定积分和多元函数Day8

KeKe_L

已于 2024-10-10 00:01:57 修改

阅读量1k

点赞数 19

文章标签：学习 python 算法

于 2024-10-10 00:01:25 首次发布

本文链接：https://blog.csdn.net/KeKe_L/article/details/142791717

版权

1.定义

$\int_{a}^{b}f_(x)dx$

表示在区间[a,b]之间函数f(x)的面积。

将[a,b]区间分成无数个单位，每个单位长度为 $\Delta x_{i}$

$\Delta x_{i}=x_{i}-x_{i-1}$

在每个区间内取一个点 $a_{i}$ ，则区间 $\Delta x_{i}$ 的面积为

$\Delta x_{i}\times f_{a_{i}}$

所以整个[a,b]区间的面积为

$\int_{a}^{b}f_{x} dx=\lim _{ n \to\infty}\sum_{i=1}^{n}f_{a_{i}}\Delta x_{i}$

2.性质

线性： $\int_{a}^{b}cf_{x}+dg_{x}dx=c\int_{a}^{b}f_{x}dx+d\int_{a}^{b}g_{x}dx$ c，d为常数

区间可加性： $\int_{a}^{b}f_{x}dx=\int_{a}^{c}f_{x}dx+\int_{c}^{b}f_{x}dx$ a≤c≤b

积分上下界交换： $\int_{a}^{b}f_{x}dx=-\int_{b}^{a}f_{x}dx$

积分中值定理：如果函数 f(x) 在闭区间 [a,b] 上连续，则存在 c∈[a,b]

$\int_{a}^{b}f_{x}dx=f_{c}(b-a)$

3.微积分基本公式

牛顿莱布尼茨公式

$\int_{a}^{b}f_{x}dx=F_{b}-F_{a}$

$F_{x}$ 为 $f_{x}$ 的原函数

4.定积分换元法

例题： $\int_{0}^{1}\sqrt{1-x^2}dx$

设 $x=cos\theta$

$dx=-sin\theta d\theta$

$\because x\epsilon [0,1]$

$\therefore \theta \epsilon [0,\frac{\pi }{2}]$

$\int_{0}^{\frac{\pi}{2}}-\sqrt{1-cos^2\theta}sin\theta d\theta\Rightarrow \int_{0}^{\frac{\pi}{2}}-sin^2\theta d\theta\Rightarrow \int_{\frac{\pi}{2}}^{0}sin^2\theta d\theta$

$\because sin^2\theta =\frac{1-cos2\theta}{2}$

$\therefore \int_{0}^{\frac{\pi}{2}}(\frac{1-cos2\theta}{2})d\theta\Rightarrow \frac{\theta}{2}\vert_{0}^{\frac{\pi}{2}}- \frac{sin2\theta}{4}\vert_{0}^{\frac{\pi}{2}}$

$\therefore \int_{0}^{1}\sqrt{1-x^2}dx=\frac{\pi}{4}$

5.多元函数

二元极限

设函数 f(x,y) 在点 (a,b) 的某个去心邻域内有定义。如果对于任意给定的正数 ϵ，总存在正数 δ，使得当 $0<\sqrt{(x-a^2)+(y-b^2)}<\delta$ 时，总有：∣f(x,y)−L∣<ϵ则称 L 为函数 f(x,y)在点 (a,b)处的极限，记作： $\lim_{(x,y)\rightarrow (a,b)}f_{(x,y)}=L$

几何意义

当点 (x,y)从任意方式趋近于点 (a,b) 时，函数 f(x,y) 的值趋近于 L。换句话说，函数图像在二维平面的点 (a,b)附近趋近于一个三维立体平面上的点 (a,b,L)。可将(a,b)想象为(a,b,L)投影在二维平面的点。

如果 (x,y)从不同方式趋近于点 (a,b)，函数 f(x,y) 的值不相等，则表示 f(x,y) 不存在。

6.偏导数

‌偏导数是‌多元函数求导的一种形式，表示在多个自变量中，当其中一个自变量改变而其他自变量保持不变时函数值的变化率。

这实质上是将其他自变量视为常数，然后按照单变量函数求导的方法进行运算。‌

定义

设函数 f(x,y) 在点 (x0,y0) 的某个邻域内有定义。如果极限：

$\lim_{\Delta x\rightarrow 0}\frac{f_{(x_{0}+\Delta x,y_{0})}-f_{(x_{0},y_{0})}}{\Delta x}$

存在，则称此极限为函数 f(x,y)在点 (x0,y0) 处对 x 的偏导数，记作：

$\frac{\vartheta f}{\vartheta x}\vert (x_{0},y_{0})$ 或者 $f'_x{(x_{0},y_{0})}$

类似地，如果极限：

$\lim_{\Delta y\rightarrow 0}\frac{f_{(x_{0},y_{0}+\Delta y)}-f_{(x_{0},y_{0})}}{\Delta y}$

