海森矩阵的应用：多元函数极值的判定

Hessian Matrix 主要是由 变量的二阶导数所组成，对角线上的元素为：对某一元素的二阶导数，而非对角线元素是对不同元素的混合偏导！它是对称矩阵！

对于多元函数f(x1,x2,x3……xn)二阶连续可导，并且在临界点M=（x1,x2,x3……xn）处梯度为0，M为驻点，仅通过一阶导数无法判断是否为极大、小值点。

记M处的海森矩阵为H(M),由于f(X)在M点连续，所以H(M)是一个(n*n)对称矩阵。对于H(M)有如下结论：

1.如果H(M)是一个正定矩阵，则临界点M点是一个极小值点。

2..如果H(M)是一个负定矩阵，则临界点M点是一个极大值点。

3..如果H(M)是一个不定矩阵，则临界点M点不是极值点。

 

正定矩阵：对于埃米尔特矩阵（对称矩阵的推广），如果有X属于Rn,即X是n维的向量！有X*H(M)X>0,

负定矩阵：对于埃米尔特矩阵（对称矩阵的推广），如果有X属于Rn,即X是n维的向量！有X*H(M)X<0,

半正定矩阵：对于埃米尔特矩阵（对称矩阵的推广），如果有X属于Rn,即X是n维的向量！有X*H(M)X>=0,

半负定矩阵：对于埃米尔特矩阵（对称矩阵的推广），如果有X属于Rn,即X是n维的向量！有X*H(M)X<=0,

不定矩阵：若它既不是半正定矩阵也不是办负定矩阵则称不定矩阵。

正定矩阵的判别：

1.将矩阵华为P*VP则V为对角矩阵，其对角线上的全部元素为正，则成立。

2.顺序主子式的行列式全为正。

3.……

在高等数学中我们学过，对极值的判定是根据驻点处的二阶导数的值进行判别，一元函数的求值，只是求解其二阶导数就能直接判断，二元函数的求值，对变量求二阶偏导数和各自的混合偏导，然后进行判别，当AC-B^2=0是亦无法进行判别，拓展值更高维度时，我们只是研究出了其具有的必要条件，即低一阶导数的值为0。故此高数中的方法具有很大的局限性！