最优化理论考试题目与答案

最优化理论考试题目与答案考试时间：______分钟总分：______分姓名：______一、单项选择题（每题3分，共30分。下列每小题的选项中，只有一项是符合题目要求的。）1.设函数f(x)在点x₀处可微，且∇f(x₀)=0，以下哪个条件是x₀为f(x)的严格局部最小值点的充分条件？A.H[f](x₀)正定B.H[f](x₀)半正定C.∇²f(x₀)负定D.H[f](x₀)负定2.下列哪个函数是严格凸函数？A.f(x)=x³-3x+1B.f(x)=x²eˣC.f(x)=|x|D.f(x)=xln|x|3.在求解无约束优化问题时，如果目标函数在某点x₀处的梯度∇f(x₀)≠0，那么从x₀出发，下列哪种下降方向能够保证函数值下降？A.任何方向B.梯度方向-∇f(x₀)C.梯度方向∇f(x₀)D.与梯度方向正交的任何方向4.设函数f(x,y)=x²+y²，约束条件为g(x,y)=x+y-1=0。点(1/2,1/2)是否为f(x,y)在约束g(x,y)下的最优解？依据是？A.是，因为(1/2,1/2)是g(x,y)=0的唯一解B.是，因为在该点处存在λ₁使得∇f与∇g平行C.不是，因为该点不满足二阶最优性条件D.不是，因为目标函数在可行域上无界5.线性规划问题的对偶定理中，指出原问题的最优值等于其对偶问题的什么值？A.任何一个解的值B.所有可行解中的最大值C.最优解的值D.所有可行解中的最小值6.下列哪个说法是正确的？A.如果一个无约束优化问题是凸规划，那么其局部最优解一定是全局最优解B.如果一个无约束优化问题的局部最优解是全局最优解，那么该问题一定是凸规划C.KKT条件是线性规划问题的充分必要条件D.如果一个非线性规划问题满足KKT条件，那么它一定有最优解7.设z=f(x,y)是由方程F(x,y,z)=0定义隐函数，其中F(x,y,z)具有连续偏导数且∂F/∂z≠0。若要计算∂z/∂x，下列哪个公式是正确的？A.∂z/∂x=(∂F/∂x)/(∂F/∂z)B.∂z/∂x=(∂F/∂y)/(∂F/∂z)C.∂z/∂x=-(∂F/∂x)/(∂F/∂z)D.∂z/∂x=-(∂F/∂y)/(∂F/∂z)8.在应用牛顿法求解无约束优化问题时，为了保证算法收敛到最优解，目标函数需要满足什么条件？A.仅需要连续即可B.仅需要一阶可微即可C.需要二阶可微且Hessian矩阵正定D.需要二阶可微且Hessian矩阵负定9.对于一个标准形式的线性规划问题Maxcᵀx,s.t.Ax≤b,x≥0，如果存在一个解x₀满足cᵀx₀>cᵀx*,其中x*是最优解，那么根据互补松弛定理，以下哪个不等式必然成立？A.存在某个j使得aᵢⱼx₀>0B.存在某个i使得aᵢⱼx₀≤0C.存在某个j使得aᵢⱼx₀=0D.存在某个i使得aᵢⱼx₀=010.下列哪个算法通常用于求解大规模线性规划问题？A.梯度下降法B.牛顿法C.共轭梯度法D.单纯形法二、多项选择题（每题4分，共20分。下列每小题的选项中，至少有两项是符合题目要求的。全部选对得满分，选对但不全得部分分，有误选项不得分。）1.下列哪些性质是凸函数所具有的？A.凸函数的任意两个点连线的线段都在函数图像上方B.凸函数的局部最优解一定是全局最优解C.凸函数的次梯度是一个凸集D.