

μ_i · g_i(x*) = 0  (对每个不等式约束 i)

这意味着：

• 如果约束生效（g_i(x*) = 0，处于边界），乘子 μ_i 可以 > 0。
• 如果约束未生效（g_i(x*) < 0，在内部），乘子 μ_i 必须等于 0。

它把“哪些约束真正在起作用”这件事自动编码到了乘子里。

3. 对凸二次规划的特殊之处

凸二次规划：

最小化  (1/2)xᵀQx + cᵀx
满足    Ax ≤ b

• 目标函数是凸的（Q 半正定），约束是线性的。
• 线性约束自动满足正则性条件，因此 KKT 条件是最优解的充分必要条件。
• 直接写出它的 KKT 系统：

Qx* + c + Aᵀμ = 0        (稳定性)
Ax* ≤ b                  (原始可行性)
μ ≥ 0                    (对偶可行性)
μᵀ(b - Ax*) = 0          (互补松弛)

这是一个混合线性互补问题，也是内点法、增广拉格朗日法等算法实际求解的系统。

4. 直觉理解：互补松弛是关键

想象一个简单的二次规划：

最小化  x²
满足    x ≥ 1

• 无约束时，最优解是 x = 0。
• 加了 x ≥ 1 约束后，最优解是 x* = 1，约束生效。
• 拉格朗日函数：L = x² - μ(x - 1)
• KKT 条件：
  • 稳定性：2x - μ = 0 → μ = 2
  • 原始可行性：x ≥ 1 ✓
  • 对偶可行性：μ = 2 ≥ 0 ✓
  • 互补松弛：μ(x - 1) = 2 × 0 = 0 ✓

如果约束改成 x ≥ -5（不生效），最优解就是 x* = 0：

• 稳定性：2x - μ = 0 → μ = 0
• 互补松弛：μ(x + 5) = 0 × 5 = 0 ✓
• 乘子 μ 自动归零，约束“隐身”。

KKT 条件的精髓正在于此：它用乘子和互补松弛条件，优雅地区分了“起作用”和“不起作用”的约束。