增强拉格朗日乘子法的作用是用来解决等式约束下的优化问题，
假定需要求解的问题如下：
minimize f(X)
s.t.: h(X)=0
其中，f:R->R; h:R->R
朴素拉格朗日乘子法的解决方案是：
L(X,λ)=f(X)+μh(X); μ:R
此时，求解L对X和μ的偏导同时为零就可以得到最优解了。
增强拉格朗日乘子法的解决方案是：
L(x,λ)=f(X)+μh(X)+/c|h(X)|
每次求出一个xi，然后按照梯度更新参数μ，c每次迭代逐渐增大（使用ALM方法好像还有一些假设条件）
整个流程只需要几步就可以完成了，一直迭代就可得到最优解了。
参考文献：
[1]Multiplier and Gradient Methods,1969
[2]constrained optimization and lagrange multiplier methods(page 104),1982