多元函数的微分
导数概念的形式化
一、总论
数值多元函数微分及其相关概念，如中值定理、泰勒展开是数值一元函数的一般化。更进一步说，最一般化的东西是向量值函数。我写这一节的目的是为了与书中特殊到一般的过程形成对比，构建一个由一般到特殊的更加形式统一的体系。但是刚下笔就遇到困难，因为数值单变量函数不仅是最最特殊的情况，它还是最最基本的情况，任何对更加一般的情况的讨论，都离不开对数值单变量导数的运算。所以很难顺序的展开所有概念，介绍时必须选用一定的知识作为推导的基础，这也使得这个体系不再完美。
二、一阶导数
2.1 一阶导数形式规定
我相信，对全微分的理解将是构建整个多元函数微分体系的基石。
对于一元函数，有
d
f
(
x
)
=
f
,
(
x
)
d
x
df(x)=f^,(x)dx
df(x)=f,(x)dx，我们希望对于多元函数也呈现这个形式。我们将
x
x
x替换为
x
⃗
\vec{x}
x，然后需要解决的就是对
f
,
(
x
⃗
)
f^,(\vec{x})
f,(x) 的替换，我们这里进行如下替换，将数值多元函数的导数规定为他的梯度，即
f
′
(
x
⃗
)
=
g
r
a
d
f
(
x
⃗
)
=
[
f
1
f
2
.
.
.
f
n
]
f^\prime(\vec{x})=gradf(\vec{x})=\left[\begin{matrix}f_1&f_2&...&f_n\end{matrix}\right]
f′(x)=gradf(x)=[f1f2...fn]
再规定
d
x
⃗
d\vec{x}
dx 为
d
x
⃗
=
[
d
x
1
d
x
2
.
.
.
d
x
n
]
d\vec{x}=\left[\begin{matrix}dx_1&dx_2&...&dx_n\end{matrix}\right]
dx=[dx1dx2...dxn]
这样就能保证形式的统一性，我们规定多元函数的微分就是其导数与自变量增量
d
x
dx
dx 的内积。
2.2 向量值函数的一阶导数形式规定
这里借用线性代数中分块矩阵的概念，将向量值函数看成多个数值函数，这样我们就可以得到向量值函数的导数
[
f
(
x
⃗
)
g
(
x
⃗
)
h
(
x
⃗
)
]
=
[
g
r
a
d
f
(
x
⃗
)
g
r
a
d
g
(
x
⃗
)
g
r
a
d
h
(
x
⃗
)
]
=
[
f
1
f
2
.
.
.
f
n
g
1
g
2
.
.
.
g
n
h
1
h
2
.
.
.
h
n
]
\left[\begin{matrix}f(\vec{x})\\g(\vec{x})\\h(\vec{x})\end{matrix}\right]= \left[\begin{matrix}gradf(\vec{x})\\gradg(\vec{x})\\gradh(\vec{x})\end{matrix}\right]= \left[\begin{matrix}f_1&f_2&...&f_n\\g_1&g_2&...&g_n\\h_1&h_2&...&h_n\end{matrix}\right]
⎣⎡f(x)g(x)h(x)⎦⎤=⎣⎡gradf(x)gradg(x)gradh(x)⎦⎤=⎣⎡f1g1h1f2g2h2.........fngnhn⎦⎤
然后就可以形式统一了，依然是导数与自变量增量 d x dx dx 的内积。
2.3 方向导数
方向导数显然可以纳入这个形式统一的系统中，可记新定义的方向增量为
d
r
⃗
=
[
c
o
s
θ
d
x
s
i
n
θ
d
y
]
d\vec{r}=\left[\begin{matrix}cos\theta dx\\sin\theta dy\end{matrix}\right]
dr=[cosθdxsinθdy]
然后就会有导数与方向增量内积的形式。
2.4 微分中值定理
微分中值定理也很好的适应了这个形式规范，在一元函数中，有
f
(
b
)
−
f
(
a
)
=
f
,
(
ξ
)
(
b
−
a
)
f(b)-f(a)=f^,(\xi)(b-a)
f(b)−f(a)=f,(ξ)(b−a)
只要将相应的部分都换成向量形式，依然是遵循内积原则即可。
三、高阶导数
3.1 高阶增量形式化的补充
单独把这个部分拎出来写，是因为这个部分就很难与一元函数保持形式的统一性了，但是，在上面规定了向量值函数导数的形式后，依然是可以在搭建的形式化体系中进行推导的，只需要在引入一点点补充。补充是关于增量的直观理解的，用偏导解释，
f
x
y
f_{xy}
fxy 代表着先对x求导，再对y求导，那么
f
x
y
d
y
d
x
f_{xy}dydx
fxydydx 就代表着先乘y增量，后乘x增量的总增量，规定高阶增量就是这样的一个形式，比如二阶增量对二元函数来说就由四部分组成，即
f
x
x
d
x
d
x
,
f
x
y
d
y
d
x
,
f
y
x
d
x
d
y
,
f
y
y
d
y
d
y
f_{xx}dxdx,f_{xy}dydx,f_{yx}dxdy,f_{yy}dydy
fxxdxdx,fxydydx,fyxdxdy,fyydydy ,可以看出它与
(
x
+
y
)
2
(x+y)^2
(x+y)2 的展开式存在形式的相似性。事实就是如此，我们给出更一般化的规定，n元函数的全部k阶增量的和与
(
x
1
+
x
2
+
.
