二次型的教学课件

二次型教学课件二次型的背景意义二次型作为多元函数的特殊形式，是现代数学和应用科学中不可或缺的研究对象。它在多个领域具有深远影响：二次型是研究多元变换和优化问题的基础工具在物理学中用于描述能量函数、惯性矩和应力分析在经济学中应用于效用函数和投资组合优化在工程学中用于结构设计和控制系统分析在统计学中与多元正态分布、主成分分析密切相关在机器学习中用于数据降维和特征提取掌握二次型理论，对于理解现代科学技术中的许多复杂问题至关重要，是高等数学和线性代数的核心内容之一。二次型的基本定义数学定义二次型是一种特殊的多元二次函数，它是由n个变量的二次齐次多项式。一般形式可表示为：其中，A为n阶对称矩阵，x为n维列向量。这种表示方法简洁而统一，是研究二次型最常用的形式。重要特性二次型是多元变量的齐次二次函数对称性：系数矩阵A满足a_{ij}=a_{ji}可通过线性变换化为标准形式与对称矩阵一一对应可用于描述多维空间中的二次曲面二次型与二次函数的联系二次函数作为一维特例一元二次函数f(x)=ax^2+bx+c是二次型的一维特例。严格来说，其中的二次项ax^2对应一维二次型。二维二次型的典型形式在二维情况下，二次型可以表示为：这对应于平面上的二次曲线，如椭圆、双曲线、抛物线等。高维拓展当维数增加时，二次型对应于高维空间中的二次超曲面，几何直观变得复杂，但代数性质保持一致。从一元二次函数到多元二次型，是数学概念从低维到高维的自然推广。二次函数描述的是平面上的抛物线，而二次型则可以描述多维空间中的各种二次曲面，如椭球面、双曲面、抛物面等。二次型的代数表达式1总和表示法二次型的一般代数表达式可以写为变量的二次项和交叉项的和：其中系数a_{ij}构成对称矩阵，即a_{ij}=a_{ji}。2展开形式对于三元二次型，其展开形式为：注意交叉项的系数是矩阵对应元素的两倍，这是为了与矩阵表示保持一致。3系数特性对于任意二次型，可以假设其系数矩阵是对称的，因为：我们可以将非对称部分对称化，不改变二次型的值。二次型的代数表达式是研究其性质的基础。通过代数表达式，我们可以直观地看到各变量之间的相互作用，以及各项的系数大小，从而分析二次型的性质和特征。二次型的矩阵表示二次型与对称矩阵之间存在一一对应关系，这使得我们可以用矩阵理论来研究二次型的性质。矩阵表示的优势简化记号，使表达更加简洁利用矩阵运算规则进行二次型的变换通过矩阵特征值研究二次型的性质便于计算机实现相关算法给定二次型Q(x)=x^TAx，其中A是对称矩阵，我们称A为二次型Q的矩阵。反之，给定对称矩阵A，也唯一确定一个二次型。三元二次型矩阵表示示例考虑三元二次型：其矩阵表示为：注意交叉项系数在矩阵中被平均分配：a_{ij}=a_{ji}=\frac{1}{2}交叉项系数。典型例题：写出二次型的矩阵1例题给定二次型：Q(x,y,z)=2x^2+3y^2+z^2+4xy-2xz求对应的对称矩阵A。2解析步骤首先识别各项系数：平方项系数：a_{11}=2,a_{22}=3,a_{33}=1交叉项xy的系数为4，所以a_{12}=a_{21}=2交叉项xz的系数为-2，所以a_{13}=a_{31}=-1没有yz项，所以a_{23}=a_{32}=03结果因此，二次型Q对应的对称矩阵为：验证：将向量x=(x,y,z)^T代入x^TAx，展开后确实得到原二次型。通过这个例题，我们可以看到二次型与对称矩阵之间的对应关系是如何建立的。这种对应关系使我们能够利用矩阵理论来研究二次型的性质和变换。在实际应用中，这种转换是研究二次型的重要工具。