Широко известен
метод множителей Лагранжа, ориентированный на поиск экстремума при наличии ограничений типа равенств

, т.е. на решение задачи
 | (1) |
где

.
Необходимые условия экстремума функции

:
 | (2) |

Система (2) содержит

алгебраических уравнений, где

— размерность пространства управляемых параметров, ее решение дает искомые координаты экстремальной точки и значения множителей Лагранжа. Однако при численном решении (2), что имеет место при использовании
алгоритмических моделей, возникают те же трудности, что и в
методе Ньютона. Поэтому в САПР основными методами решения задач математического программирования (ЗМП) являются методы штрафных функций и проекции градиента.
Основная идея
методов штрафных функций — преобразование задачи условной оптимизации в задачу безусловной оптимизации путем формирования новой целевой функции

введением в исходную целевую функцию

специальным образом выбранной
функции штрафа 
:

где

— множитель, значения которого можно изменять в процессе оптимизации.
Среди методов штрафных функций различают методы внутренней и внешней точки. Согласно методам внутренней точки (иначе называемым методами барьерных функций), исходную для поиска точку можно выбирать только внутри допустимой области, а для методов внешней точки как внутри, так и вне допустимой области (важно лишь, чтобы в ней функции целевая и ограничений были бы определены). Ситуация появления барьера у целевой функции

и соотношение между условным в точке

и безусловным в точке

минимумами

в простейшем одномерном случае иллюстрируется рис. 1.
Рис. 1. Метод штрафных функций
Примеры штрафных функций:
- для метода внутренней точки при ограничениях


где
— число ограничений типа неравенств;
- для метода внешней точки при таких же ограничениях

здесь штраф сводится к включению в
суммы квадратов активных (т.е. нарушенных) ограничений;
- в случае ограничений типа равенств


Чем больше коэффициент

, тем точнее решение задачи, однако при больших

может ухудшаться ее обусловленность. Поэтому в начале поиска обычно выбирают умеренные значения

, увеличивая их в окрестностях экстремума.
Поиск при выполнении ограничений осуществляется в подпространстве

измерений, где

— число управляемых параметров,

— число ограничений, при этом движение осуществляется в направлении проекции градиента целевой функции

на гиперплоскость, касательную к гиперповерхности ограничений (точнее к гиперповерхности пересечения гиперповерхностей ограничений).
Поиск минимума начинают со спуска из исходной точки на гиперповерхность ограничений. Далее выполняют шаг в указанном выше направлении (шаг вдоль гиперповерхности ограничений). Поскольку этот шаг может привести к заметному нарушению ограничений, вновь повторяют спуск на гиперповерхность ограничений и т.д. Другими словами, поиск заключается в выполнении пар шагов, каждая пара включает спуск на гиперповерхность ограничений и движение вдоль гиперповерхности ограничений.
Идею метода легко пояснить для случая поиска в двумерном пространстве при одном ограничении

. На рис. 2 это ограничение представлено жирной линией, а целевая функция — совокупностью более тонких линий равного уровня. Спуск обычно осуществляют по нормали к гиперповерхности ограничений (в данном случае к линии ограничения). Условие окончания поиска основано на сопоставлении значений целевой функции в двух последовательных точках, получаемых после спуска на гиперповерхность ограничений.
Рис. 2. Траектория поиска в соответствии с методом проекции градиента
Рассмотрим вопрос, касающийся получения аналитических выражений для направлений спуска и движения вдоль гиперповерхности ограничений.
1. Спуск.
Необходимо из текущей точки поиска

попасть в точку

, являющуюся ближайшей к

точкой на гиперповерхности ограничений, т.е. решить задачу

при условии

, которое после линеаризации в окрестностях точки

имеет вид

Используя
метод множителей Лагранжа, обозначая

и учитывая, что минимизация расстояния равнозначна минимизации скалярного произведения

на

, запишем

 | (3) |
 | (4) |
Тогда из (3) получаем выражение

подставляя его в (4), имеем

откуда

и окончательно, подставляя

в (3), находим

2. Движение вдоль гиперповерхности ограничений.
Шаг в гиперплоскости

, касательной к гиперповерхности ограничений, следует сделать в направлении вектора

, на котором целевая функция уменьшается в наибольшей мере при заданном шаге

. Уменьшение целевой функции при переходе из точки

в новую точку

подсчитывают, используя формулу линеаризации

в окрестностях точки

:

где

— приращение

, которое нужно минимизировать, варьируя направления

 | (5) |
где вариация

осуществляется в пределах гиперплоскости

;

и

— ортогональные векторы. Следовательно, минимизацию (5) необходимо выполнять при ограничениях


Последнее ограничение говорит о том, что при поиске направления движения, вектор

должен лишь указывать это направление, т.е. его длина несущественна (пусть

— единичный вектор).
Для решения (5) используем метод множителей Лагранжа

где

и

— множители Лагранжа;
 | (6) |
 | (7) |
 | (8) |
Из (6) следует, что

подставляя

в (7), получаем

откуда


или
 | (9) |
Таким образом, матрица

представляет собой проектирующую матрицу, а вектор

, рассчитанный по (9), — проекцию градиента

на гиперповерхность ограничений.
Частным случаем применения метода проекции градиента являются задачи оптимизации с
максиминным критерием. Действительно, для поиска экстремума функции минимума

где

— нормированная величина

-го выходного параметра

, удобно применять метод проекции градиента. В качестве ограничений задачи в исходной постановке фигурируют только
прямые ограничения
Здесь

и

— граничные значения допустимого диапазона варьирования параметра

. В процессе поиска, если минимальной является функция

и траектория поиска пересекает гребень
 | (10) |
то поиск продолжается в направлении проекции градиента функции

на гиперповерхность гребня (10).