这一节就之前涉及到的一些概念做一个整理,大部分是来自百度,出处急切之前搞不清楚了,下面内容是个人整理的,如果感觉有一点前言不搭后语,可直接复制粘贴相关内容,进行百度。我只是搬运工。
可以放轻松,如果有些概念忘记了,不要纠结,先放过。等到有具体的应用场景时,再回来进行参考佐证。
导数
定义:设函数y=f(x)在点x0的某个邻域内有定义,当自变量x在x0处有增量Δx,(x0+Δx)也在该邻域内时,相应地函数取得增量Δy=f(x0+Δx)-f(x0);如果当Δx→0时, Δy与Δx之比极限存在,则称函数y=f(x)在点x0处可导,并称这个极限为函数y=f(x)在点x0处的导数,记作:
下面以一元二次函数作为例子:
A是曲线方程 y = f(x)上的点,l是经过A的切线, ∠HAB的正切值代表了切线的斜率, △x -> 0的过程中,点C不断逼向点H,最终两者重合。
简单起见,令 θ = ∠HAB,当 △x 取极限时,曲线上某点的导数 = 过该点切线的斜率。需要澄清的一个概念是: 虽然导数有正有负,它仍然是一个标量
方向导数
从一元扩展到多元方程时,情况就变得有点复杂了。首先,多元函数代表的函数图像不再是一条曲线,而是一个曲面(超曲面),通过曲面上的某一点,可以作无数条切线(这里我只讨论可导的情况),这就引出了方向导数的概念,还是先看数学定义:
定义:设函数 z = f(x, y)在点 p(x, y) 的某一邻域 U(p) 内有定义,自点 p 引射线 l, 设 x 轴到射线的转角位 φ, 并设 p'(x + △x, y + △y) 为 l 上的另一点且 p' ∈U(p),我们考虑函数的增量 f(x + △x, y + △y) - f(x, y) 与 p、p'两点距离 ρ = sqrt( (△x)² + (△y)² )的比值, 当 p' 沿 l 趋向 p 时, 如果这个比的极限存在,则成这个极限为函数 f(x, y) 在点 p 沿方向 l 的方向导数,即:
这个定义是我从其他的地方抄的,看不懂 ? 没关系,现在我们分步讲解。
上图展示了如何求一个二元函数的方向导数,整个过程可分两步来理解:
方向性
方向导数,顾名思意,是某个方向上的导数,需要从方向性与导数性两方面来考虑。方向性比较容易理解:点A(不一定是原点)是 f(x, y) 上的点, 从点A出发,做一条射线 l, 射线 l 指向的方向就是我们需要研究的对象, 很明显,射线 l 平行于 xoy平面 或 l 在 xoy平面上。
导数性
沿射线 l 作 一个垂直于 xoy 的平面,该平面与二元函数的图像相交,形成一条空间上的曲线(图中标黄色的部分),如果这条曲线以射线 l 的方向作为横轴,Z方向作为纵轴,则可以理解为一个以 Z-A-L 为坐标系的一元函数曲线,利用一元函数的性质,可以很容易求出该曲线在 A 点的导数,为了表达清晰,我将A、B、C三点平移到 A'、B'、C',∠B'A'C'的正切值就是A点的导数值,这个导数就是我们所说的方向导数。
需要注意的是,方向导数虽然有方向这个帽子,但它任然是标量。
偏导数
如果选定方向平行于X轴,则改该方向导数称为 f(x,y) 对 x 的偏导数,如果选定方向平行于Y轴,则改方向导数称为 f(x,y) 对 y 的偏导数,记为:
偏导数是方向导数的特殊情况。
全导数
前面讨论的方向导数、偏导数都是多元函数里面的概念,全导数则是复合函数里面的概念,这是需要我们仔细区分的,例如:
设u=u(x)、v=v(x)在x可导,z = f(u,v) 在相应点 (u,v) 有连续偏导数,则复合函数 z=f(u(x), v(x)) 在x可导,且有:
称 ∂z/∂x 为函数 z = f(u, v) 相对变量 x 的全导数, 而 z 相对于自变量 u、v来说是二元函数, 不存在全导数之说。
全微分
定义: 如果函数 z = f(x, y) 在定义域 D 内的点 (x, y) 处的全增量 △z = f(x + △x, y + △y), 可表示成
其中
其中,A、B不依赖于 △x, △y,仅与 x, y 有关,o(ρ)是关于ρ的高阶无穷小, 则称 f(x, y)在点 (x, y)处可微,A△x + B△y 称为函数 f(x, y)在点 (x, y)的全微分,记做:
在讲解全微分之前,需要对导数与微分他们微妙的差别做一下区分!