二次型的分类正定二次型定义：对于任意非零向量x，都有Q(x)>0几何意义：表示高维空间中的椭球面特征：矩阵A的所有特征值均为正数例如：Q(x,y)=2x^2+3y^2+2xy，当x^2+y^2\neq0时，Q(x,y)>0负定二次型定义：对于任意非零向量x，都有Q(x)<0几何意义：与正定二次型形状相同，但开口方向相反特征：矩阵A的所有特征值均为负数例如：Q(x,y)=-2x^2-3y^2-2xy，当x^2+y^2\neq0时，Q(x,y)<0半正定二次型定义：对于任意向量x，都有Q(x)≥0几何意义：可能包含"平"的方向特征：矩阵A的所有特征值非负例如：Q(x,y)=x^2+y^2+2xy=(x+y)^2，恒有Q(x,y)\geq0半负定二次型定义：对于任意向量x，都有Q(x)≤0几何意义：与半正定二次型形状相同，但开口方向相反特征：矩阵A的所有特征值非正例如：Q(x,y)=-x^2-y^2-2xy=-(x+y)^2，恒有Q(x,y)\leq0不定二次型定义：既有Q(x)>0的向量x，又有Q(y)<0的向量y几何意义：表示双曲面特征：矩阵A既有正特征值又有负特征值例如：Q(x,y)=x^2-y^2，对于(1,0)有Q>0，对于(0,1)有Q<0实际应用举例物理学中的应用势能表达式在经典力学中，小偏离平衡位置的系统势能常表示为二次型：其中K为刚度矩阵，是一个对称正定矩阵。例如，多自由度弹簧-质量系统的势能就是一个典型的正定二次型。惯性张量刚体的转动惯量可以表示为二次型：其中J为惯性张量，是一个对称正定矩阵。这反映了刚体转动时的动能分布特性。统计学中的应用马氏距离在多元统计分析中，马氏距离定义为：其中Σ为协方差矩阵，这是一个正定二次型，用于衡量样本点与分布中心的"标准化"距离。主成分分析PCA中的方差最大化问题可以表述为二次型最大化问题：这里Σ是数据协方差矩阵，解是Σ的特征向量。二次型的正定性判别特征值判别法对于n阶对称矩阵A，计算其所有特征值\lambda_1,\lambda_2,...,\lambda_n：若所有特征值均为正数，则二次型正定若所有特征值均为负数，则二次型负定若特征值有正有负，则二次型不定若特征值非负且至少有一个为零，则二次型半正定若特征值非正且至少有一个为零，则二次型半负定顺序主子式判别法设D_k为矩阵A的k阶顺序主子式的行列式：若所有D_k>0，则二次型正定若所有奇数阶D_k<0且偶数阶D_k>0，则二次型负定若所有D_k\geq0，则二次型半正定若所有偶数阶D_k\geq0且奇数阶D_k\leq0，则二次型半负定这就是著名的Sylvester判据。配方法判别将二次型通过配方变换为标准形：然后根据系数\lambda_i的符号判断正定性：若所有\lambda_i>0，则二次型正定若所有\lambda_i<0，则二次型负定若\lambda_i有正有负，则二次型不定正定性判别是二次型理论中最重要的内容之一，它在优化理论、动力学稳定性分析、统计学和控制理论中都有广泛应用。正定二次型具有良好的数学性质，如存在唯一的极小值，这使得它在许多实际问题中具有特殊意义。特征值与二次型关系特征值与二次曲面形状二次型矩阵A的特征值\lambda_1,\lambda_2,...,\lambda_n决定了二次曲面的主轴方向和形状：特征向量确定主轴方向特征值的绝对值确定主轴长度特征值的符号确定曲面类型特征值与二次型的取值范围在单位球面上，二次型的最大值为最大特征值，最小值为最小特征值：这一性质在优化问题中有重要应用。特征值与正定性的关系正定性判据全部特征值>0⟹正定二次型全部特征值<0⟹负定二次型全部特征值≥0⟹半正定二次型全部特征值≤0⟹半负定二次型特征值有正有负⟹不定二次型特征值是理解二次型几何和代数性质的关键。通过计算特征值，我们可以直观地了解二次型的形状和取值特性，为解决相关问题提供重要依据。例题：正定性判断1例题判断下列二次型的正定性：2解法一：顺序主子式法首先写出二次型的矩阵：计算各阶顺序主子式：一阶主子式：D_1=2>0二阶主子式：D_2=\begin{vmatrix}2&1\\1&3\end{vmatrix}=6-1=5>0三阶主子式：D_3=\det(A)=2(12-4)-1(4+2)+(-1)(-2-3)=16-6+5=15>0由于所有顺序主子式均为正，根据Sylvester判据，该二次型为正定二次型。3解法二：特征值法计算矩阵A的特征多项式：展开后得到特征方程，求解得特征值：\lambda_1\approx1.17,\lambda_2\approx2.31,\lambda_3\approx5.52由于所有特征值均为正，因此该二次型为正定二次型。