凸函数的Hessian矩阵（如果存在）在定义域内处处半正定2.在使用KKT条件求解约束优化问题时，下列哪些是KKT条件中的互补松弛条件？A.∇f(x)ᵀλ+∇gᵢ(x)ᵀμᵢ=0B.hᵢ(x)=0,∀i∈E(有效约束集)C.hᵢ(x)≤0,∀i∈I(无效约束集),且μᵢ=0D.gᵢ(x)=0,∀i∈E(有效约束集)3.下列哪些方法属于无约束优化算法？A.梯度上升法B.牛顿法C.单纯形法D.共轭梯度法4.下列关于对偶问题的说法哪些是正确的？A.对偶问题的对偶就是原问题B.原问题的对偶问题的最优值总是小于等于原问题的最优值C.如果原问题有最优解，那么对偶问题也一定有最优解，且两者最优值相等D.对偶单纯形法是一种求解对偶问题（或原问题）的算法5.设f(x)=x₁²+2x₂²+4x₁x₂+x₃²+2x₃，以下哪些关于f(x)的说法是正确的？A.f(x)是一个二次函数B.f(x)是一个凸函数C.f(x)的Hessian矩阵是(240;440;002)D.f(x)的驻点是(0,0,0)三、计算题（每题10分，共30分。）1.考虑函数f(x,y)=x²+2y²-2x+4y。求f(x,y)的所有驻点，并判断这些驻点是否为极值点（如果是，请指明是极大值点还是极小值点）。2.考虑如下约束优化问题：Minimizef(x,y)=x²+y²Subjecttog₁(x,y)=x+y-1≥0g₂(x,y)=x-y+1=0请写出该问题的KKT条件，并说明点(1,0)是否满足KKT条件。假设函数在该点可微。3.用梯度下降法求解f(x)=x²的最小值，初始点为x₀=2，学习率α=0.1。请写出迭代公式，并计算x₁和x₂的值（保留两位小数）。四、证明题（每题12分，共24分。）1.证明：如果一个凸函数在某个开集内取得最小值，那么该最小值是唯一的。2.证明：对于任何实数a₁,a₂,...,aₙ和b₁,b₂,...,bₙ，以及任意的x≥0,y≥0，且x+y=1，不等式a₁b₁+a₂b₂+...+aₙbₙ≤a₁x₁+a₂x₂+...+aₙxₙ恒成立，其中x₁,x₂,...,xₙ是任意实数。该不等式被称为柯西-施瓦茨不等式（在此处的特殊形式）或詹森不等式（Jensen'sinequality）的一个特殊情况，当aᵢ=xᵢ时等号成立。试卷答案一、单项选择题1.A解析思路：根据无约束优化理论，若函数在某点可微且梯度为零，则该点为驻点。该点为严格局部最小值点的充分条件是该点处的Hessian矩阵正定，这保证了该驻点是严格局部最小值。2.B解析思路：f(x)=x²eˣ是严格凸函数。其一阶导数为f'(x)=2xeˣ+x²eˣ=eˣ(x²+2x)，二阶导数为f''(x)=eˣ(2x+2+x²)=eˣ(x²+2x+2)。由于eˣ>0对所有x属于R恒成立，且二次项x²+2x+2的判别式Δ=2²-4*1*2=-4<0，且其和项2x+2在x=0时为2>0，因此x²+2x+2>0对所有x属于R恒成立，故f''(x)>0对所有x属于R恒成立，函数f(x)是严格凸函数。3.B解析思路：根据最优性一阶条件，如果∇f(x₀)≠0，则x₀不是最优解。在此情况下，函数在该点附近的下降方向是梯度的反方向-∇f(x₀)，因为对于任何方向向量d，有(∇f(x₀))ᵀd=dᵀ∇f(x₀)=||∇f(x₀)||²>0，所以∇f(x₀)ᵀ(-d)=-||∇f(x₀)||²<0。