多元函数微分相关内容一览

完全感覚Dreamerr

已于 2023-08-24 15:04:05 修改

阅读量70

点赞数

分类专栏： MIT 多元函数微积分不完全笔记文章标签：学习笔记

于 2023-08-23 20:09:06 首次发布

本文链接：https://blog.csdn.net/m0_73836011/article/details/132384480

版权

MIT 多元函数微积分不完全笔记专栏收录该内容

4 篇文章 0 订阅

订阅专栏

二元函数图像

几个例子：

1. $f(x,y) = 1 - x^2 - y^2$

判断方法：
可分别令x,y,z为零，得图像与坐标面交线，进一步判断

令y = 0,得图像与x-z平面交线为z = 1 - x^2 ，为一抛物线。再令x=0，不难看出，该图像为一以（0，0，1）为顶点的抛物面

附:MATLAB绘制二元函数图像代码

% 创建 x 和 y 的网格数据
[x, y] = meshgrid(-1:0.1:1, -1:0.1:1);

% x后无小数点，则将执行矩阵或向量的整体运算
%加上小数点将进行逐元素的操作
z = 1 - x.^2 - y.^2;

% 绘制三维图形
figure;
surf(x, y, z);
xlabel('x');
ylabel('y');
zlabel('z');
title('z = 1 - x^2 - y^2');

2. $z = y^2 - x^2$

其他可视化方法：contour图(等高线图)

MATLAB绘制：

[x, y] = meshgrid(-1:0.1:1, -1:0.1:1);
z = y.^2 - x.^2;

% 绘制等高线图
figure;
contourf(x, y, z);
xlabel('x');
ylabel('y');
title('Contour Plot of z = y^2 - x^2');

% 添加 colorbar
colorbar;

偏导数

定义（极限）

几何意义

过P0作平面y = y0 ，与z = f(x,y)的交线为C

$C:\begin{cases} y = y_0\\z = f(x,y)\end{cases}$

$f_x$ 则为一元函数 $f(x,y_0)$ 在 $x = x_0$ 处的导数，也可视为曲线C在 P0处切线 $T_x$ 对于x轴的斜率，即 $T_x$ 与 x 轴正向（注意是正向）所成倾角的正切 $tan{\alpha}$

由此可引申出偏导数的具体求法，即对一个自变量求偏导时，把其余自变量看作常数，从而变成一元求导问题

几何应用

曲面 z = f(x,y)在(x0,y0）处，由上述求偏导的做法可得

$\Delta{z} = z - z_0 = f_x(x_0,y_0) + f_y(x_0,y_0) + o(\rho)$

(其中 $\rho$ 为较偏导数高阶的无穷小量)

进一步有切平面

$z - z_0 = f_x(x_0,y_0)(x_0,y_0) +f_y(x_0,y_0)(x_0,y_0)$

由切平面方向数可知法线方向数为

$\pm(f_x(x_0,y_0),f_y(x_0,y_0),-1)$

过该点法线方程为

$\frac{x-x_0}{f_x(x_0,y_0)}=\frac{y-y_0}{f_y(y_0,y_0)} =\frac{z-z_0}{-1}$

全微分

$dz = A \Delta{x} + B \Delta{y} + o(\rho)$

链式法则

复合函数单变量

例：

直接应用上述公式求导得

如果复合函数变量更多呢？

具体推导：

最后写成：

如何记忆（树状图）：

可以将复合函数间变量关系用树状图形式表示

求 $\frac{\partial z}{\partial u}$ 时，只需将z到u上每一条路径上得各个偏导数相乘，再将所有乘积相加即可

例：一元函数求导

$y = x^x$

在一元函数情形下，可以采用对数求导法。在引入复合函数求导后，可从二元函数视角求导

令：

$y = u^v,u = x,v = x$

应用前文方法得：

$\frac{\mathrm{d}y}{\mathrm{d}x} = y_u\frac{\mathrm{d}u}{\mathrm{d}x} + y_v\frac{\mathrm{d}v}{\mathrm{d}x} = x^x(1+\ln{x})$

最优化问题（极最值）

1.极值必要条件

若 $f$ 在 $(x_0,y_0)$ 存在偏导数且取到极值，则

$f_x(x_0,y_0) = 0,f_y(x_0,y_0) = 0$

对于 $f(x,y) = 1- x^2 - y^2$ 在（0，0）处两偏导数均为0，进一步可验证得函数在该点取得极大值
而对于前文另外一个例子 $f(x,y) = y^2 - x^2$ ,函数在（0，0）处两偏导数均为0，那么（0，0）点就是函数的极值点了吗？

