§6.6 二元函数的极值

§6.6二元函数的极值高等数学·多元函数微分学Contents目录§6.6二元函数的极值01问题引入与基本概念02极值存在的必要条件03极值存在的充分条件04极值求解方法与实例05条件极值与拉格朗日乘数法Chapter01问题引入与基本概念从实际问题出发，建立二元函数极值的直观认知Applications极值问题的实际背景二元函数极值问题是多元微积分的核心应用之一，广泛存在于工程设计、经济决策和物理分析等领域。掌握极值求解方法，能够将实际最优化问题转化为数学模型并获得精确解答。工程设计优化在材料约束下寻求结构最优：如固定容积水箱的表面积最小化问题多参数设计中的成本效益平衡：同时考虑长、宽、高等多个变量的综合优化结构最优经济决策分析企业利润最大化：在产品价格与产量两个变量间寻找最优经营策略投资组合优化：在风险与收益之间找到最佳资产配置方案利润最大化物理系统分析能量最小原理：物理系统趋向于能量最低的稳定平衡状态场论中的极值问题：电磁场、引力场中的势能极值点分析能量最低实例分析水箱用料最省问题将实际最优化问题转化为二元函数极值问题的关键在于：识别决策变量、建立目标函数、明确约束条件。01制作体积为V的有盖长方体水箱，确定长x、宽y、高h使表面积最小02约束条件：体积固定V=x·y·h，由此可得h=V/(xy)03目标函数：S=2(xy+V/x+V/y)04将三元约束优化问题转化为关于x、y的二元函数S(x,y)求极小值05在定义域x>0,y>0内寻找使S取最小值的点(x₀,y₀)长方体水箱·有盖容器模型§6.6DEFINITION二元函数极值的定义二元函数极值是基于邻域内函数值比较的局部性质。极大值点是指在某邻域内函数值最大的点，极小值点则是函数值最小的点。定义前提函数f(x,y)在点P₀(x₀,y₀)的某个邻域U(P₀)内有定义。邻域是以该点为中心的一个开区域，极值概念具有严格的局部性特征。PREREQUISITE极大值邻域内任一异于P₀的点P，若恒有f(x,y)≤f(x₀,y₀)，则称f(x₀,y₀)为函数的极大值。该点称为极大值点。MAXIMUM极小值邻域内任一异于P₀的点P，若恒有f(x,y)≥f(x₀,y₀)，则称f(x₀,y₀)为函数的极小值。该点称为极小值点。MINIMUM严格极值当不等式严格成立（即去掉等号，改为f(x,y)<f(x₀,y₀)或f(x,y)>f(x₀,y₀)），称为严格极大值或严格极小值。STRICT极值点极大值点和极小值点统称为极值点，即函数在该点处取得极值的点。极值点一定是定义域的内点。EXTREMA§6.6二元函数的极值极值的几何直观二元函数的图像是空间曲面，极值点对应曲面上的局部最高点或最低点。鞍点则是特殊驻点——在某方向是极大、另一方向是极小，整体不构成极值。极大值点曲面上的"山顶"，邻域内的最高点z=−(x²+y²)在原点取极大值0，图像为开口向下的旋转抛物面极小值点曲面上的"山谷"，邻域内的最低点z=x²+y²在原点取极小值0，图像为开口向上的旋转抛物面鞍点形如马鞍，一个方向上升另一方向下降z=x²−y²在原点为鞍点，沿x轴极小、沿y轴极大§6.6极值分析典型函数的极值分析通过分析三种典型二次曲面——椭圆抛物面、倒置抛物面和马鞍面——可以直观理解极值点与鞍点的区别。关键在于观察函数在各个方向上的变化趋势是否一致。z=x²+y²椭圆抛物面在原点(0,0)处取得极小值z=0，任意方向离开原点函数值均增大，曲面开口向上极小值点z=−(x²+y²)倒置抛物面在原点(0,0)处取得极大值z=0，任意方向离开原点函数值均减小，曲面开口向下极大值点z=x²−y²马鞍面原点(0,0)处不是极值点而是鞍点，沿x轴方向增大、沿y轴方向减小，方向性矛盾鞍点CHAPTER02极值存在的必要条件极值点必为驻点——寻找候选点的基本准则FUNDAMENTALS·REVIEW回顾：一元函数极值的必要条件一元函数极值的必要条件（费马引理）指出：若函数在某点可导且取得极值，则该点导数必为零。这一结论是二元函数极值必要条件的特例，也是理解驻点概念的起点。