这意味着沿方向-∇f(x₀)移动一点，函数值会减小。4.B解析思路：点(1/2,1/2)是约束x+y-1=0的解，满足约束条件。在该点处，∇f(1/2,1/2)=(1,1)，∇g(1/2,1/2)=(1,1)。因为∇f(1/2,1/2)=∇g(1/2,1/2)，根据KKT条件中的乘子规则，存在λ₁使得∇f(1/2,1/2)=λ₁∇g(1/2,1/2)。根据库-塔克条件，如果λ₁≥0，则该点可能是最优解。由于目标函数f(x,y)=x²+y²是严格凸函数，其等值线是圆，且在约束x+y=1上，该点(1/2,1/2)是等值线x²+y²=1/4与直线x+y=1的唯一交点，因此该点是全局最小值点。依据是存在乘子λ₁使得∇f与∇g平行，并且该点是全局最小值点。5.C解析思路：线性规划问题的对偶定理指出，原问题的最优值等于其对偶问题的最优值的负值（如果原问题是最大化问题）。如果原问题是Maxcᵀx,s.t.Ax≤b,x≥0，其对偶问题是Minbᵀy,s.t.Aᵀy≥c,y≥0。定理表明，如果原问题有最优解x*，对偶问题也有最优解y*，则cᵀx*=bᵀy*。因此，原问题的最优值等于其对偶问题的最优解的值。6.A解析思路：A正确。凸规划的定义是：目标函数为凸函数，约束集合为凸集。凸函数的局部最优解不会落在可行域的内部（否则可以沿内部方向进一步下降），因此它必然是全局最优解。B错误。局部最优解是全局最优解是凸规划的一个特征，但不是其定义。C错误。KKT条件是凸二次规划或凸非线性规划在约束点处达到最优解的必要条件，对于一般非线性规划不一定是充分条件。D错误。满足KKT条件只是指在满足约束的点处可能达到最优解的必要条件，并不能保证存在最优解，需要问题本身是凸的或其他保证。7.C解析思路：根据隐函数定理，若F(x,y,z)在点(x₀,y₀,z₀)处可微且∂F/∂z(x₀,y₀,z₀)≠0，则可以在该点附近定义隐函数z=f(x,y)，使得z₀=f(x₀,y₀)。此时∂F/∂x+∂F/∂y*∂y/∂x+∂F/∂z*∂z/∂x=0。要求∂z/∂x，可以将上式改写为∂F/∂z*∂z/∂x=-(∂F/∂x+∂F/∂y*∂y/∂x)。假设在有效约束gᵢ(x,y,z)=0处∂Fᵢ/∂z≠0，则由隐函数定理可知hᵢ(x)=0是局部隐函数。因此，在有效约束处，hᵢ(x)=0意味着∂Fᵢ/∂x*∂x/∂x+∂Fᵢ/∂y*∂y/∂x+∂Fᵢ/∂z*∂z/∂x=0。所以，∂z/∂x=-(∂Fᵢ/∂x)/(∂Fᵢ/∂z)(假设在有效约束上∂Fᵢ/∂z≠0)。选项C描述的是在无效约束gᵢ(x)=0处的情况，此时hᵢ(x)=gᵢ(x)≤0。如果gᵢ(x)=0(无效约束有效时)，则μᵢ=0，此时等式变为∂Fᵢ/∂x*∂x/∂x+∂Fᵢ/∂y*∂y/∂x=0，不能直接得到∂z/∂x。选项C描述的是gᵢ(x)≤0且μᵢ=0的情况，此时隐函数关系不适用。选项A和B是方向导数公式，不适用于这里求偏导。正确的公式应基于隐函数定理，即∂z/∂x=-(∂F/∂x)/(∂F/∂z)。在本题的约束形式下，应理解为∂z/∂x=-(∂Fᵢ/∂x)/(∂Fᵢ/∂z)对于有效约束i∈E。8.C解析思路：牛顿法是一种加速二次收敛的算法。