非线性约束优化问题(NLP)是运筹学的重要分支之一,它广泛应用于自然科学、工程计算和经济管理等领域中,非线性约束优化问题的典型数值解法有可行方向法、罚函数法、乘子法和序列二次规划法等,通过求解NLP的KKT点来得到NLP的局部极小点的方法是最近较流行的数值方法之一,这类方法的一般特点是把约束优化问题的KKT条件等价地转化为光滑非线性方程组,然后利用经典最优化方法来求解KKT点,本文研究的算法也是求解KKT点,但解决问题的思路不同,具体内容如下:　　1.首先构造了一个含参数的新的辅助函数,利用这个函数的良好特性,对不等式约束优化问题的约束条件进行了等价转换,这样的转换不仅保证了新的不等式约束最优化问题的KKT条件与原问题的KKT条件同解,而且引入的参数使得新问题的Lagrange函数具有了罚函数特性,利用这一特性,我们提出了一个新的Lagrange函数法,并证明了该算法的全局收敛性,数值实验结果表明该算法具有较好的适应性和稳定性.　　2.首先把等式约束等价地转换为两个不等式约束,然后利用前面处理不等式约束的方法,将它们转化为新的不等式约束,根据所构造函数的特性,把两个不等式约束进一步等价地转换成一个不等式约束,从而把包含等式约束的问题转化成仅有不等式约束的优化问题,最后,给出了针对一般约束优化问题的Lagrange函数法,