通过这个例题，我们演示了判断二次型正定性的两种主要方法。顺序主子式法计算相对简单，特别是对于低维二次型；而特征值法则提供了更直观的几何解释，但计算可能较为复杂。在实际应用中，可以根据具体情况选择合适的方法。二次型化为标准形标准形的意义二次型的标准形是指不含交叉项的形式，即：其中\lambda_i是二次型矩阵的特征值。标准形具有重要意义：几何意义明确，表示以主轴为坐标轴的二次曲面计算简便，便于分析二次型的性质是研究二次型分类的基础在应用问题中便于寻找极值化为标准形的主要方法正交变换法利用特征向量构成的正交矩阵P，通过变换x=Py将二次型化为标准形。这种方法的优点是几何意义明确，变换后的坐标轴为原二次曲面的主轴。配方法通过不断完全平方，消去交叉项，得到只含平方项的标准形。这种方法直观且易于手工计算，但对于高维二次型可能较为繁琐。合同变换法利用初等变换将二次型矩阵对角化，是线性代数中的标准方法。二次型标准化的步骤步骤一：确定二次型矩阵将二次型Q(x)写成矩阵形式Q(x)=x^TAx，其中A为对称矩阵。对于二次型Q(x,y,z)=ax^2+by^2+cz^2+2dxy+2exz+2fyz，其矩阵为：步骤二：求特征值和特征向量解方程\det(A-\lambdaI)=0，得到特征值\lambda_1,\lambda_2,...,\lambda_n。对每个特征值\lambda_i，求解方程组(A-\lambda_iI)p_i=0，得到对应的特征向量p_i。将特征向量标准化为单位向量。步骤三：构造正交矩阵用标准化后的特征向量作为列向量，构造正交矩阵P：这个矩阵满足P^TP=I，即P是正交矩阵。步骤四：执行正交变换通过坐标变换x=Py，二次型变为：其中P^TAP=\text{diag}(\lambda_1,\lambda_2,...,\lambda_n)是对角矩阵。步骤五：写出标准形最终，二次型的标准形为：其中y=P^Tx是新的坐标变量。通过以上步骤，我们可以将任意二次型化为标准形，这使得二次型的几何意义和代数性质更加清晰。在实际应用中，标准形常用于分析二次曲面的形状、确定极值点以及简化计算。例题：二次型标准化1例题将二次型Q(x,y)=5x^2-2xy+2y^2化为标准形。2解法一：正交变换法二次型矩阵为：A=\begin{pmatrix}5&-1\\-1&2\end{pmatrix}计算特征值：\det(A-\lambdaI)=(5-\lambda)(2-\lambda)-(-1)(-1)=\lambda^2-7\lambda+9=0解得：\lambda_1=\frac{7+\sqrt{13}}{2}\approx6.30，\lambda_2=\frac{7-\sqrt{13}}{2}\approx0.70计算对应特征向量并标准化：对于\lambda_1：p_1=\frac{1}{\sqrt{5}}(2,1)^T对于\lambda_2：p_2=\frac{1}{\sqrt{5}}(-1,2)^T构造正交矩阵：P=\begin{pmatrix}\frac{2}{\sqrt{5}}&\frac{-1}{\sqrt{5}}\\\frac{1}{\sqrt{5}}&\frac{2}{\sqrt{5}}\end{pmatrix}通过变换x=Py，得到标准形：Q(y)=\lambda_1y_1^2+\lambda_2y_2^2\approx6.30y_1^2+0.70y_2^23解法二：配方法原二次型：Q(x,y)=5x^2-2xy+2y^2对x进行配方：Q(x,y)=5(x-\frac{1}{5}y)^2+(2-\frac{1}{5})y^2=5(x-\frac{1}{5}y)^2+\frac{9}{5}y^2令z_1=x-\frac{1}{5}y，z_2=y，得到标准形：Q(z)=5z_1^2+\frac{9}{5}z_2^2这与正交变换法得到的结果等价，只是变量的定义不同。通过这个例题，我们展示了将二次型化为标准形的两种常用方法。