10.9Python数学基础-多元函数

多元函数

1.二元极限

定义

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：
$$\lim {}_{(x,y)\to (a,b)}f(x,y)=L$$
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。

例子
$$f(x,y)=\frac{x^{2}y}{x^2+y^2}$$
在点 (0,0)处的极限

解：

1. 沿 x轴趋近：
   当 y=0 时，
   $$f(x,0)=\frac{x^2\cdot 0}{x^2+0^2}=0$$
   。因此：
   $$\underset{x\to 0}{\lim }f(x,0)=0$$

2. 沿 y轴趋近：
   当 x=0时，
   $$f(0,y)=\frac{0^2\cdot y}{0^2+y^2}=0$$
   。因此：
   $$\lim {}_{y\to 0}f(0,y)=0$$

3. 沿任意直线 y=kx趋近：
   当 y=kx 时，
   $$f(x,kx)=\frac{x^2\cdot kx}{x^2+(kx{)}^2}=\frac{k{x}^3}{x^2+k^2{x}^2}=\frac{kx}{1+k^2}$$
   。因此：
   $$\underset{x\to 0}{\lim }f(x,kx)=\underset{x\to 0}{\lim }\frac{kx}{1+k^2}=0$$

4. 沿抛物线
   $$y=x^2$$
   趋近：
   当
   $$y=x^2$$
   时，
   $$f(x,x^2)=\frac{x^2\cdot x^2}{x^2+x^4}=\frac{x^2}{1+x^2}$$
   。因此：
   $$\lim {}_{x\to 0}f(x,x2)=\lim {}_{x\to 0}\frac{x^2}{1+x^2}=0$$
   由于函数在点 (0,0)的任意方向上的极限都为 0，因此：
   $$\lim {}_{(x,y)\to (0,0)}f(x,y)=0$$

2.求
$$\underset{(x,y)\to (0,2)}{\lim }\frac{sin(xy)}{x}$$
解：
$$\underset{(x,y)\to (0,2)}{\lim }\frac{sin(xy)}{x}=\underset{(x,y)\to (0,2)}{\lim }y\frac{sin(xy)}{xy}=\underset{(x,y)\to (0,2)}{\lim }y.\underset{(x,y)\to (0,2)}{\lim }\frac{sin(xy)}{xy}=2$$

2.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：
$$\underset{\Delta x\to 0}{\lim }\frac{f(x_0+\Delta x,y_0)-f(x_0,y_0)}{\Delta x}$$
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：
$$\frac{\partial f}{\partial x}\mid (x_0,y_0)或f_x^{\prime }(x_0,y_0)$$
类似地，如果极限：
$$\lim {}_{\Delta y\to 0}\frac{f(x_0,y_0+\Delta y)-f(x_0,y_0)}{\Delta y}$$
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：
$$\frac{\partial f}{\partial y}\mid (x_0,y_0)或f_y^{\prime }(x_0,y_0)$$
‌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。

例子

1.求
$$z=x^2+3xy+y^2$$
的偏导数

解：

1.对x求偏导数：
$$\frac{\partial z}{\partial x}=2x+3y$$
2.对y求偏导数：
$$\frac{\partial z}{\partial y}=3x+2y$$
2.求
$$z=x^{2}sin2y$$
的偏导数

解：

1.求x的偏导数：
$$\frac{\partial z}{\partial x}=2xsin2y$$
2.求y的偏导数：
$$\frac{\partial z}{\partial y}=2x^{2}cos2y$$

3.全微分

定义

如果函数z=f(x, y)在点(x, y)处的全增量
$$\Delta z=f(x+\Delta x,y+\Delta y)-f(x,y)$$
可以表示为
$$\Delta z=A\Delta x+B\Delta y+o(\rho )$$
，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
$$f_x^{\prime }(x,y)和f_y^{\prime }(x,y)$$
存在，并且
$$dz=f_x^{\prime }(x,y)\Delta x+f_y^{\prime }(x,y)\Delta y或dz=f_x^{\prime }(x,y)dx+f_y^{\prime }(x,y)dx$$
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
$$f_x^{\prime }(x,y)和f_y^{\prime }(x,y)$$
则在(x,y)处可微，
$$dz=f_x^{\prime }(x,y)\Delta x+f_y^{\prime }(x,y)\Delta y或dz=f_x^{\prime }(x,y)dx+f_y^{\prime }(x,y)dx$$
例子