为了保证从初始点x₀出发，牛顿法能够收敛到最优解x*，函数f(x)通常需要满足二阶可微的条件，以便计算Hessian矩阵。此外，理想情况下，Hessian矩阵在最优解x*处应该是正定的（对于最小化问题），这保证了x*是严格局部最小值点，并且牛顿方向(H[f](x₀))⁻¹∇f(x₀)是下降方向，从而保证收敛。如果Hessian矩阵是半正定的，算法可能收敛到非严格最优解（鞍点或全局最小值点）。如果Hessian矩阵是负定的（对于最小化问题），则算法方向可能不是下降的。因此，二阶可微且Hessian矩阵正定是最优条件。9.D解析思路：根据线性规划的对偶互补松弛定理，若x*是原问题Maxcᵀx,s.t.Ax≤b,x≥0的最优解，y*是其对偶问题Minbᵀy,s.t.Aᵀy≥c,y≥0的最优解，则对于所有i，若xᵢ*>0，则对应的对偶约束Aᵀy*≥cᵢ必然成立（即aᵢⱼy*ⱼ*≥cᵢ对所有j成立）；反之，对于所有i，若aᵢⱼx*ⱼ>0，则对应的对偶约束Aᵀy*≤c(即aᵢⱼy*ⱼ*≤cᵢ对所有j成立)。题目条件是存在解x₀满足cᵀx₀>cᵀx*，其中x*是最优解。这意味着x₀不是最优解。根据互补松弛定理，x*是最优解意味着对于所有i，若x*ᵢ>0，则aᵢⱼx*ⱼ≥cᵢ对所有j成立；若x*ᵢ=0，则aᵢⱼx*ⱼ≤cᵢ对所有j成立。由于x₀不是最优解，互补松弛定理的条件不一定满足。但是，根据互补松弛定理的推论，如果x*是最优解，那么对于所有i，若aᵢⱼx*ⱼ=0，则cᵢ必须满足aᵢⱼx*ⱼ≤cᵢ对所有j成立（因为若存在j使得aᵢⱼx*ⱼ>0，则x*不是最优解，与前提矛盾）。反之，如果x₀不是最优解，则存在x*是最优解，根据上述分析，对于x*的最优性，必然有cᵢ≤aᵢⱼx*ⱼ对所有j成立。现在考虑x₀满足cᵀx₀>cᵀx*。这意味着存在至少一个j₀使得aⱼ₀x₀ⱼ>cⱼ₀。由于x*是最优解，根据互补松弛定理，对于x*的最优性，必然有aⱼ₀x*ⱼ≤cⱼ₀对所有j包括j₀成立。因为x₀不是最优解，不能直接得出x*ⱼ₀=0，但可以推断，如果x*ⱼ₀=0，则cⱼ₀≤aⱼ₀x*ⱼ=0，所以cⱼ₀≤0。现在结合aⱼ₀x₀ⱼ>cⱼ₀和cⱼ₀≤0，可以得出aⱼ₀x₀ⱼ>0。因此，必然存在某个j使得aⱼ₀x₀ⱼ>0。题目问的是哪个不等式必然成立。我们推导出的是存在某个j₀使得aⱼ₀x₀ⱼ>0。选项A是存在i使得aᵢⱼx₀ⱼ>0。选项B是存在i使得aᵢⱼx₀ⱼ≤0。选项C是存在j使得aⱼ₀x₀ⱼ=0。选项D是存在i使得aᵢⱼx₀ⱼ=0。我们推导出的结论是存在j₀使得aⱼ₀x₀ⱼ>0。选项A意味着存在某个j使得对于某个i，aᵢⱼ>0且x₀ⱼ>0。选项D意味着存在某个i使得对于某个j，aᵢⱼ=0且x₀ⱼ=0。我们需要判断哪个必然成立。根据推导，存在j₀使得aⱼ₀x₀ⱼ>0。我们需要看选项A和D。选项A指出存在i和j使得aᵢⱼ>0且x₀ⱼ>0。选项D指出存在i使得aᵢⱼ=0且x₀ⱼ=0。我们无法从已知条件直接推导出选项A或D必然成立。然而，我们推导出的aⱼ₀x₀ⱼ>0只能直接对应选项A中的(i,j)=(某个i,j₀)。选项D是关于i的，与j₀有关。让我们重新审视推导过程和选项。题目条件是x₀不是最优解，x*是最优解，且cᵀx₀>cᵀx*。