正交变换法有明确的几何意义，变换后的坐标轴为二次曲面的主轴；而配方法则在计算上可能更为直观，特别是对于低维二次型。在实际应用中，可以根据问题的性质选择合适的方法。正交变换与二次型对角化1正交变换的定义正交变换是指由正交矩阵P实现的线性变换：x=Py，其中P满足P^TP=PP^T=I。正交变换具有以下重要性质：保持向量长度不变：||Py||=||y||保持向量之间的夹角不变几何上相当于坐标轴的旋转或反射2正交矩阵的构造对于二次型矩阵A，其正交对角化的关键步骤是：计算A的特征值\lambda_1,\lambda_2,...,\lambda_n对每个特征值\lambda_i，求对应的单位特征向量p_i由于A为实对称矩阵，不同特征值对应的特征向量正交对于重特征值，需通过施密特正交化得到一组正交向量以这些正交单位向量为列构造正交矩阵P3对角化过程通过正交变换x=Py，二次型变为：由于特征向量的性质，有：因此二次型的标准形为：4几何意义正交对角化的几何意义是：将二次曲面旋转到主轴方向新坐标系的基向量是二次曲面的主轴方向标准形中的系数\lambda_i是主轴方向上的"伸缩系数"这一几何解释使得二次型的性质更加直观。二次型与一元二次方程关系二次型的一维特例一元二次方程ax^2+bx+c=0中，二次项ax^2可以看作是一维的二次型。完全平方后的形式a(x+\frac{b}{2a})^2=-c+\frac{b^2}{4a}对应于一维二次型的标准形。判别式与二次型正定性一元二次方程的判别式\Delta=b^2-4ac与对应二次型的性质有密切关系：若a>0，则对应的二次型ax^2正定若a<0，则对应的二次型ax^2负定二次方程的两个根对应于二次型ax^2+bx+c图像与x轴的交点延伸到多元情况多元二次方程x^TAx+b^Tx+c=0可以通过配方转化为：这里左侧是一个平移后的二次型，右侧是一个常数。这种关系在研究二次曲面（如椭球面、双曲面等）时特别有用。在解析几何中，二次曲线和二次曲面的方程都可以用矩阵形式的二次型来表示。二次型的性质直接决定了这些几何对象的形状和位置。二次型的值域问题1无约束情况对于二次型Q(x)=x^TAx，其无约束值域为：若A正定，则值域为(0,+∞)若A负定，则值域为(-∞,0)若A半正定但非正定，则值域为[0,+∞)若A半负定但非负定，则值域为(-∞,0]若A不定，则值域为(-∞,+∞)2单位球面约束在单位球面||x||=1上，二次型Q(x)=x^TAx的值域为：其中\lambda_{min}和\lambda_{max}分别是A的最小和最大特征值。极值点是对应特征值的特征向量。3条件极值问题求解二次型在约束条件下的极值，通常使用拉格朗日乘数法：令偏导数为零：\frac{\partialL}{\partialx}=2Ax-2\lambdax=0得到Ax=\lambdax，即x是A的特征向量，λ是对应特征值。二次型的值域问题在优化理论、控制理论和机器学习中有广泛应用。通过研究二次型的极值，我们可以解决许多实际问题，如最小二乘拟合、主成分分析、投资组合优化等。二次型的正定性与其极值的存在性和唯一性密切相关，这是二次规划问题的理论基础。综合例题训练一1例题给定三元二次型Q(x,y,z)=3x^2+2y^2+3z^2-2xy+2xz-2yz：将其化为标准形在约束条件x^2+y^2+z^2=1下求极值2解法步骤首先写出二次型的矩阵：计算特征方程：\det(A-\lambdaI)=0解得特征值：\lambda_1=1，\lambda_2=2，\lambda_3=5计算对应的特征向量并标准化：\lambda_1=1：v_1=\frac{1}{\sqrt{3}}(1,1,1)^T\lambda_2=2：v_2=\frac{1}{\sqrt{2}}(0,1,-1)^T\lambda_3=5：v_3=\frac{1}{\sqrt{6}}(2,-1,-1)^T3标准形结果构造正交矩阵P=[v_1,v_2,v_3]，通过变换x=Py，二次型化为标准形：其中y_1=