01费马引理：设f(x)在x₀处可导，若x₀是极值点，则f'(x₀)=002驻点定义：使f'(x)=0的点称为函数的驻点（稳定点、临界点）03几何意义：极值点处的切线斜率为零，即切线平行于x轴04逆命题不成立：驻点不一定是极值点，如y=x³在x=0处导数为零但非极值点05推广思路：二元函数的极值点处，两个方向的偏导数都应为零一元函数极值的几何示意：极值点处切线平行于x轴§6.6·NECESSARYCONDITION定理1：二元函数极值的必要条件二元函数极值的必要条件表明：若函数在某点取得极值且偏导数存在，则该点的两个一阶偏导数都为零。满足此条件的点称为驻点，驻点是极值点的必要非充分条件。01定理表述：设z=f(x,y)在点(x₀,y₀)具有偏导数，若在(x₀,y₀)处有极值，则fx(x₀,y₀)=0，fy(x₀,y₀)=0f′=002证明思路：固定y=y₀，f(x,y₀)是x的一元函数，由费马引理得fx(x₀,y₀)=0；同理可得fy(x₀,y₀)=0FERMAT03驻点定义：使fx(x,y)=0且fy(x,y)=0同时成立的点(x,y)称为函数的驻点STATIONARY04几何解释：驻点处曲面的切平面是水平的，即法向量平行于z轴n∥z05重要提醒：驻点不一定是极值点，鞍点就是反例；还需考虑偏导数不存在的点SADDLE§6.6二元函数的极值驻点与极值点的关系驻点是极值点的必要非充分条件。可导函数的极值点必为驻点，但驻点可能是极值点也可能是鞍点。完整的极值点搜索还需考虑偏导数不存在的点，这两类点统称为可疑极值点。驻点与极值点的集合包含关系示意SECTION01驻点⊃极值点可导函数的极值点必为驻点，但驻点不一定是极值点典型反例：z=x²−y²在原点是驻点但是鞍点，非极值点SECTION02可疑极值点分类第一类：驻点，即两个偏导数同时为零的点第二类：偏导数不存在的点，如z=√(x²+y²)在原点处Chapter03极值存在的充分条件利用二阶偏导数判定驻点的极值性质§6.6·充分条件定理2：二元函数极值的充分条件极值充分条件通过二阶偏导数构成的Hessian矩阵判别式Δ=AC-B²来判定驻点性质。Δ>0时为极值点（A决定极大极小），Δ<0时为鞍点，Δ=0时方法失效需另行分析。01前提条件——函数f(x,y)在驻点(x₀,y₀)的某邻域内具有二阶连续偏导数02记号定义——A=fxx(x₀,y₀)，B=fxy(x₀,y₀)，C=fyy(x₀,y₀)，判别式Δ=AC−B²03情形一·Δ>0——是极值点；A>0时为极小值，A<0时为极大值04情形二·Δ<0——不是极值点，该点为鞍点05情形三·Δ=0——无法判定，需用定义或其他方法进一步分析§6.6·二元函数的极值极值判别法则总结二元函数极值的判别可归纳为简洁的表格形式：首先计算判别式Δ=AC-B²判断是否为极值点，当Δ>0时再根据A的符号确定极大值或极小值。二元函数极值判别表判别式Δ=AC−B²A的符号结论几何特征Δ>0A>0极小值山谷（局部最低点）A<0极大值山顶（局部最高点）Δ<0任意非极值点鞍点（马鞍形）Δ=0任意无法判定需进一步分析判别式Δ决定是否为极值点，A的符号决定极大或极小§6.6·SUFFICIENCYANALYSIS充分条件的本质分析极值充分条件的数学本质是二阶Taylor展开的二次型分析。在驻点处，函数增量由Hessian矩阵决定的二次型主导，二次型的正定性等价于Δ>0且A>0（极小值）或A<0（极大值），不定性对应Δ<0（鞍点）。01Taylor展开f(x₀+h,y₀+k)≈f(x₀,y₀)+½(Ah²+2Bhk+Ck²)，一阶项因驻点而为零02二次型分析Q(h,k)=Ah²+2Bhk+Ck²的正负决定函数增量的符号03正定条件A>0且AC−B²>0时Q>0，函数值在各方向均增大→极小值04负定条件A<0且AC−B²>0时Q<0，函数值在各方向均减小→极大值05不定条件AC−B²<0时Q可正可负，不同方向函数变化趋势不同→鞍点§6.6·二元函数的极值Hessian矩阵与极值判定Hessian矩阵是二阶偏导数构成的对称矩阵，其正定性等价于极小值条件，负定性等价于极大值条件。