.
.
+
x
n
)
k
(x_1+x_2+...+x_n)^k
(x1+x2+...+xn)k
的展开式的形式相似。
然后我们可以想象，高阶增量的形式是可以用矩阵的知识再次化简的，我们可用含有偏导数的矩阵和含有自变量增量的向量来构造高阶增量。对于一阶增量，可以用内积；对于二阶增量，可以用二次型，对于大于三阶，就没有直观的办法了，因为要处理的是一个n次型的化简问题，但是要是不考虑分块矩阵或者是将矩阵平面转为立体，好像没啥好办法了。这也是为什么一般书中的泰勒展开就展到二阶，这是因为在高就没办法写了。
回顾一下我们已作出的规定，有三项，分别为：
- 数值函数的一阶导数
- 向量值函数的一阶导数
- 高阶增量
3.2 二阶导数
二阶导数不但符合上面利用高阶增量逆推出的形式，而且还符合原来对一阶导数再求导的思想。我们审查一个数值多元函数，会发现它求导以后会变成一个向量值函数，那么对一个向量值函数求导，就会出现方阵的形式（因为向量值函数的分量就是变元的个数，很好的形式美），即
[
f
1
f
2
.
.
.
f
n
]
,
=
[
g
r
a
d
f
1
g
r
a
d
f
2
.
.
.
g
r
a
d
f
n
]
=
[
f
11
f
12
.
.
.
f
1
n
f
21
f
22
.
.
.
f
2
n
.
.
.
.
.
.
.
.
.
.
.
.
f
n
1
f
n
2
.
.
.
f
n
n
]
\left[\begin{matrix}f_1\\f_2\\...\\f_n\end{matrix}\right]^,= \left[\begin{matrix}gradf_1\\gradf_2\\...\\gradf_n\end{matrix}\right]= \left[\begin{matrix}f_{11}&f_{12}&...&f_{1n}\\f_{21}&f_{22}&...&f_{2n}\\...&...&...&...\\f_{n1}&f_{n2}&...&f_{nn}\end{matrix}\right]
⎣⎢⎢⎡f1f2...fn⎦⎥⎥⎤,=⎣⎢⎢⎡gradf1gradf2...gradfn⎦⎥⎥⎤=⎣⎢⎢⎡f11f21...fn1f12f22...fn2............f1nf2n...fnn⎦⎥⎥⎤
这个矩阵被称为Hessian矩阵。
3.3 泰勒公式
在定义了高阶增量的形式后，泰勒公式显得也能与原形式契合，对于数值一元函数，有
f
(
x
)
=
f
(
x
)
+
一
阶
增
量
+
二
阶
增
量
+
.
.
.