\frac{1}{\sqrt{3}}(x+y+z)，y_2=\frac{1}{\sqrt{2}}(y-z)，y_3=\frac{1}{\sqrt{6}}(2x-y-z)4极值分析在约束条件x^2+y^2+z^2=1下，通过正交变换，约束条件变为y_1^2+y_2^2+y_3^2=1根据拉格朗日乘数法，二次型Q(y)=\lambda_1y_1^2+\lambda_2y_2^2+\lambda_3y_3^2在单位球面上的极值为最大和最小特征值：最小值：\lambda_{min}=1，取在特征向量v_1=\frac{1}{\sqrt{3}}(1,1,1)^T方向最大值：\lambda_{max}=5，取在特征向量v_3=\frac{1}{\sqrt{6}}(2,-1,-1)^T方向综合例题训练二例题：二次型的正定性综合判别判断下列二次型的正定性：解法一：顺序主子式法首先写出二次型的矩阵：计算各阶顺序主子式：一阶主子式：D_1=4>0二阶主子式：D_2=\begin{vmatrix}4&1\\1&1\end{vmatrix}=4-1=3>0三阶主子式：D_3=\det(A)，计算得D_3=12>0由于所有顺序主子式均为正，根据Sylvester判据，该二次型为正定二次型。解法二：特征值法计算矩阵A的特征方程：展开得到：求解特征方程，得到特征值（可以用数值方法）：由于所有特征值均为正，因此该二次型为正定二次型。这个例子展示了两种判别正定性的方法。对于低维问题，顺序主子式法通常计算较为简便；而对于高维问题，特征值法结合数值计算可能更为高效。在实际应用中，可以根据具体情况选择合适的方法。二次型在统计中的应用马氏距离在多元统计分析中，马氏距离是一种考虑变量间相关性的距离度量，定义为：其中，\mu是均值向量，\Sigma是协方差矩阵。括号内的表达式(x-\mu)^T\Sigma^{-1}(x-\mu)是一个二次型，通常要求\Sigma为正定矩阵。多元正态分布n维正态分布的概率密度函数为：指数项中的二次型(x-\mu)^T\Sigma^{-1}(x-\mu)决定了概率密度的等值面形状，是一个以\mu为中心的椭球。主成分分析PCA中，我们寻找数据方差最大的方向，这可以表述为一个约束优化问题：其中\Sigma是数据的协方差矩阵，w^T\Sigmaw是一个二次型，表示数据在方向w上的方差。这个问题的解是\Sigma的特征向量，按特征值大小排序，得到主成分。假设检验与卡方分布在多元统计的假设检验中，许多统计量都可以表示为二次型的形式。例如，Hotelling'sT^2统计量：其中S是样本协方差矩阵。在原假设下，T^2服从一定的F分布。而对于多元正态分布，样本均值与总体均值的差异可以用二次型表示，在一定条件下服从卡方分布。判别分析在线性判别分析(LDA)中，我们寻求最大化不同类别数据之间的可分性，这可以表示为二次型的比值：其中B是类间散布矩阵，W是类内散布矩阵。这个优化问题的解是W^{-1}B的特征向量。二次型在最优化问题中的体现二次规划问题二次规划是指目标函数为二次型，约束条件为线性的优化问题：其中Q通常为对称矩阵。当Q正定时，问题是凸优化问题，有唯一的全局最优解。二次规划在投资组合优化、最小二乘拟合、支持向量机等领域有广泛应用。最小二乘法在线性回归中，最小化残差平方和的问题可以表示为：展开后得到一个关于\beta的二次型，其解为：\beta=(X^TX)^{-1}X^Ty约束优化与拉格朗日乘数法在约束条件下的二次型优化问题，通常使用拉格朗日乘数法：其中g(x)=c是约束条件。求解\nabla_xL=0和\nabla_{\lambda}L=0得到临界点。信号处理中的应用在信号处理中，许多滤波器设计问题可以表述为二次型优化问题，例如维纳滤波器最小化均方误差：其中R是输入信号的自相关矩阵，p是输入与期望输出的互相关向量。