DEFINITIONHessian矩阵定义01H=[[fxx,fxy],[fyx,fyy]]，由二阶偏导数构成的2×2对称矩阵02det(H)=fxx·fyy−fxy²=AC−B²，即判别式ΔCRITERIA矩阵正定性与极值01H正定（特征值全正）⟺Δ>0且A>0⟺极小值02H负定（特征值全负）⟺Δ>0且A<0⟺极大值03H不定（特征值有正有负）⟺Δ<0⟺鞍点矩阵运算与公式推导板书线性代数特征值理论教材Chapter04极值求解方法与实例从理论到实践——完整的极值求解流程§6.6二元函数的极值极值求解的标准步骤二元函数极值求解遵循"找点-计算-判定"的三步流程：先通过联立偏导数方程求驻点，再计算各驻点处的二阶偏导数，最后利用判别式确定极值性质。01求驻点联立方程组fx(x,y)=0和fy(x,y)=0求解得到所有驻点(x₁,y₁),(x₂,y₂),...同时检查偏导数不存在的点StationaryPoints02计算二阶导数求二阶偏导数fxx,fxy,fyy在每个驻点处代入计算A,B,C的具体值SecondDerivatives03判别极值计算判别式Δ=AC−B²根据Δ和A的符号判定极值性质汇总所有极值点及其对应的极值Classification§6.6·EXAMPLE例题详解：f(x,y)=x³−y³+3x²+3y²−9x本例题展示了含有四个驻点的函数极值求解过程。通过系统计算每个驻点处的判别式，最终确定两个极值点和两个鞍点，体现了极值判别法的完整应用流程。高等数学教材·二元函数极值章节①求偏导数：fx=3x²+6x−9，fy=−3y²+6y②解方程组得四个驻点：(1,0)、(1,2)、(−3,0)、(−3,2)③二阶偏导数：A=6x+6，B=0，C=−6y+6④逐点判别：(1,0)处Δ=72>0，A=12>0→极小值；(1,2)处Δ=−72<0→鞍点⑤续判别：(−3,0)处Δ=−72<0→鞍点；(−3,2)处Δ=72>0，A=−12<0→极大值§6.6EXTREMAOFBINARYFUNCTIONS例题计算结果汇总通过系统化计算四个驻点的二阶偏导数和判别式，可以清晰判定每个驻点的性质。表格化的结果呈现有助于检验计算过程的正确性，并为后续问题求解提供方法模板。驻点极值性质判别表驻点A=fxxB=fxyC=fyyΔ=AC−B²结论(1,0)120672>0极小值f=−5(1,2)120−6−72<0鞍点（非极值）(−3,0)−1206−72<0鞍点（非极值）(−3,2)−120−672>0极大值f=31四个驻点中两个为极值点（A>0时极小，A<0时极大），两个为鞍点；判别式Δ的正负决定极值性质。§6.6·Example例题：二次函数极值求解二次函数的极值问题具有特殊性质：由于二阶偏导数为常数，判别式在各点相同，因此最多只有一个极值点。数学演算白板示意01目标函数f(x,y)=x²+xy+y²−2x−3y02一阶偏导数fx=2x+y−2·fy=x+2y−303解方程组得唯一驻点(x,y)=(1/3,4/3)04二阶偏导数（均为常数）A=2·B=1·C=205判别式与判定Δ=AC−B²=3>0，A=2>0→极小值06极小值结果f(1/3,4/3)=−7/3ApplicationExample应用实例：水箱问题求解水箱用料最省问题的解答表明：在体积固定条件下，正方体形状的表面积最小。这一结论不仅验证了极值求解方法的有效性，也体现了数学优化与实际直觉的一致性。01目标函数：S(x,y)=2(xy+V/x+V/y)，定义域x>0,y>0S(x,y)02求偏导数：∂S/∂x=2(y−V/x²)，∂S/∂y=2(x−V/y²)∂S/∂x·∂S/∂y03令偏导数为零：解得x=y=∛V（立方根）x=y=∛V04代入验证：h=V/(xy)=V/V^(2/3)=∛V=x=yh=∛V05结论：长宽高均为∛V时，即正方体形状，用料最省正方体最优06实际意义：体积固定时正方体表面积最小，与几何直觉一致S_min正方体几何模型·体积固定时表面积最小的长方体形态§6.6·EXTREMEVALUES特殊情况：判别式Δ=0的分析当判别式Δ=0时，二阶导数判别法失效，需要借助函数定义、高阶展开或其他分析方法。