曲面与极值总结

曲面的切平面和法线

显示表示$z=f(x,y)$：

• 切平面：$z=z_0+\frac{\partial f}{\partial x}(x_0,y_0)(x-x_0)+\frac{\partial f}{\partial y}(x_0,y_0)(y-y_0)$

  • $z=z_0+Df(x_0,y_0)(x-x_0,y-y_0)$相当于在$(x_0,y_0)$泰勒展开一阶

• 法向量：$n=(\frac{\partial f}{\partial x},\frac{\partial f}{\partial y},-1)$，即上式中$(x-x_0),(y-y_0),(z-z_0)$前的参数，使得内积为$0$

• 法线：$(x_0,y_0,z_0)+kn$，或者写作

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

隐式表示$F(x,y,z)=0$

• 切平面：$\frac{\partial F}{\partial x}(x-x_0)+\frac{\partial F}{\partial y}(y-y_0)+\frac{\partial F}{\partial z}(z-z_0)=0$
  • $DF(x_0,y_0,z_0)(x-x_0,y-y_0,z-z_0)=0$
  • 即$(x_0,y_0,z_0)$的微分作用在增量$(x-x_0,y-y_0,z-z_0)$上不会改变$F$
  • 那么在这一平面上上近似于曲面$F=0$
• 法向量：$n=(\frac{\partial F}{\partial x},\frac{\partial F}{\partial y},\frac{\partial F}{\partial z})$
  • 为$F$的梯度，$F$沿梯度上升最快，因此与$F$恒等于$0$正交
• 法线：

$$\frac{x-x_0}{\frac{\partial f}{\partial x}(x_0,y_0)}=\frac{y-y_0}{\frac{\partial f}{\partial y}(x_0,y_0)}=\frac{z-z_0}{\frac{\partial f}{\partial z}(x_0,y_0)}$$

参数表示$(x,y,z)=(x(u,v),y(u,v),z(u,v))=F(u,v)$

• 切平面参数表示：
  $$\begin{gathered} x-x_0=\frac{\partial x}{\partial u}(u_0,v_0)(u-u_0)+\frac{\partial x}{\partial v}(u_0,v_0)(v-v_0) \\ y-y_0=\frac{\partial y}{\partial u}(u_0,v_0)(u-u_0)+\frac{\partial y}{\partial v}(u_0,v_0)(v-v_0) \\ z-z_0=\frac{\partial z}{\partial u}(u_0,v_0)(u-u_0)+\frac{\partial z}{\partial v}(u_0,v_0)(v-v_0) \end{gathered}$$

  • 对$x,y,z$每个方向关于$(u,v)$求切线 （一阶泰勒展开）

• 上式对于$X=(x,y,z)$也可以写成：$X-X_0=\frac{\partial X}{\partial u}(u_0,v_0)\ast k_1+\frac{\partial X}{\partial v}(u_0,v_0)\ast k_2$

• 通过叉乘求出法向量为（$i,j,k$分别为$x,y,z$的基，其系数即该坐标分量的大小）

$$n=\left|\begin{array}{ccc}i& j& k\\ \frac{\partial x}{\partial u}& \frac{\partial y}{\partial u}& \frac{\partial z}{\partial u}\\ \frac{\partial x}{\partial v}& \frac{\partial y}{\partial v}& \frac{\partial z}{\partial v}\end{array}\right|$$

• 切平面：$⟨n,X⟩=0$
• 对于一般的情况，法空间$N(J{F}^T(u_0,v_0))$，即切空间$R(JF(u_0,v_0))$的正交补

简单总结：

• 显式表达可以看作隐式表达，隐式表达下：

  • 法向量为梯度向量，对于坐标求偏导
  • 切平面方程由法向量得到

• 参数表达下：

  • 切平面的参数方程，对于参数求偏导

  • 根据维数：

    • 法向量关于参数$u,v$对应的$D_{u}X(u),D_{v}X(v)$求叉乘

    • 法平面由切平面求正交补得到（解零空间）

  • 切平面方程可由法空间得到

• 两者之间有明显的对偶关系

极值

极值定义

• 存在小邻域内所有点函数值都小于该点的函数值为极大值（根据小于或小于等于判断是否严格）
• 只能在内点讨论极值

临界点

• $\nabla f(x_0)=df(x_0)=0$，即一阶微分为0，类似一元函数导数为0

非退化临界点

• $H_f(x_0)$可逆

• $H_f(x_0)$正定即极小值，负定即极大值

• 都不是则有正、负特征值，该点为鞍点

• 由泰勒展开得到上述结论：$f(x_0+v)=f(x)+v^T{H}_f(x_0)v+o(\Vert v{\Vert }^2)$

一般函数求极值：

• 解法一：

  • 求出所有临界点
  • 如果临界点都是非退化临界点则直接求$Hesse$矩阵判断正定性（顺序主子式为正数）
  • 对于退化临界点讨论周围的点的$Hesse$矩阵

• 解法二：

条件极值

在满足$F_k(x)=0,k=1,2,...,n$的所有$x\in {\mathbb{R}}^m$中求$f(x)$的极值

若对于$F=(F_1,F_2,...,F_n)$，$DF(x^{\ast })$满行秩则可以根据隐函数定理得到$F(x)=0$是$m-n$维曲面

必要条件

• $\nabla f(x^{\ast })\perp \ker DF(x^{\ast })$
  • 即$f(x)$增长方向与$F(x)=0$曲面的切平面垂直
  • 否则可以沿$\nabla f(x^{\ast })$在切平面的投影方向得到更大值）
• $DF(x^{\ast })$满行秩则$\nabla F_k(x^{\ast })$为$\ker DF(x^{\ast })$一组基
• 则$\nabla f(x^{\ast })=\sum {\lambda }_i\nabla F_i(x^{\ast })$

对于必要条件，可以使用拉格朗日乘子法

• $L(x,{\lambda }_1,...,{\lambda }_n)=f(x)-{\lambda }_1{F}_1(x)-...-{\lambda }_n{F}_n(x)$

• $(x^{\ast },{\lambda }_1^{\ast },...,{\lambda }_n^{\ast })$是$L$的临界点：

  • $0=\nabla L(x^{\ast },{\lambda }_1^{\ast },...,{\lambda }_n^{\ast })=\left(\begin{array}{c}\nabla f(x^{\ast })-{\sum }_{k=1}^n{\lambda }_k\nabla F_k(x^{\ast })\\ -F_1(x^{\ast })\\ ⋮\\ -F_n(x^{\ast })\end{array}\right)$
  • 上一行的列向量中，第一个元素是$m$维列向量，即对$x$求偏导在$x^{\ast }$处取，实际上是对$x_1...x_m$求$m$个偏导分别为0
  • ${\partial }_{x}L(x^{\ast },\lambda )$是$L$在$(x^{\ast },\lambda )$处的微分，是$1\ast m$的$Jacobi$矩阵，是$\nabla L$前$m$行对应列向量的转置，是$L$分别对前$m$个分量求偏导数组合起来的列向量

• 记$H=d^{2}f(x^{\ast })-({\lambda }_1,...,{\lambda }_n)D^{2}F(x^{\ast })$

  • 在$F(x^{\ast })$的切平面上$H$正定为极小值，负定为极大值，
  • 同时有正负特征值时不是极值点