我们在讨论导数时,总是会先确定一个自变量和一个因变量,然后把变化量取极限时的比例定义为导数(比如方向向量中的 ∂f 与 ∂l),对应的物理意义就是切线的斜率
微分研究的对象则是:在函数的某个邻域D内,当变化量取极限时,因变量的变化 (△z) 是否可以用一个自变量的变化(△x,△y)的线性方程来表示,注意这个邻域是一个空间的概念,
这是区分可导与可微的关键。
可导 --> 可微 (不成立)
可微 --> 可导 (成立)
上面是一幅微分逼近的示意图,前面我们在讨论方向导数时,明确规定 △x, △y 是沿着直线 l 对函数 f 进行逼近,而全微分研究的范围是某个邻域D,也就是说 l 是一条曲线,△x, △y沿着任意曲线对函数 f 进行逼近也是可以的,可以看到可微对函数的质量(光滑度)要求高的多(可导只能保证线性方向是线性光滑的,可微表示邻域内的任意位置都是线性性光滑的)。
方向导数与偏导数
给定一个二元函数,我们如何求其方向导数。从定义上将,我们需要作出这条代表方向的射线,看其在函数上的投影曲线,作出投影曲线的切线,再量出切线与 xoy平面的夹角,求其正切值得到方向导数,但实际应用中,我们几乎没法作出投影曲线,更不可能量出切线的夹角,如何求方向导数?
高等数学给了我们一个简便的工具用来计算方向导数,但是使用这个工具前对我们的函数有一个小小的要求,那就是要求函数在该点可微(幸好我们实际应用中的大部分问题都满足这一条件)!
根据全微分的定义有:
两边同时除以 ρ:
左边就是方向导数的定义
再来看右边,因为 o(ρ) 是 ρ 的高阶无穷小,在做除法时可以忽略不计,根据勾股定理(看前面关于全微分的定义)△x、△y,ρ是构成了直角三角形的三条边,令:
化简之后就可变成了我们方向导数的计算表达式:
这里之所以都使用余弦表示是为了方便向更高维扩展,而且向高维扩展时,满足关系式:
梯度
https://www.cnblogs.com/bingjianing/p/9014246.html
定义: 设函数 z = f(x, y) 在平面区域D可微分(不少参考资料将这里描述为具有一阶连续偏导数,个人认为此条件过于宽泛,实际上后面的推导都是基于全微分的前提下进行的),则对于每一点(x, y) ∈ D,都可定出一个向量:
称这个向量为函数 z = f(x, y)的梯度, 记作:
上面以二元函数为例进行定义,扩展到高维大家自行想象。
注意,梯度是不同于我们前面所述的任何一个概念,它是一个矢量,即有大小,又有方向。
梯度向量处于 xoy 平面, 向量[∂f/∂x, ∂f/∂y] 决定了了梯度的方向,可以把梯度的角色理解成前面所说的直线 l (方向导数中代表方向的射线),实际上它就是一个特殊的 l:
沿着梯度方向的方向导数最大,并且方向导数最大值为梯度的长度。
这是一条很重要的性质,下面就来对其证明:
根据方向导数的计算表达式(以可微为前提):
u是梯度向量,v是方向 l 所代表的单位向量,||v||的结果为1, 函数 f 与点 P 确定之后,||u||的值也唯一确定,现在只能通过改变 u 和 θ 来该表方向导数的大小
从定义式可以看出, θ = 0 时,方向导数达到最大,最大的方向导数:
梯度官方定义
梯度的本意是一个向量(矢量),表示某一函数在该点处的方向导数沿着该方向取得最大值,即函数在该点处沿着该方向(此梯度的方向)变化最快,变化率最大(为该梯度的模)