求
$$f(x,y)=e^{xy}$$
在(1,2)处的全微分

解：

分别求出x和y的偏导数：
$$f_x^{\prime }(x,y)=y{e}^{xy},f_y^{\prime }(x,y)=x{e}^{xy}$$
求出在(1,2)处x和y的偏导数：
$$f_x^{\prime }(1,2)=2e^2,f_y^{\prime }(1,2)=e^2$$
所以在(1,2)处的全微分：
$$dz=2e^{2}dx+e^{2}dy$$
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
$$dz=f_x^{\prime }(x,y)\Delta x+f_y^{\prime }(x,y)\Delta y$$
在计算中我们通常使
$$\Delta z\approx dz$$
所以
$$f(x+\Delta x,y+\Delta y)-f(x,y)\approx f_x^{\prime }(x,y)\Delta x+f_y^{\prime }(x,y)\Delta y$$
即：
$$f(x+\Delta x,y+\Delta y)\approx f_x^{\prime }(x,y)\Delta x+f_y^{\prime }(x,y)\Delta y+f(x,y)$$
上述公式即为近似计算公式。

例子

计算
$$(1.04{)}^{2.02}$$
解：令
$$x_0=1,\Delta x=0.04,y_0=2,\Delta y=0.02$$

4.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：
$$\nabla f(a)=(\frac{\partial f}{\partial x_1}(a),\frac{\partial f}{\partial x_2}(a),\dots ,\frac{\partial f}{\partial x_n}(a))$$
其中，
$$\frac{\partial f}{\partial x_i}(a)$$
是函数 f 在点 a 处对第 i 个自变量的偏导数。

性质

1. 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。
2. 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

1. 初始化：选择一个初始点 x0。

2. 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：
   $$x_{k+1}=x_k-\eta \nabla f(x_k)$$
   其中，η 是学习率（步长），控制每次更新的步幅。

3. 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：

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

      说明：

      梯度的范数表示梯度向量的大小，即梯度向量的长度。

      梯度的范数（模） ∥∇f(xk)∥是这个向量的欧几里得长度，定义为：
      $$||\nabla f(x_k)||=\sqrt{(\frac{\partial f}{\partial x_1}{)}^2+(\frac{\partial f}{\partial x_2}{)}^2+\cdots +(\frac{\partial f}{\partial x_n}{)}^2}$$

   2. 达到预设的迭代次数：当迭代次数达到预设的最大迭代次数时，停止迭代。

   3. 函数值变化足够小：当函数值的变化
      $$\mid f(x_{k+1})-f(x_k)\mid$$
      小于某个阈值时，停止迭代。

学习率

学习率 η是一个重要的超参数，控制着每次更新的步幅。选择合适的学习率对于梯度下降算法的性能至关重要：

• 学习率过大：如果步幅过大，算法可能会“跳过”最优解，导致在最优解附近来回震荡。
• 学习率过小：可能导致算法收敛速度过慢。

例子

一个二元函数
$$f(x,y)=x^2+y^2$$
，使用梯度下降法寻找其最小值。

解：

1. 初始化：选择初始点 x0=(3,4)。

2. 计算梯度：
   $$\nabla f(x,y)=(2x,2y)$$
   在点 (3,4) 处：∇f(3,4)=(6,8)

3. 选择学习率：设 η=0.1。

4. 更新参数：
   $$x_1=x_0-\eta \nabla f(x_0)=(3,4)-0.1\cdot (6,8)=(3-0.6,4-0.8)=(2.4,3.2)$$

5. 继续迭代：

• 在点 (2.4,3.2) 处计算梯度：
  $$\nabla f(2.4,3.2)=(2\cdot 2.4,2\cdot 3.2)=(4.8,6.4)$$

• 更新参数：
  $$x_2=x_1-\eta \nabla f(x_1)=(2.4,3.2)-0.1\cdot (4.8,6.4)=(2.4-0.48,3.2-0.64)=(1.92,2.56)$$

• 继续迭代，直到满足终止条件。

5.二重积分

二重积分是多元微积分中的一个重要概念，用于计算二维区域上的函数积分。它通常用于计算平面区域上的面积、质量、重心等问题。二

重积分的基本思想是将一个二维区域分割成无数个小区域，然后在每个小区域上计算函数值的积分。

定义

设 f(x,y)f(x,y) 是定义在平面区域 D 上的函数，二重积分记作：
$${\iint }_{D}f(x,y)dA$$

其中 dA表示面积元素。

几何意义

如果 f(x,y)是非负函数，二重积分
$${\iint }_{D}f(x,y)dA$$
表示以 D 为底、以 f(x,y)为顶的曲顶柱体的体积。

二重积分的计算步骤-直角坐标系

在直角坐标系下，二重积分可以表示为两个定积分的乘积：
$${\iint }_{D}f(x,y)dA={\int }_a^b{\int }_{g(x)}^{h(x)}f(x,y)dydx$$