+
n
阶
增
量
+
余
项
f(x)=f(x)+一阶增量+二阶增量+...+n阶增量+余项
f(x)=f(x)+一阶增量+二阶增量+...+n阶增量+余项
显然，多元函数也可以应用这个公式。
另外可以看到， 因为展开的复杂性，所以当展到高阶的时候，计算会变得特别复杂，所以有的时候会采用换元法当成一元函数进行展开，这样做的依据是泰勒级数具有唯一性。
3.4 极值
回想数值单元函数判断极值的方法，面对驻点，可以对其求二阶导，如果二阶导大于零，那么是驻点为极小值点；如果二阶导小于零，那么驻点为极大值点；如果二阶导为0，那么无法得出结论。究其根本，是利用定义：极小值点周围的点都比它大，那么在一阶导数为零的情况下，二阶导如果取正，说明二阶增量为正，那么驻点就比周围的点小，所以是极小值点。
可以看到，真正去决定意义的是二阶增量。二阶增量是一个二次型，想要它的正负性，就是找二次型矩阵的正定或者负定，也就是二阶导数的正定或负定或不定。事实也是这样的，当二阶导数为正定阵的时候，驻点为极小值点。这样极值的判定也被纳入这个形式中了。
四、链式法则
4.1 分块矩阵让步
这个部分可以不作出任何形式化的补充。链式法则在定义了导数的概念后可以完美的被解释，但是链式法则涉及两个矩阵相乘，运算量极大，而要求的多半是最后结果矩阵的一部分，所以这章的很多技法都是基于分块矩阵演变出的部分求解，但是老师授课的时候并没有强调算法的特殊性，造成了理解的困难。我演算了一下午，将完全的形式验证了一遍，确实过于繁琐，故以后不推荐为了形式的统一，而浪费大量时间的行为。
4.2 复合函数
复合函数可以看做两次映射，举个例子
[
u
v
]
⟶
[
x
(
u
,
v
)
y
(
u
,
v
)
z
(
u
,
v
)
]
⟶
P
(
x
,
y
,
z
)
\left[\begin{matrix}u\\v\end{matrix}\right]\longrightarrow \left[\begin{matrix}x(u,v)\\y(u,v)\\z(u,v)\end{matrix}\right]\longrightarrow P(x,y,z)
[uv]⟶⎣⎡x(u,v)y(u,v)z(u,v)⎦⎤⟶P(x,y,z)
那么应用链式法则即可。
但是实际做题的时候并不好，是因为大部分题目只让求比如对u求导，那么计算v显然毫无意义，而且x，y，z不一定每个都与u，v有关，所以求导出0很是寂寞。所以做题时一般都用树状图进行解题，叶子结点为不相干的自变量，相同路径上的节点对其双亲节点求导后相乘，不同路径相加。
4.3 隐函数求导
隐函数重要的是思想。可以将所有的变量都是为不相干的自变量，然后有一个方程就可以将一个自变量变为用其他变量表示的因变量。然后建立一个复合映射，然后就可以解题了。比如求P关于u，v的导数，就链式法则求就可以了。
[
u
v
]
⟶
[
x
(
u
,
v
)
y
(
u
,
v
)
z
(
u
,
v
)
]
⟶
P
(
x
,
y
,
z
)
\left[\begin{matrix}u\\v\end{matrix}\right]\longrightarrow \left[\begin{matrix}x(u,v)\\y(u,v)\\z(u,v)\end{matrix}\right]\longrightarrow P(x,y,z)
[uv]⟶⎣⎡x(u,v)y(u,v)z(u,v)⎦⎤⟶P(x,y,z)
但是实际应用中因为一般只求一个自变量的导数，所以链式法则矩阵会退化成
b
=
A
x
b=Ax
b=Ax 的模样，所以可以理解成一个方程组，那么就可以利用方程组工具——克莱姆法则进行求解。
在克莱姆技巧的视角下，
g
r
a
d
f
gradf
gradf 的横向量被改变，更一体的单元是由一个变量对不同函数求导所组成的列向量。以题为例：
{
F
(
x
,
y
,
u
,
v
)
=
0
G
(
x
,
y
,
u
,
v
)
=
0
\begin{cases} F(x,y,u,v)=0\\ G(x,y,u,v)=0 \end{cases}
{F(x,y,u,v)=0G(x,y,u,v)=0
因为有两个方程，所以可以将u写成
u
(
x
,
y
)
u(x,y)
u(x,y),v写成