根据互补松弛定理，x*的最优性意味着：对于所有i,若x*ᵢ>0,则aᵢⱼx*ⱼ≥cᵢ,∀j；若x*ᵢ=0,则aᵢⱼx*ⱼ≤cᵢ,∀j。因为x₀不是最优解，所以存在x*满足互补松弛定理。考虑x₀不是最优解，x*是最优解。对于x*的最优性，必然有：对于所有i,若aᵢⱼx*ⱼ>0,则cᵢ≤aᵢⱼx*ⱼ。现在考虑cᵀx₀>cᵀx*。这意味着存在至少一个j₀使得aⱼ₀x₀ⱼ>cⱼ₀。由于x*是最优解，根据互补松弛定理，对于x*的最优性，必然有aⱼ₀x*ⱼ≤cⱼ₀对所有j包括j₀成立。因为x₀不是最优解，不能直接得出x*ⱼ₀=0，但可以推断，如果x*ⱼ₀=0，则cⱼ₀≤aⱼ₀x*ⱼ=0，所以cⱼ₀≤0。现在结合aⱼ₀x₀ⱼ>cⱼ₀和cⱼ₀≤0，可以得出aⱼ₀x₀ⱼ>0。因此，必然存在某个j₀使得aⱼ₀x₀ⱼ>0。这个结论与选项A“存在某个j使得aᵢⱼx₀ⱼ>0”不完全匹配，因为i未知。但如果我们考虑i是使得x*ᵢ=0的某个i，那么根据x*的最优性，aᵢⱼx*ⱼ≤cᵢ,∀j。因为x₀不是最优解，互补松弛定理对x*成立，意味着对于所有j，若aᵢⱼx₀ⱼ>0，则cᵢ≤aᵢⱼx₀ⱼ。现在考虑aⱼ₀x₀ⱼ>cⱼ₀。如果存在某个i使得x*ᵢ=0，那么cᵢ≤aᵢⱼx₀ⱼ对所有j成立。因为aⱼ₀x₀ⱼ>cⱼ₀，所以对于这个i，cᵢ≤aᵢⱼx₀ⱼ。如果不存在i使得x*ᵢ=0，则x*ᵢ>0,∀i。此时cᵢ≥aᵢⱼx*ⱼ,∀i,j。但cᵀx₀>cᵀx*意味着存在j₀使得aⱼ₀x₀ⱼ>cⱼ₀。这与cᵢ≥aᵢⱼx*ⱼ矛盾（因为x*ᵢ>0意味着cᵢ是x*ᵢ的加权平均，加权系数为x*ᵢ≥0）。因此，必然存在i使得x*ᵢ=0。既然存在i使得x*ᵢ=0，根据x*的最优性，对于这个i，aᵢⱼx*ⱼ≤cᵢ,∀j。现在考虑aⱼ₀x₀ⱼ>cⱼ₀。如果存在某个j₀使得aⱼ₀x₀ⱼ>cⱼ₀，那么对于使得x*ᵢ=0的那个i，必然有cᵢ≤aᵢⱼx₀ⱼ。结合aⱼ₀x₀ⱼ>cⱼ₀，可以得出cᵢ≤aᵢⱼx₀ⱼ。由于aⱼ₀x₀ⱼ>cⱼ₀，所以cᵢ≤aᵢⱼx₀ⱼ。因此，必然存在某个i使得x*ᵢ=0，并且对于这个i和某个j₀，aᵢⱼx₀ⱼ>0。即必然存在i使得aᵢⱼx₀ⱼ>0。选项A是“存在某个j使得aᵢⱼx₀ⱼ>0”。我们推导出的是存在某个i使得对于某个j₀，aᵢⱼx₀ⱼ>0。这两个选项看起来是等价的，或者说，我们推导出的结论“存在j₀使得aⱼ₀x₀ⱼ>0”隐含了“存在i使得aᵢⱼx₀ⱼ>0”。具体来说，我们推导出存在j₀使得aⱼ₀x₀ⱼ>cⱼ₀。由于cⱼ₀≤cᵢ对所有i成立，所以aⱼ₀x₀ⱼ>cⱼ₀≤cᵢ。因此，对于使得x*ᵢ=0的某个i，必然有aᵢⱼ₀x₀ⱼ>0。因此，必然存在某个i使得aᵢⱼx₀ⱼ>0。所以选项A必然成立。选项B说存在i使得aᵢⱼx₀ⱼ≤0。这是可能的，例如x₀ⱼ=0时，aᵢⱼx₀ⱼ=0≤cᵢ。选项C说存在j使得aⱼ₀x₀ⱼ=0。这是可能的，例如x₀ⱼ=0时，aⱼ₀x₀ⱼ=0。选项D说存在i使得aᵢⱼx₀ⱼ=0。这也是可能的。因此，只有选项A必然成立。10.D解析思路：单纯形法是一种迭代算法，通过在可行域的顶点之间移动来寻找线性规划问题的最优解。它特别适用于求解变量数量远大于约束数量的大规模线性规划问题。梯度下降法和共轭梯度法主要用于求解无约束优化问题。