典型错误与易混点配方法常见错误平方项系数提取错误：在配方时，需要正确提取二次项系数，例如3x^2+6xy应配为3(x+y)^2-3y^2，而非3(x+2y)^2-12y^2交叉项系数分配不当：配方时交叉项系数要平均分配给两个变量代换变量时遗漏项：完成配方后进行变量代换时，要考虑所有受影响的项混淆正负号：尤其在处理负系数时，容易出现符号错误正定判别的误区顺序主子式的误用：必须计算的是顺序主子式，而非任意主子式顺序主子式顺序错误：必须按照1阶、2阶、...、n阶的顺序检查，不能跳过中间步骤混淆半正定与正定：半正定矩阵的特征值可以有零，而正定矩阵的特征值必须全部为正主对角元为正不等于正定：矩阵主对角元全为正是正定的必要条件，但非充分条件特征值计算常见错误行列式计算错误：特征多项式\det(A-\lambdaI)的展开容易出错特征方程求解错误：尤其是高次方程，容易漏解或计算错误特征向量规范化错误：将特征向量标准化为单位向量时计算错误对于重特征值，未正确构造正交基：当存在重特征值时，需通过施密特正交化构造正交特征向量组二次型标准形的混淆混淆标准形与规范形：标准形只要求无交叉项，规范形还要求系数为±1或0错误地认为标准形唯一：同一个二次型可以有不同的标准形表示，取决于坐标变换方式惯性指数计算错误：惯性指数是指标准形中正系数的个数，是二次型的重要不变量混淆合同变换与正交变换：二次型的标准化可以通过合同变换实现，而不一定要求正交变换动态演示：二次型图像变化参数变化与二次曲线形状以二元二次型为例，研究参数变化对二次曲线形状的影响。考虑二次型：当参数a,b,c变化时，二次曲线可能表现为椭圆、双曲线或抛物线。当c^2<4ab且a,b同号时，表示椭圆当c^2>4ab时，表示双曲线当c^2=4ab时，表示抛物线通过几何画板可以直观地演示这些参数变化对曲线形状的影响。旋转变换与主轴方向二次型的标准化对应于坐标系的旋转，使得新坐标系的轴与二次曲线的主轴重合。旋转角度θ满足：旋转后的二次型为：其中\lambda_1,\lambda_2是原二次型矩阵的特征值。动态演示可以直观地展示旋转过程，帮助理解二次型的几何意义。现代数学软件（如Mathematica、MATLAB、GeoGebra等）提供了强大的可视化工具，可以帮助我们直观地理解二次型的几何意义。通过这些工具，我们可以观察参数变化对二次曲面形状的影响，加深对二次型理论的理解。拓展：高维二次型高维空间中的二次型在n维空间中，二次型对应于超二次曲面，其标准形为：高维二次型的几何直观虽然难以想象，但其代数性质与低维情况相似，都可以通过特征值和特征向量进行研究。多元正态分布与二次型n维正态分布的概率密度函数中含有二次型：其中\Sigma是协方差矩阵，(x-\mu)^T\Sigma^{-1}(x-\mu)是一个马氏距离的平方，表示点x与均值\mu之间的"标准化"距离。高维特征分析在高维数据分析中，协方差矩阵的特征值分解是主成分分析（PCA）的基础：其中\Lambda是特征值构成的对角矩阵，V是对应的特征向量矩阵。主成分方向是协方差矩阵的特征向量，对应的特征值表示该方向上的方差大小。高维二次型的应用支持向量机（SVM）中的核函数：二次型核K(x,y)=(x^Ty)^2可以隐式地将数据映射到高维空间量子力学中的哈密顿算子：许多量子系统的能量算符可以表示为二次型机器学习中的流形学习：使用二次型刻画数据的局部几何结构图论中的拉普拉斯矩阵：表示图结构的二次型，用于谱聚类等算法多元时间序列分析：使用二次型描述不同时间序列之间的相关结构高维二次型的研究不仅涉及线性代数和微积分，还与多元统计、微分几何、函数分析等领域密切相关。随着数据科学和人工智能的发展，高维空间中的二次型理论在特征提取、降维、聚类等领域发挥着越来越重要的作用。二次型与实际建模工程优化案例结构设计优化在结构工程中，许多优化问题可以表述为最小化势能，即一个二次型：其中K是刚度矩阵，u是位移向量。最小化势能原理是求解结构平衡状态的基础。控制系统设计在线性二次型最优控制（LQR）中，目标是最小化二次型代价函数：其中Q和R是权重矩阵，x是状态向量，u是控制输入。风险管理模型投资组合优化在Markowitz均值-方差模型中，投资组合的风险表示为权重向量的二次型：其中Σ是资产收益率的协方差矩