http://zh.wikipedia.org/wiki/%E6%8B%89%E6%A0%BC%E6%9C%97%E6%97%A5%E4%B9%98%E6%95%B0 
在維基上搜索“拉格朗日乘數(shù)”即可

例子

[編輯]很簡(jiǎn)單的例子

求此方程的最大值：

f(x, y) = x^2 y

同時(shí)未知數(shù)滿足

x^2 + y^2 = 1

因?yàn)橹挥幸粋€(gè)未知數(shù)的限制條件，我們只需要用一個(gè)乘數(shù)\lambda.

g (x, y) = x^2 +y^2 -1
\Phi (x, y, \lambda) = f(x,y) + \lambda g(x, y) = x^2 y + \lambda (x^2 + y^2 - 1)

將所有\Phi方程的偏微分設(shè)為零，得到一個(gè)方程組，最大值是以下方程組的解中的一個(gè)：

2 x y + 2 \lambda x = 0
x^2 + 2 \lambda y = 0
x^2 + y^2 -1 = 0

[編輯]另一個(gè)例子

求此離散分布的最大熵：

f(p_1,p_2,\ldots,p_n) = -\sum_{k=1}^n p_k\log_2 p_k.

所有概率的總和是1，因此我們得到的約束是g（p）= 1即

g(p_1,p_2,\ldots,p_n)=\sum_{k=1}^n p_k=1.

可以使用拉格朗日乘數(shù)找到最高熵（概率的函數(shù)）。對(duì)于所有的k 從1到n，要求

\frac{\partial}{\partial p_k}(f+\lambda (g-1))=0,

由此得到

\frac{\partial}{\partial p_k}\left(-\sum_{k=1}^n p_k \log_2 p_k + \lambda (\sum_{k=1}^n p_k - 1) \right) = 0.

計(jì)算出這n個(gè)等式的微分，我們得到：

-\left(\frac{1}{\ln 2}+\log_2 p_k \right) + \lambda = 0.

這說(shuō)明pi都相等 (因?yàn)樗鼈兌贾皇?#955;的函數(shù)). 解出約束∑k pk = 1，得到

p_k = \frac{1}{n}.

因此，使用均勻分布可得到最大熵的值。