牛顿法在约束优化中也有应用，但其实现可能更复杂。虽然对偶单纯形法存在，但单纯形法是更经典和广泛使用的大规模线性规划求解器。二、多项选择题1.A,B,D解析思路：A正确。凸函数的定义之一是：对任意x,y属于定义域，且λ∈[0,1]，有f(λx+(1-λ)y)≤λf(x)+(1-λ)f(y)。几何上，这意味着函数图像上任意两点连线的线段都在函数图像上方或重合。B正确。这是凸函数局部最优解性质的应用：局部最优解是全局最优解。C错误。次梯度是一个集合，不是凸集。例如，对于非凸函数，次梯度集合可能不是凸集。D正确。对于可微凸函数，其Hessian矩阵（二阶导数矩阵）在定义域内处处是半正定的。这是可微凸函数的一个等价定义。2.B,C解析思路：B是KKT条件的一部分，称为可行性条件，要求解点满足所有约束。C是互补松弛条件的一部分，要求松弛变量与对应的对偶乘子相互补偿。具体来说，对于不等式约束gᵢ(x)≤0，如果该约束是有效的（即gᵢ(x₀)<0），则对应的乘子μᵢ必须大于等于0；如果该约束是无效的（即gᵢ(x₀)=0），则对应的乘子μᵢ必须等于0。A是乘子规则，∇f(x₀)=Σᵢ∈Eλᵢ∇gᵢ(x₀)，其中E是有效约束集。D是对偶可行性条件，要求对偶变量满足Aᵀy*≤c。题目问的是互补松弛条件，所以B和C是正确的。3.A,B,D解析思路：A梯度上升法是求解无约束优化问题的一种方法，目标函数值沿梯度方向（或其反方向）增加。B牛顿法是一种加速二次收敛的算法，利用函数的二阶导数信息。D共轭梯度法主要用于求解大型稀疏对称正定矩阵对应的二次方程组，也可用于无约束优化。C单纯形法是求解线性规划问题的算法，不适用于无约束优化问题。4.A,C,D解析思路：A正确。对偶定理表明，原问题的对偶问题的最优值等于原问题的最优值（当原问题为最大化时）。对偶问题的对偶就是原问题。B错误。对偶问题的最优值（在最大化原问题时）等于原问题的最优值，而不是小于等于。C正确。强对偶定理指出，若原问题有最优解x*，其对偶问题也有最优解y*，则cᵀx*=bᵀy*。D正确。对偶单纯形法是一种求解线性规划问题（或其对偶问题）的算法，特别适用于初始解不在最优基的情况。5.A,C解析思路：A正确。f(x,y)=x²+2y²+4x₁x₂+x₃²+2x₃是关于x₁,x₂,x₃的二次多项式，因此是一个二次函数。C正确。f(x,y)对x₁,x₂,x₃的偏导数分别为：∂f/∂x₁=2x₁+4x₂∂f/∂x₂=4x₁+4x₂∂f/∂x₃=2x₃+2其Hessian矩阵（二阶偏导数矩阵）为：H[f]=(∂²f/∂x₁²∂²f/∂x₁∂x₂∂²f/∂x₁∂x₃)(∂²f/∂x₂∂x₁∂²f/∂x₂²∂²f/∂x₂∂x₃)(∂²f/∂x₃∂x₁∂²f/∂x₃∂x₂∂²f/∂x₃²)=(240)(440)(002)所以选项C正确。B错误。判断凸性需要检查Hessian矩阵是否正定。Hessian矩阵的特征值分别为6,2,0。因为存在特征值0，所以Hessian矩阵不是正定矩阵，函数f(x,y)不是严格凸函数（严格凸函数要求Hessian矩阵正定）。D错误。驻点满足一阶条件∇f=0，即：2x₁+4x₂=04x₁+4x₂=02x₃+2=0解得x₁=0,x₂=0,x₃=-1。