存在，则称此极限为函数 f(x,y)在点 (x0,y0)处对 y的偏导数，记作：

$\frac{\vartheta f}{\vartheta y}\vert (x_{0},y_{0})$ 或者 $f'_y{(x_{0},y_{0})}$

偏导数的计算方法‌

对于二元函数z=f(x,y)，求z对x的偏导数时，将y看作常量，对x求导；求z对y的偏导数时，将x看作常量，对y求导数。

例：求 $z=x^2sin2y$ 的偏导数

$\frac{\vartheta z}{\vartheta x}=2xsin2y$

$\frac{\vartheta z}{\vartheta y}=2x^2cos2y$

7.全微分

定义

如果函数z=f(x, y)在点(x, y)处的全增量

$\Delta z=f(x+\Delta x,y+\Delta y)-f(x,y)$

$\Delta z=A\Delta x+B\Delta y+o(\rho )$

其中A、B不依赖于Δx, Δy，仅与x, y有关，ρ趋近于0(ρ=√[(Δx)²+(Δy)²])，此时称函数z=f(x, y)在点(x, y)处可微分，AΔx+BΔy称为函数z=f(x, y)在点(x, y)处的全微分，记为dz即dz=AΔx +BΔy。

可微的必要条件条件

若z=f(x,y)在(x,y)点处可微，则偏导数

$f'_{x}(x,y) f'_{y}(x,y)$

存在，且 $dz=f'_{x}(x,y)\Delta x+f'_{y}(x,y)\Delta y$ 或者 $dz=f'_{x}(x,y)dx+f'_{y}(x,y)dy$

可微的充分条件

z=f(x,y)在(x,y)的某个邻域内有连续的偏导数

$f'_{x}(x,y) f'_{y}(x,y)$

在(x,y)处可微 $dz=f'_{x}(x,y)\Delta x+f'_{y}(x,y)\Delta y$ 或者 $dz=f'_{x}(x,y)dx+f'_{y}(x,y)dy$

近似计算

z=f(x, y)在点(x, y)处的全增量为

$\Delta z=f(x+\Delta x,y+\Delta y)-f(x,y)$

全微分为

$dz=f'_{x}(x,y)\Delta x+f'_{y}(x,y)\Delta y$

在计算中通常使 $\Delta \approx dz$

因此 $f(x+\Delta x,y+\Delta y)\approx f'_{x}(x,y)\Delta x+f'_{y}(x,y)\Delta y+f(x,y)$

8.梯度

梯度是一个向量，表示多元函数在某一点处的最大变化率和变化方向。

定义

设 f(x1,x2,…,xn)是一个定义在 Rn(n维欧几里得空间) 上的多元函数，函数 f在n维向量点 a=(a1,a2,…,an)处的梯度定义为：

$\nabla f(a)=(\frac{\vartheta f}{\vartheta x_{1}}(a),\frac{\vartheta f}{\vartheta x_{2}}(a),...,\frac{\vartheta f}{\vartheta x_{n}}(a))$

其中 $\frac{\vartheta f}{\vartheta x_{i}}(a)$ 是函数f在点a处对i个自变量的偏导数。

性质

最大变化率：梯度 ∇f(a) 的方向是函数 f在点 a 处变化率最大的方向。
变化率：梯度 ∇f(a) 的大小（模）是函数 f 在点 a 处沿梯度方向的变化率。

沿梯度方向是是函数 f在点 a 处变化率增加最大的方向；沿梯度反方向是是函数 f在点 a 处变化率减小最大的方向；沿梯度垂直方向函数 f在点 a 处变化率为0。

梯度下降

梯度下降是一种优化算法，用于寻找多元函数的最小值。其基本思想是沿着函数的负梯度方向逐步更新参数，以减少函数值。

算法步骤

初始化：选择一个初始点 x0。
迭代更新：对于每次迭代 k，计算当前点的梯度 $\nabla f(x_{k})$ ，并更新参数 $x_{k+1}=x_{k}-\eta \nabla f(x_{k})$ η是学习率（步长），控制每次更新的步幅。
终止条件：当梯度的模足够小或达到预设的迭代次数时，停止迭代。通常，终止条件可以是以下几种：

梯度的模足够小：当梯度的模（或范数） $\vert\vert \nabla f(xk)\vert\vert$ 小于某个阈值时，停止迭代。

$\vert\vert \nabla f(xk)\vert\vert=\sqrt{(\frac{\vartheta f}{\vartheta x_{1}})^2+(\frac{\vartheta f}{\vartheta x_{2}})^2,...,(\frac{\vartheta f}{\vartheta x_{n}})^2}$