محاسبه‌گر ضریب‌های لاگرانژ

نویسنده: Henrick Yau
- 2 اکتبر 2026
| |

ماشین حساب‌ها

این ماشین‌حساب نقاط اکسترمم (بیشینه یا کمینه) یک تابع چندمتغیره را با اعمال یک یا چند قید با استفاده از ضریب‌های لاگرانژ پیدا می‌کند. این روشی قدرتمند برای مسائل بهینه‌سازی با قیود است.

تابع و قیود

گزینه‌های نمایش

درباره ضریب‌های لاگرانژ

روش ضریب‌های لاگرانژ روشی برای یافتن نقاط اکسترمم (بیشینه یا کمینه) یک تابع چندمتغیره تحت یک یا چند قید است. این یک تکنیک اساسی در نظریه بهینه‌سازی است که در اقتصاد، فیزیک، مهندسی و بسیاری از زمینه‌های دیگر کاربرد دارد.

مفاهیم کلیدی
  • تابع هدف: تابع f(x,y) که می‌خواهیم بیشینه یا کمینه کنیم.
  • قید: شرط g(x,y) = 0 که دامنه بهینه‌سازی ما را محدود می‌کند.
  • لاگرانژین: تابع جدید L(x,y,λ) = f(x,y) - λg(x,y) که تابع هدف و قید ما را ترکیب می‌کند.
  • نقاط بحرانی: نقاطی که گرادیان f موازی با گرادیان g است و توسط ضریب لاگرانژ λ مقیاس‌دهی شده است.
کاربردها
  • اقتصاد: بهینه‌سازی مطلوبیت تحت قید بودجه.
  • فیزیک: یافتن حالت‌های تعادل در سیستم‌های مکانیکی.
  • مهندسی: طراحی سازه‌های بهینه تحت قیدهای فیزیکی.
  • تحقیق در عملیات: تخصیص منابع و برنامه‌ریزی تولید.

ماشین حساب ضرایب لاگرانژ چیست؟

ماشین حساب ضرایب لاگرانژ به شما کمک می‌کند تا مقادیر بیشینه یا کمینه یک تابع چندمتغیره را زمانی که یک یا چند قید اعمال می‌شود، پیدا کنید. این ابزار از روشی در حسابان به نام ضرایب لاگرانژ استفاده می‌کند که معمولاً در مسائل بهینه‌سازی به کار می‌رود، جایی که به دلیل محدودیت‌ها یا شرایطی که باید برآورده شوند، راه‌حل‌های مستقیم ممکن نیستند.

برای تابع \( f(x, y) \) با قید \( g(x, y) = 0 \)، معادله زیر را حل می‌کنیم:
\( \nabla f(x, y) = \lambda \nabla g(x, y) \)
با دو قید \( g(x, y) = 0 \) و \( h(x, y) = 0 \)، دستگاه به صورت زیر در می‌آید:
\( \nabla f(x, y) = \lambda \nabla g(x, y) + \mu \nabla h(x, y) \)

مزایای استفاده از محاسبه‌گر ضریب لاگرانژ

این ماشین حساب برای موارد زیر مفید است:

  • حل مسائل بهینه‌سازی که شامل محدودیت‌ها یا مرزها هستند.
  • تجسم نحوه تعامل تابع هدف با منحنی‌های قید.
  • محاسبه خودکار گرادیان‌ها و مقادیر تابع بدون انجام جبر دستی.
  • درک کاربرد ضرایب لاگرانژ در زمینه‌هایی مانند اقتصاد، مهندسی و فیزیک.