v
(
x
,
y
)
v(x,y)
v(x,y)，那么不同变量组成的列向量为：
[
F
u
G
u
]
[
F
v
G
v
]
[
F
x
F
y
]
[
F
y
G
y
]
\left[\begin{matrix}F_u\\G_u\end{matrix}\right]\left[\begin{matrix}F_v\\G_v\end{matrix}\right]\left[\begin{matrix}F_x\\F_y\end{matrix}\right]\left[\begin{matrix}F_y\\G_y\end{matrix}\right]
[FuGu][FvGv][FxFy][FyGy]
挑选第一个第二个向量组成方阵（挑选因变量组），然后求行列式，行列式不为零代表偏导存在，然后用克莱姆法则替换因变量方阵中的一列，即可求得导数（切记要加负号）。
如果真的要算所有因变量相对所有自变量的导数，那么就需要用到逆矩阵的求解，我尝试了一下，伴随矩阵和单位化的方法都挺难的。
导数相关概念的强弱
一、可导与连续
| 连续 | 可导 |
|---|---|
| lim Δ x → 0 f ( x + Δ x ) − f ( x ) = 0 \lim_{\Delta x\rightarrow0}f(x+\Delta x)-f(x)=0 limΔx→0f(x+Δx)−f(x)=0 | lim Δ x → 0 f ( x + Δ x ) − f ( x ) Δ x \lim_{\Delta x\rightarrow0}\frac{f(x+\Delta x)-f(x)}{\Delta x} limΔx→0Δxf(x+Δx)−f(x) 存在 |
我们可以看到可导的定义的分子一定等于0，而且一阶增量一定是o( Δ x \Delta x Δx) 或者 O( Δ x \Delta x Δx)，这样条件就比连续的要强了，它使得两个相近的自变量之间差的不能太多，有点像一致连续，但是可导与一致连续的强弱没有那么好判。
对于在导数中看条件的强弱，大体上分为三种情况：
- 函数不连续
- 函数连续但不可导
- 函数可导
其他的条件如导函数连续不过是以导函数为主体分析时的函数连续。
二、可微性
可微性应该作为记忆的起点，因为多元函数的可微性与单元函数的可微性最像，链式法则、中值定理还有我的形式化导数，用的都是可微性而非可导性，可以说可微性才是形式化的。
可微可推出可偏导和可方向导数，这不奇怪，可微描述的是一个开球里面的局部性质。而方向导数和偏导描述的都是一个方向或者正负一对方向上的性质。显然可微要更强一些。
三、方向导数和可偏导
两者是不可互推的。当函数可偏导的时候，其实只满足了延x轴和延y轴两条曲线的的可导性，方向导数要求任意方向都要可导（或者某一方向），所以显然是推不出的。
若任意方向都可导，是否就能推出可偏导呢？也是不行的，因为左导数和右导数不同时，导数不存在，但是此时已经满足方向导数的条件了，所以也是推不出的。
四、偏导数连续
这个条件几乎是最强的，可微依靠的是偏导函数向量和自变量增量向量的内积，显然当偏导函数向量具有连续性质时，条件会更强。我们管偏导数连续的叫做“光滑”。
当有偏导数连续的条件时，可以推出可微、隐函数存在、可高阶导数、可泰勒展开、混合偏导数相等。其中可能可高阶导数、可泰勒展开是因为混合偏导数的形式美，没有这个只是没法合并同类项了，但是隐函数存在应该是用到其中的性质了。
五、开集、区域、凸区域
开集中的点全是内点，这个说法来自两者定义的相似性。
区域比开集多了道路联通的属性，那么一个集合中有多个开球的情况就可以被排除了。
凸区域要求连接区域中点的路径必须是直线，这使得有“凹”的边界的区域被淘汰。这是为了确保在使用微分中值定理时， f , ( ξ ) f^,(\xi) f,(ξ) 的值能在集合中被取到。
隐函数定理的应用
一、法线与平面与点
这三个东西组成了一个完整的整体，他们都反映了一个更本质的东西——法向量。当我们有了法向量
(
a
,
b
,
c
)
(a,b,c)
(a,b,c) 以后，和要计算的点
(
x
0
,
y
0
,
z
0
)
(x_0,y_0,z_0)
(x0,y0,z0) ，相应的直线为
x
−
x
0
a
=
y
