c语言求三个数最大值_用变化的眼光看最大值和最小值

你好，欢迎来到我的《数学通识50讲》，这一讲我们学习如何用变化的眼光找到最优答案。

今天高等数学最常见的一个应用是对这种现实的问题实现最优化，比如炙手可热的机器学习，其实就是对一个目标函数实现最优化的过程。此外，金融上的结构化投资产品，商业上的博弈论，企业管理中的各种规划，其实也都是不同形式的最优化。

那么什么是最优化？其实它最简单的形态大家都不陌生，就是求一个函数的最大值或最小值。由于这两个问题是对称的，解法类似，因此我们就以求最大值为例来说明。

对于一个有限的集合，求最大值是一件很容易的事情，比如在计算机计算问题中就有很多寻找最大值的算法。所有那些算法的一个核心思想，就是比较大小。如果有一个元素在直接或者间接地和其它的元素对比后，它比谁都多，它就是最大值。

这是一种寻找最大值的思想，但在一个有无限集合的函数中就不大灵了，因为你不可能穷尽所有的可能性。那么怎么办呢？这时我们在中学里就要开始学习解题技巧了。

一般人如何求解最大值？

最著名的解题技巧就是计算抛物线的最大值。比如一个抛物线函数是：y =-x^2+4x，它的最大值是多少？

从直觉我们可以猜出来这个函数的最大值是存在的，因为我们至少有两个理由：

1. 无论x是一个什么样有限的数，y都不可能是正的无穷大，而是一个有限的数；
2. 当x趋于正无穷，或者负无穷时，y都是负无穷大。

因此我们猜想这个函数应该是两头小，中间大，而且中间是有最大值存在的，但是真让我们找到那个最大值，又无从下手。

很多人会代入几个数字试一试，比如让x=0，我们知道y 也等于零。如果x=1，那么y=3，增加了一些。如果x再增加到2，y会增加到4，但是再往后，y似乎就要往下走了。那么我们能说y的最大值就是4吗？把这个函数对应的曲线画在坐标上，能看出最大值就是4附近：

但是我们前面说了，在数学上我们不能通过测量得到结论，是要证明的。那么怎么证明呢？在中学里，老师会讲这样一个技巧，我把步骤放在文稿中了，大家有兴趣可以看一下：

1. 我们把y=-x^2+4x重新组织一下，就得到y=-(x-2)^2+4。推导的过程我就省略了。
2. 在这个式子里，我们知道(x-2)^2只可能大于零，或者等于零，因此乘以-1之后，-(x-2)^2只可能小于零，或者等于零。后面的4是个常数，不影响y的取值。
3. 于是y的最大值就是当-(x-2)^2=0的时候，这时y=4。

总之，老师教的这个技巧能解决一批同类的抛物线的问题，但是遇到其它的问题，这种技巧还是无能为力。比如要问下面这个函数y=x^3-12x^2+4x+8在0到15之间有没有最大值或者最小值，上面的方法就不灵了。

因此，靠这样掌握了某个技巧考了高分，也不值得沾沾自喜，因为那种经验很难推广用来解决一般性问题。

在伽利略之前，人类其实没有太多的最优化问题要解决。但是到了伽利略和开普勒那个年代，人们就在物理学和天文学中遇到很多最优化问题了，比如计算行星运动的近日点和远日点距离、弹道的距离、望远镜透镜曲率和放大倍数的关系等等。这时就需要系统地解决最优化问题，而不能单靠一些技巧。这个难题就留给了牛顿。

牛顿怎么求解最大值？

牛顿是怎么考虑这个问题的呢？他的伟大之处在于，他不像前人那样，将最优化问题看成是若干数量比较大小的问题，而看成是研究函数动态变化趋势的问题。这一点很重要。

怎么理解牛顿这个思想呢？我们还是从前面那个求抛物线最高点的问题讲起。为了方便起见，我们把关注点放在最高点附近的位置上，我把上面的曲线又放大画了一遍。

我们在前面的课程讲到过，曲线瞬间变化的速率就是那一点切线的斜率，也就是它的导数。为了强化你对这个要点的理解，我特别将抛物线在最高点附近的斜率变化画出来，给你看一下：

在图中，上半部分就是前面说的抛物线，只是我为了让大家把曲线变化的细节看得更清楚，将它的横轴拉长了一倍。图中各种颜色的曲线，是一些点的切线。你可以看出，从左到右，抛物线的变化是由快到慢，到平缓，再到下降。而这些切线也是由陡峭变得平缓，在最高点变成了水平线，然后斜率就往下走了。