2.下面引出极值的充分条件

类比一元函数情形下通过二阶导推导极值充分条件，我们令:

$A = f_{xx}(x_0,y_0),B = f_{xy}(x_0,y_0),C = f_{yy}(x_0,y_0)$

(充分条件)设二元函数 $f$ 在 $P_0$ 某领域上有二阶连续偏导数且 $P_0$ 满足上述极值必要条件，当

AC-B^2 > 0时，函数在该点取极小值，AC-B^2 < 0时，函数在该点取极大值，AC-B^2 > 0则不在该点取极值

另一种判断/记忆方法：

引入 $f$ 在 $P_0$ 点的黑塞矩阵H

$H = \left[ \begin{array}{ccc} f_{xx} & f_{xy} \\ f_{yx} & f_{yy} \\ \end{array} \right]$

H为正定矩阵时，函数在该点取极小值，H为负定矩阵时，函数在该点取极大值，H为不定矩阵时，函数在该点不取极值.

最后再回到 $f(x,y) = y^2 - x^2$ 中, A = -2x,B = 0,C = 2y,AC-B^2 = 0, 函数在该点显然不取极值

应用：最小二乘法

即确定a，b,使对应直线与这n个点偏差平方和最小

令

$f(a,b)=\sum_{i=1}^{n}(ax_i+b-y_i)^2$

由极值点必要条件有

$\left\{ \begin{aligned} f_a &= 2 \sum_{i=1}^nx_i(ax_i+b-y_i) = 0\\ f_b &= 2 \sum_{i=1}^nx_i(ax_i+b-y_i) = 0\\ \end{aligned} \right.$

整理有

再通过矩阵解方程组可得答案

还可以通过黑塞矩阵进一步验证得函数在该点取极小值

最值

二元函数在有界闭区域上一定有最大值和最小值，要想求出函数最值，还需考察函数所有稳定点（偏导均为0），无偏导点，所属区域界点

方向导数和梯度

梯度

若w = f(x,y,z) 记梯度为grad w

$\nabla w = <2x,2y,-2z> = <4,2,-2>$ $\nabla w = <2x,2y,-2z> = <4,2,-2>$

梯度方向：函数值增长最快方向，垂直于该点切平面

例：确定曲面 $x^2 + y^2 - z^2 = 4$ 在（2，1，1）点处切平面

思路：梯度方向垂直与该点切平面，可视为切平面一法向量

令 w = f(x,y,z)

$\nabla w = <2x,2y,-2z> = <4,2,-2>$

故切平面为 2x + y - z = 4

方向导数

方向导数用以描述函数在特定方向上的变化率（由沿坐标轴变化率推广）

推导：

即求函数在向量u方向上的变化率 dw/ds

将x,y 看成以s为参量函数有

$\frac{\mathrm {d}w}{\mathrm {d}s} = \frac{\mathrm {d}w}{\mathrm {d}x} \frac{\mathrm {d}x}{\mathrm {d}s} + \frac{\mathrm {d}w}{\mathrm {d}y} \frac{\mathrm {d}y}{\mathrm {d}s}$

同时

$x = scos{\alpha},y = scos{\beta}$

记向量u与x轴，y轴正方向夹角分别为 $\alpha,\beta$ ,上式又可写成

$\frac{\mathrm {d}w}{\mathrm {d}s} = \frac{\mathrm {d}w}{\mathrm {d}x} cos{\alpha}+ \frac{\mathrm {d}w}{\mathrm {d}y} cos{\beta}$

联系前文梯度，可继续改写为

$\frac{\mathrm {d}w}{\mathrm {d}s} = \nabla w \cdot \hat{u}$

由此可知，当u方向与函数该点梯度方向一致时，梯度与u向量点积最大，即函数在该方向上变化率最大

完全感覚Dreamerr

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
多元函数微分相关内容一览

过P0作平面y = y0 ，与z = f(x,y)的交线为C则为一元函数在处的导数，也可视为曲线C在 P0处切线对于x轴的斜率，即与 x 轴正向（注意是正向）所成倾角的正切由此可引申出偏导数的具体求法，即对一个自变量求偏导时，把其余自变量看作常数，从而变成一元求导问题。
复制链接

扫一扫

专栏目录