−
y
0
b
=
z
−
z
0
c
\frac{x-x_0}{a}=\frac{y-y_0}{b}=\frac{z-z_0}{c}
ax−x0=by−y0=cz−z0
相应的平面为
a
x
+
b
y
+
c
z
=
a
x
0
+
b
y
0
+
c
z
0
ax+by+cz=ax_0+by_0+cz_0
ax+by+cz=ax0+by0+cz0
二、曲面的法向量与切平面
曲面是有两个自由度的几何体，那么他可以显式或隐式写成 z = F ( x , y ) z=F(x,y) z=F(x,y) 我们知道 ( F x , F y ) (F_x,F_y) (Fx,Fy) 被称为 F F F 的梯度，它大概是一个与 x y xy xy 平面平行的向量，这时我们对z求导，可以求出一个 − 1 -1 −1 的分量，然后既可以写作 ( F x , F y ， − 1 ) (F_x,F_y，-1) (Fx,Fy，−1) ，这个东西长得就很像一个垂直曲面的东西，之前总觉得曲面方程 F ( x , y , z ) = 0 F(x,y,z)=0 F(x,y,z)=0 是一个三元函数被一个平面截出的曲面，但是四维的东西很不利与思考，正确的理解是他是一个二元隐函数。
这章叫做隐函数定理的应用，意思就是无论是曲面还是曲线，其本质应该是参数方程建立的，但是我们只有普通方程，所以我们只好利用隐函数定理来获得原本应该显然的类参数方程。
那么显然法向量就是
(
F
x
,
F
y
,
F
z
)
(F_x,F_y,F_z)
(Fx,Fy,Fz) ，与之对应的切平面就是
F
x
x
+
F
y
y
+
F
z
z
=
F
x
x
0
+
F
y
y
0
+
F
z
z
0
F_xx+F_yy+F_zz=F_xx_0+F_yy_0+F_zz_0
Fxx+Fyy+Fzz=Fxx0+Fyy0+Fzz0
三、曲线的切向量和法平面
曲线是有一个自由度的几何体，那么他会被写作
{
x
=
x
(
t
)
y
=
y
(
t
)
z
=
z
(
t
)
\begin{cases} x=x(t)\\ y=y(t)\\ z=z(t) \end{cases}
⎩⎪⎨⎪⎧x=x(t)y=y(t)z=z(t)
那么显然他的法向量是
(
x
′
(
t
)
,
y
′
(
t
)
,
z
′
(
t
)
)
(x^\prime(t),y^\prime(t),z^\prime(t))
(x′(t),y′(t),z′(t)) ，进而可以求此时的法线和切平面为
x
−
x
0
x
′
(
t
)
=
y
−
y
0
y
′
(
t
)
=
z
−
z
0
z
′
(
t
)
\frac{x-x_0}{x^\prime(t)}=\frac{y-y_0}{y^\prime(t)}=\frac{z-z_0}{z^\prime(t)}
x′(t)x−x0=y′(t)y−y0=z′(t)z−z0
x ′ ( t ) x + y ′ ( t ) y + z ′ ( t ) z = x ′ ( t ) x 0 + y ′ ( t ) y 0 + z ′ ( t ) z 0 x^\prime(t)x+y^\prime(t)y+z^\prime(t)z=x^\prime(t)x_0+y^\prime(t)y_0+z^\prime(t)z_0 x′(t)x+y′(t)y+z′(t)z=x′(t)x0+y′(t)y0+z′(t)z0
但是不是每个曲线都是这种显式的参数方程，而大部分是这种样子：
{
F
(
x
,
y
,
z
)
=
0
G
(
x
,
y
,
z
)
=
0
\begin{cases} F(x,y,z)=0\\ G(x,y,z)=0 \end{cases}
{F(x,y,z)=0G(x,y,z)=0
这是就需要利用隐函数定理，将其理解为
{
x
=
x
y
=
y
(
x
)
z
=
z
(
y
)
\begin{cases} x=x\\ y=y(x)\\ z=z(y) \end{cases}
⎩⎪⎨⎪⎧x=xy=y(x)z=z(y)
才能进行运算，这是一个二元方程组，求出导数即可。
7174
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