如果量化地度量它们，在x=0这个点，切线的斜率，也就是相应点的导数是4。到x=0.5时，斜率或者说导数变成了3，然后变成了2，1，0，-1，-2，等等。因此如果我们把导数函数也画在图中，就是那根直的虚线。

对比抛物线和它的导数(虚的直线)，你是否发现了，曲线达到最高点的位置，就是切线变成水平的位置，或者说导数变为0的位置呢？

如果你看到了这一点，恭喜你，说明你的目光很敏锐。那么这种现象是巧合么？不是！如果我们回到最大值的定义，对应导数的定义，就很容易理解这两件事情的一致性了。

最大值的含义是说某个点a的函数值f(a)比周围点的数值都大，因此，如果我们从最大值的点往四周走一点点距离，就会发现那些点的函数值要比它小一点。在二维图上，就是和左右的点比较。

左边的比它小，说明左边的点变化的趋势是向上，导数大于零，右边的也比它小，说明右边的点变化趋势向下，导数小于零。从大于零的数变成小于零的，中间经过导数为零的点，就是最大值所在。

于是，寻找一个函数f(x)的最大值，就变成了一个寻找该函数的导数f’(x)等于零的问题。而后一个过程其实就是解方程，比前一个问题要容易。

上面这种思路，就是牛顿在寻找最大值这件事情上，和前人所不同的地方。他不是直接解决那些很难的问题，而是把比较数大小的问题，变成了寻找函数变化拐点的问题，后一个问题要比前一个好解决。但是，将这两个问题等同起来，需要发明一种工具，叫做导数。

有了导数这个工具，求最大值问题就变成了解方程的问题。这个方法的好处在于，它适用于任何函数。因此，我们不再需要针对每一种特定的函数，寻找一种解题技巧了。这也是为什么微积分是一种很强大的数学工具的原因。

还是没有彻底解决？

当然，我们昨天讲了，一个新的方法出来之后，常常免不了有一些破绽，用导数求最大值的方法也是如此。

比如一个立方函数，f(x) = x^3，它的导数是f’(x) = 3x^2，显然当x=0时，它的导数变为了零。但是x=0这一点显然不是x^3最大值的点，因为我们知道立方函数的最大值最后是趋近于无穷大。

为什么上述方法对于立方函数不管用了呢？我画一个图，大家就清楚了。

在图中你会发现，立方函数一开始上升的斜率很大，然后逐渐变小，并且变为零。但是，在变为零以后，它没有再进一步变小进入负数的区间，而是又逐渐变大了。原因找到了，问题就好补救。

我们只要在找到导数等于零那个点之后，看看它前后的点，是否发生了导数符号从正的到负的反转，如果发生了，它就是最大值的点，否则就不是最大值的点。这样就补救了一个漏洞。

用导数求最大值的方法还有其它的漏洞，比如下面这个函数。它有左右两个点，都满足导数等于零的条件，而且也都满足导数从正变成零，再变成负这个条件，但是最大值只能有一个。由于左边的那个点比右边的要高一些，因此左边的是真正的最大值，右边的是假的。

对于这种情况怎么办？首先，数学家们要更准确地定义什么是最大值。他们把最大值分成了两种，第一种被称为极大值，或者局部最大值，就是说只要一个点的函数值比周围都高就可以了。另一种才是我们原来理解的整个函数的最大值。

因此，一个函数可以有多个极大值，但是只能有一个最大值。这样，谁是最大值的定义就没有矛盾了。

但是接下来，数学家们需要给出，如何在很多的那个局部的极大值中找到最大值的方法。很遗憾，目前依然没有很好的方法系统性地解决这个问题，只能一个个比较。

事实上，这也是今天计算机进行机器学习时遇到的一个很大的、尚未解决的问题，因为在很多时候，我们觉得经过计算机长期的训练，找到了最大值，但是后来发现所找到的不过是很多局部极大值中的一个而已。人们对于这一点的认知，后来给企业管理和创新带来了很多思考和启发。这个内容我们在最后一个模块会讲到。

最后总结一下今天的内容。在过去，找最大值就是一个个地比较数字的大小，这就把数字变化看成是孤立的事件了，因此很难找到通用的求最大值的方法。

牛顿等人通过考察函数变化趋势，发明了一种通过跟踪函数从低到高，再到平稳，最后再下降的变化，而求最大值的方法。这就让人类对事物的理解从静态，到动态了。这种方法的好处是，它是通用的，而不是针对具体问题的技巧。当然，这种方法有一些漏洞，因此我们要一一补上。

到目前为止，我们关于微积分的主要思想就介绍完了，希望你通过这个工具，对世界的认识能够上到一个崭新的高度。下一讲我们会讲讲有关微积分的发明权之争，看看你从中会得到哪些启发。我们下一讲再见。——吴军《数学通识五十讲》