VISUALGUIDEΔ=0的几何意义•判别式为零意味着二阶导数矩阵奇异，曲面在该点呈现"平坦"或"退化"形态•函数图像可能类似于x⁴+y⁴（碗形极小）或x²+y³（鞍形非极值）•需要考察更高阶项或函数在邻域内的符号变化关键观察Δ=0时二阶信息不足以判定，必须借助三阶、四阶导数或函数值的直接比较高次函数判别方法CASE01Δ=0但是极值点①f(x,y)=x⁴+y⁴：原点处A=B=C=0，Δ=0②但f(x,y)≥0=f(0,0)，故原点是极小值点③需用定义或高阶Taylor展开判断极小值点CASE02Δ=0且非极值点①f(x,y)=x²+y³：原点处A=2,B=0,C=0，Δ=0②y>0时f>0，y<0时f可正可负③函数在原点邻域内变号，不满足极值定义非极值点§6.6·EXTREMA闭区域上的最值问题闭区域上连续函数的最值必在极值点或边界点处取得。求解策略是分别计算内部极值和边界极值，然后比较所有候选点的函数值。01最值定理：闭区域上的连续函数必能取到最大值和最小值定理02最值候选点：区域内部的极值点+边界上的极值点候选集03求解步骤：①求内部驻点及函数值；②求边界极值；③比较所有候选值三步法04边界处理：将边界条件代入化为低维问题，或用参数化方法求解降维05实际问题：当最值存在且内部只有唯一驻点时，该驻点即为最值点唯一性区域边界·闭区域的几何直觉CHAPTER05条件极值与拉格朗日乘数法约束条件下的极值求解——从消元法到乘数法§6.6EXTREMUM条件极值的概念条件极值是在约束条件限制下求目标函数的极值，与无条件极值的区别在于自变量不能自由变化。解决方法包括消元法和拉格朗日乘数法，后者因无需显式消元而更具普适性。01目标函数求f(x,y)的极值，即寻找函数在定义域内的最大值或最小值f(x,y)02约束条件g(x,y)=0，限制自变量必须满足的方程关系g(x,y)=003几何意义在曲线g(x,y)=0上寻找函数f的极值点，即等高线与约束曲线的切点等高线相切04消元法从约束方程g(x,y)=0中解出y=y(x)，代入目标函数f化为单变量函数的极值问题单变量求导05乘数法构造拉格朗日函数L=f+λg，引入乘数λ将条件极值转化为L的无条件极值问题L=f+λg§6.6二元函数的极值拉格朗日乘数法拉格朗日乘数法通过引入乘子λ将条件极值问题转化为无条件极值问题。构造拉格朗日函数L=f+λg后，条件极值点必为L的驻点。该方法避免了复杂的消元过程，是处理约束优化问题的标准工具。构造函数—L(x,y,λ)=f(x,y)+λ·g(x,y)求偏导数—∂L/∂x=fx+λgx，∂L/∂y=fy+λgy，∂L/∂λ=g(x,y)联立方程—fx+λgx=0，fy+λgy=0，g(x,y)=0求解候选—得到候选点(x₀,y₀)及对应乘子λ判定极值—根据实际问题判断极大值或极小值Joseph-LouisLagrange（1736–1813）LAGRANGEMULTIPLIERS实例：用乘数法求解水箱问题用拉格朗日乘数法处理水箱问题，无需预先消元，直接在三变量空间中求解，结果与消元法完全一致。01目标函数S=2(xy+yz+xz)，约束xyz=V02拉格朗日函数L=2(xy+yz+xz)+λ(xyz−V)03偏导数方程组∂L/∂x=2(y+z)+λyz=0∂L/∂y=2(x+z)+λxz=0∂L/∂z=2(x+y)+λxy=004联立求解x=y=z=∛V05几何意义体积固定时正方体表面积最小，λ反映约束的边际成本水箱设计场景·工业设备参考§6.6·LAGRANGEMULTIPLIERS乘数法的几何解释拉格朗日乘数法的几何本质是：在条件极值点处，目标函数的梯度向量与约束曲面的法向量平行，即目标函数等高线与约束曲线相切。这一几何条件等价于∇f+λ∇g=0的代数方程。梯度向量实验示意梯度平行条件在极值点处，目标函数与约束函数的梯度向量满足∇f=−λ∇g，两梯度方向平行或反平行。物理意义：沿约束曲线方向，目标函数的方向导数为零，无法通过微小移动来增大或减小函数值。∇f=−λ∇g等高线相切目标函数f的等高线与约束曲线g=0在极值点处相切，此时两者具有共同的法线方向。若两曲线相交而非相切，则总可以沿约束曲线向函数值增大或减小的方向移动。相切→极值相交→非极值几何直观总结拉格朗日乘数法将约束优化问题转化为无约束方程组求解，其核心几何条件是梯度平行与等