【数学基础与最优化1.1】基本概念、导数、梯度

基本概念

假设A是条件，B是结论
（1）由A可以推出B，由B可以推出A，则A是B的充分必要条件( $A=B$ )，或者说A的充分必要条件是B。
（2）由A可以推出B，由B不可以推出A，则A是B的充分不必要条件( $A\subseteq B$ )
（3）由A不可以推出B，由B可以推出A，则A是B的必要不充分条件( $B\subseteq A$ )
（4）由A不可以推出B，由B不可以推出A，则A是B的既不充分也不必要条件( $A̸\subseteq B,B̸\subseteq A$ )

可微与可导

一元函数中可导与可微等价，它们与可积无关 [1]。
多元函数可微必可导，而反之不成立。
即：
在一元函数里，可导是可微的充分必要条件；
在多元函数里，可导是可微的必要条件，可微是可导的充分条件。

方向导数与梯度

  函数 $z=f(x,y)$ 在点$P_0(x_0,y_0)$沿射线 $l$ 方向的导数称为方向导数，记作 ${\frac{\partial f}{\partial l}|}_{(x_0,y_0)}$。方向导数 ${\frac{\partial f}{\partial l}|}_{(x_0,y_0)}$ 就是函数 $f(x,y)$ 在点 $P_0(x_0,y_0)$ 沿方向 $l$ 的变化率 （参见文献[2] P101）。

  若函数 $f(x,y)$ 在点 $P_0(x_0,y_0)$ 的偏导数存在，且射线 $l$ 的方向是沿着x轴正方向时，则 ${\frac{\partial f}{\partial l}|}_{(x_0,y_0)}=f_x(x_0,y_0)$，如果$l$的方向是沿着y轴正方向，则 ${\frac{\partial f}{\partial l}|}_{(x_0,y_0)}=f_y(x_0,y_0)$。



  函数 $f(x,y)$ 在$P_0$点的梯度是一个向量
$$f_x(x_0,y_0)\mathbf{i}+f_y(x_0,y_0)\mathbf{j}$$ 记作$gradf(x_0,y_0)$或$\nabla f(x_0,y_0)$，即
$$gradf(x_0,y_0)=\nabla f(x_0,y_0)=f_x(x_0,y_0)\mathbf{i}+f_y(x_0,y_0)\mathbf{j}$$它的方向是函数在这点的方向导数取得最大值的方向，它的模就等于方向导数的最大值。

浅显的理解：
偏导存在$\nRightarrow$方向导数存在
偏导存在$\nLeftarrow$方向导数存在

参考文献

[1] 可导与可微等价吗？有什么区别？
[2] 高等数学.第六版.下册