其中 D 是由 x=a 到 x=b 以及 y=g(x)到 y=h(x) 围成的区域。

1. 确定积分区域 D：首先，你需要确定积分区域 D的边界。这个区域可以是矩形、圆形、多边形等。

2. 设置积分限：根据积分区域 D，设置积分的限。例如，对于直角坐标系中的矩形区域，积分限通常是 a≤x≤b 和 c≤y≤d。

3. 写出积分表达式：根据积分限写出二重积分的表达式：
   $${\int }_a^b{\int }_{g(x)}^{h(x)}f(x,y)dydx={\int }_a^{b}dx{\int }_{g(x)}^{h(x)}f(x,y)dy$$

4. 计算内层积分：先对 y 进行积分，得到关于 x 的表达式。

5. 计算外层积分：再对 x 进行积分，得到最终的积分值。

例子

计算
$${\iint }_D(x+y)dA$$
，其中 D 是由 y=x 和 y=x^2 围成的区域。

解：

根据 y=x 和 y=x^2画出图形，确定x和y的取值范围：
$$0\le x\le 1,x^2\le y\le x$$
写出积分表达式：
$${\iint }_D(x+y)dA={\int }_0^{1}dx{\int }_{x^2}^x(x+y)dy$$
计算内层积分：
$${\int }_0^{1}dx{\int }_{x^2}^x(x+y)dy={\int }_0^1[xy+\frac{1}{2}{y}^2]{|}_{x^2}^{x}dx={\int }_0^1(\frac{3}{2}{x}^2-x^3-\frac{1}{2}{x}^4)dx$$
计算外层积分：
$${\int }_0^{1}dx{\int }_{x^2}^x(x+y)dy={\int }_0^1(\frac{3}{2}{x}^2-x^3-\frac{1}{2}{x}^4)dx=\frac{1}{2}{x}^3-\frac{1}{4}{x}^4-\frac{1}{10}{x}^5{|}_0^1=\frac{3}{20}$$
二重积分的计算步骤-极坐标系

极坐标系的二重积分计算步骤同直角坐标系，不同的是需要将直角坐标系的坐标转换为极坐标。

极坐标系的基本概念

• 原点：极坐标系的原点称为极点（通常记作 O）。
• 极径：从极点到某一点的距离称为径向距离（通常记作 r）。
• 极角：从极点到某一点的射线与极轴（通常是正 xx 轴）之间的角度称为极角（通常记作 θ）。

给定点的极坐标 (r,θ)，可以转换为直角坐标 (x,y)：
$$\begin{gathered} x=rcos\theta \\ y=rsin\theta \end{gathered}$$
在极坐标下，二重积分的表达式为：
$${\iint }_{D}f(x,y)dA={\iint }_{D}f(r,\theta )rdrd\theta$$
其中 r 和 θ 分别是极径和极角。

注意：转换为极坐标系的二重积分中需要多加一个r ，这个最容易忘记。

例子

计算
$${\iint }_D{e}^{x^2+y^2}dA$$
，其中 D 是单位圆
$$x^2+y^2\le 1$$
解：

转换坐标系：
$$x^2+y^2\le 1=>(rcos\theta {)}^2+(rsin\theta {)}^2\le 1=>r^2\le 1$$
确定θ和r的范围：
$$0\le \theta \le 2\pi ,0\le r\le 1$$
写出积分表达式：
$${\iint }_D{e}^{x2+y2}dA={\int }_0^{2\pi }d\theta {\int }_0^1{e}^{r^2}rdr$$
计算内层积分：
$${\int }_0^{2\pi }d\theta {\int }_0^1{e}^{r^2}rdr={\int }_0^{2\pi }d\theta {\int }_0^1\frac{1}{2}{e}^{r^2}d{r}^2={\int }_0^{2\pi }\frac{1}{2}{e}^{r^2}{|}_0^{1}d\theta ={\int }_0^{2\pi }\frac{1}{2}(e-1)d\theta$$
计算外层积分：
$${\int }_0^{2\pi }\frac{1}{2}(e-1)d\theta =\frac{1}{2}(e-1)\theta {|}_0^{2\pi }=\pi (e-1)$$
所以
$${\iint }_D{e}^{x2+y2}dA=\pi (e-1)$$