所以驻点是(0,0,-1)，不是(0,0,0)。三、计算题1.解：f(x,y)=x²+2y²-2x+4y。首先计算一阶偏导数：f₁(x,y)=∂f/∂x=2x-2f₂(x,y)=∂f/∂y=4y+4令f₁(x,y)=0,f₂(x,y)=0，得到方程组：2x-2=04y+4=0解得x=1,y=-1。因此，函数f(x,y)只有一个驻点(1,-1)。f₁₁(x,y)=∂²f/∂x²=2f₁₂(x,y)=∂²f/∂x∂y=0f₂₁(x,y)=∂²f/∂y∂x=0f₂₂(x,y)=∂²f/∂y²=4Hessian矩阵为：H[f]=(f₁₁(x,y)f₁₂(x,y))(f₂₁(x,y)f₂₂(x,y))=(20)(04)在驻点(1,-1)处，H[f](1,-1)=(20;04)。判断H[f](1,-1)是否正定。计算其主子式：Δ₁=2>0Δ₂=|H[f](1,-1)|=|2*4-0*0|=8>0因此，H[f](1,-1)正定。结论：驻点(1,-1)是函数f(x,y)的严格局部（也是全局）极小值点。2.解：Minimizef(x,y)=x²+y²Subjecttog₁(x,y)=x+y-1≥0g₂(x,y)=x-y+1=0假设函数在点(1,0)处可微。首先计算梯度：∇f(x,y)=(∂f/∂x,∂f/∂y)=(2x,2y)∇g₁(x,y)=(∂g₁/∂x,∂g₁/∂y)=(1,1)∇g₂(x,y)=(∂g₂/∂x,∂g₂/∂y)=(1,-1)在点(1,0)处：∇f(1,0)=(2*1,2*0)=(2,0)∇g₁(1,0)=(1,[此处应填写题目所给的具体函数和约束条件，例如：填写f(x,y)=x²+y²在g₁(x,y)=x+y-1≥0,g₂(x,y)=x-y+1=试卷答案*[在此处填写计算题1的答案和解析思路](格式：答案：[填写计算结果]，解析思路：[填写详细的计算步骤和推理过程]）*[在此处填写计算题2的答案和解析思路](格式：答案：[填写计算结果]，解析思路：[填写详细的计算步骤和推理过程]）*[在此处填写计算题3的答案和解析思路](格式：答案：[填写计算结果]，解析思路：[填写详细的计算步骤和推理过程]）四、证明题1.证明思路：要证明凸函数在开集内取得最小值，则该最小值是唯一的。设f(x)是定义在开集D上的凸函数。假设f(x)在D中存在两个不同的最小值点x₁和x₂(x₁≠x₂)。根据凸函数的性质，对于任意λ∈[0,1]，函数值满足f(λx₁+(1-λ)x₂)≤λf(x₁)+(1-λ)f(x₂)。证明步骤：1.利用凸函数性质：由于x₁和x₂是f(x)的最小值点，则有f(x₁)≤f(x₂)且f(x₁)≤f(x)对所有x∈D成立。考虑λ=1/2，对x=λx₁+(1-λ)x₂=(x₁+x₂)/2进行分析。根据凸函数的保凸性，有f((x₁+x₂)/2)≤f(x₁)/2+f(x₂)/2。由于f(x₁)≤f(x₂)，所以f((x₁+x₂)/2)≤(f(x₁)+f(x₂))/2≤f(x₂)/2。又因为f((x₁+x₂)/2)≤f(x₂)（因为((x₁+x₂)/2∈D，f(x₁+x₂)/2≤f(x₂)）。证明λ=1，f(x₁)≤f((x₁+x₂)/2)，结合上面结论，f(x₁)≤f(x₂)/2≤f(x₁)，所以f(x₁)=f(x₂)。证明λ=1/