این ابزار به ویژه در موارد زیر کمک‌کننده است:

  • بیشینه‌سازی سود یا کارایی تحت محدودیت منابع
  • مسائل طراحی مهندسی با محدودیت‌های سازه‌ای یا مواد
  • تحلیل تعادل در فیزیک با قوانین پایستگی

ورود تابع هدف و قیدها

  1. تابع هدف خود را بر حسب x و y وارد کنید.
  2. حداقل یک تابع قید وارد کنید (مثلاً g(x,y) = 0).
  3. به صورت اختیاری، با علامت زدن کادر مربوطه، یک قید دوم اضافه کنید.
  4. یک حدس اولیه برای x و y ارائه دهید. این کار به ماشین حساب کمک می‌کند تا تقریب خود را شروع کند.
  5. تعداد ارقام اعشاری مورد نظر برای نتایج را انتخاب کنید.
  6. انتخاب کنید که به بیشینه‌ها، کمینه‌ها یا تمام نقاط بحرانی علاقه دارید.
  7. روی محاسبه کلیک کنید تا نتایج، مراحل و نمودار (در صورت فعال بودن) را مشاهده کنید.

خروجی: نقاط بحرانی و ضرایب لاگرانژ

پس از کلیک روی "محاسبه"، ابزار موارد زیر را ارائه می‌دهد:

  • مختصات نقاط بحرانی که شرایط لاگرانژ را برآورده می‌کنند.
  • مقدار تابع شما در آن نقاط.
  • مقادیر ضرایب لاگرانژ (λ و احتمالاً μ).
  • نوع اکسترموم شناسایی‌شده (بیشینه، کمینه یا نامشخص).
  • تجزیه و تحلیل گام‌به‌گام محاسبه (در صورت فعال بودن).
  • یک نمایش بصری شامل تابع، منحنی‌های قید و نقاط بحرانی (در صورت فعال بودن).

پرسش‌های رایج درباره بهینه‌سازی مقید

آیا برای استفاده از این ابزار باید حسابان بلد باشم؟

خیر، اما درک مفاهیمی مانند گرادیان، قیدها و نقاط بحرانی می‌تواند مفید باشد. این ماشین حساب کار سنگین را برای شما انجام می‌دهد.

ضریب لاگرانژ چیست؟

مقداری است (با نماد λ یا μ) که نشان می‌دهد قید چقدر بر بهینه‌سازی تأثیر می‌گذارد. این ضریب بخشی از دستگاهی است که تابع و محدودیت‌های آن را متعادل می‌کند.

آیا می‌توانم از این ابزار برای بیش از دو متغیر استفاده کنم؟

در حال حاضر، این ماشین حساب برای توابع دو متغیره با حداکثر دو قید بهینه شده است. برای ابعاد بالاتر، ممکن است به ابزارهای پیشرفته‌تری نیاز باشد.

تفاوت این ابزار با ماشین حساب مشتق جزئی چیست؟

ماشین حساب مشتق جزئی به محاسبه مشتق یک تابع چندمتغیره نسبت به یک متغیر در هر بار کمک می‌کند. این ماشین حساب از مشتقات جزئی به عنوان بخشی از حل مسائل بهینه‌سازی با قیدها استفاده می‌کند.

ابزارهای مرتبط با مشتق و بهینه‌سازی

این ماشین حساب اغلب در ترکیب با ابزارهای دیگر استفاده می‌شود، مانند:

  • ماشین حساب مشتق جزئی – برای محاسبه گرادیان‌ها و شیب‌ها در توابع چندمتغیره.
  • ماشین حساب مشتق جهتی – برای تحلیل نرخ تغییر در جهت‌های خاص.
  • ماشین حساب مشتق دوم – برای تعیین دقیق‌تر بیشینه یا کمینه.
  • ماشین حساب نقاط بحرانی – برای مکان‌یابی نقاطی که مشتقات صفر یا تعریف‌نشده هستند.

مخاطبان این ابزار بهینه‌سازی

این ابزار برای دانشجویان، مربیان، مهندسان، اقتصاددانان و پژوهشگرانی که با موارد زیر کار می‌کنند مفید است:

  • توابع چندمتغیره
  • بهینه‌سازی تحت قیدها
  • مدل‌سازی ریاضی مبتنی بر گرادیان

این ابزار شکاف بین تئوری و کاربرد را پر می‌کند و بینش فوری در مورد سناریوهای بهینه‌سازی مقید ارائه می‌دهد.