chapter1多元函数的极值及应用

多元函数的极值及应用Chapter1(7)·高等数学Contents课程目录多元函数的极值及应用——从基础理论到实际场景的系统学习路径。01多元函数极值的基础理论02条件极值与拉格朗日乘数法03极值的几何应用04极值的经济学应用Chapter01多元函数极值的基础理论从基本概念到充分条件判定，建立完整的极值分析框架§8.3多元函数微分学多元函数极值的基本概念多元函数极值是局部性质，描述函数在某点邻域内的最大或最小行为。高维空间中各方向邻域使判定更复杂，需借助偏导数和Hessian矩阵。极大值定义若存在P₀的邻域U，使∀P∈U均有f(P)≤f(P₀)，则f(P₀)为极大值，P₀为极大值点。f(P)≤f(P₀)极小值定义若存在P₀的邻域U，使∀P∈U均有f(P)≥f(P₀)，则f(P₀)为极小值，P₀为极小值点。f(P)≥f(P₀)极值的局部性极值仅与某邻域内的函数值比较有关，区别于全局最值（最大值/最小值）。Local≠Global几何直觉极大值点对应三维曲面的"山顶"，极小值点对应"谷底"，鞍点形如"马鞍"中心。山顶·谷底·鞍点NECESSARYCONDITION极值存在的必要条件可微函数取得极值的必要条件是所有一阶偏导数同时为零，满足该条件的点称为驻点。但驻点不一定是极值点——还需进一步用充分条件判定。01y定理（必要条件）：若f(x,y)在(x₀,y₀)处可微且取得极值，则fₓ(x₀,y₀)=0且fy(x₀,y₀)=0yfₓ=fy=002证明思路：固定y=y₀得到一元函数f(x,y₀)，由费马定理其在x₀处导数为零，即fₓ(x₀,y₀)=0费马定理03y驻点定义：使fₓ=0且fy=0同时成立的点称为驻点，驻点是极值点的候选集候选集04y反例警示：f(x,y)=xy在原点处fₓ=fy=0，但原点不是极值点而是鞍点，说明必要条件不充分鞍点SUFFICIENTCONDITION极值存在的充分条件（二元情形）通过二阶偏导数构造判别式D=AC-B²，可以有效判定驻点的性质。D>0且A>0为极小值，D>0且A<0为极大值，D<0为鞍点，D=0时方法失效。01定理条件f(x,y)在驻点(x₀,y₀)的邻域内具有二阶连续偏导数二阶连续02记号约定A=fₓₓ，B=fₓᵧ，C=fᵧᵧ，判别式D=AC−B²D=AC−B²03D>0,A<0(x₀,y₀)是极大值点，函数在该点附近呈"山顶"形态极大值04D>0,A>0(x₀,y₀)是极小值点，函数在该点附近呈"谷底"形态极小值05D<0(x₀,y₀)不是极值点而是鞍点，函数沿不同方向升降不一鞍点06D=0判别法失效，需借助高阶导数或定义法进一步分析方法失效HessianMatrixHessian矩阵与极值判定Hessian矩阵将极值判定统一为矩阵正定性问题：正定对应极小值，负定对应极大值，不定对应鞍点。这一视角不仅使二元情形的判别更加清晰，还能自然推广到n元函数。Hessian矩阵定义H由f的所有二阶偏导数构成的n×n对称矩阵，二元时H=[[A,B],[B,C]]n×n正定性与极小值H正定（所有特征值>0，等价于A>0且D>0）时，驻点为极小值点A>0,D>0负定性与极大值H负定（特征值正负交替，等价于A<0且D>0）时，驻点为极大值点A<0,D>0不定性与鞍点H的特征值有正有负（等价于D<0）时，驻点为鞍点D<0推广意义n元函数极值判定完全转化为n阶Hessian矩阵的正定性判断，理论框架统一n元METHODOLOGY求二元函数极值的标准步骤求二元函数无条件极值遵循"求偏导→解驻点→算判别式→定性质→求极值"的五步流程。规范化操作可以避免遗漏候选点，确保极值分析的完整性和准确性。01求一阶偏导数求fₓ(x,y)和f_y(x,y)，为建立驻点方程组做准备fₓ·f_y02解方程求驻点联立fₓ=0和f_y=0，解方程组求出所有驻点，注意不要遗漏解fₓ=0·f_y=003计算判别式求二阶偏导数fₓₓ、fₓy、f_yy，在各驻点处计算A、B、C与D=AC−B²D=AC−B²04判定驻点性质根据D的符号和A的正负判定——极大值点、极小值点或鞍点D>0·A05计算极值将极值点坐标代入原函数f(x,y)，计算对应的极大值或极小值f(x₀,y₀)EXAMPLE·经典例题经典例题：求f(x,y)=x³+y³−3xy的极值通过对f(x,y)=x³+y³−3xy的完整求解，演示了从求偏导数、解驻点方程组到用判别式判定极值类型的全过程。该函数有两个驻点，分别对应鞍点和极小值点，是理解极值判别的典型范例。01求偏导数并建立方程组fₓ=3x²−3y=0，fᵧ=3y²−3x=0，化简为y=x²且x=y²02解方程组得两个驻点代入x=x⁴解出x=0或x=1，驻点为(0,0)和(1,1)03判定驻点(0,0)A=0，B=−3，C=0，D=AC−B²=−9<0→鞍点04判定驻点(1,1)A=6，B=−3，C=6，D=AC−B²=27>0且A=6>0→极小值点05求极小值f(1,1)=1³+1³−3×1×1=−1，函数在此"谷底"取到局部最小值Example·多元函数极值例题演练：求f(x,y)=−x²−y²+2x+4y的极值对二次型函数f=−x²−y²+2x+4y的求解展示了极大值点的判定过程，配方验证与判别法结论一致。01求偏导数：fx=−2x+2=0得x=1，fy=−2y+4=0得y=2，唯一驻点为(1,2)02计算二阶偏导数：A=fxx=−2，B=fxy=0，C=fyy=−2，均为常数不依赖于点的位置03判别式D=AC−B²=(−2)(−2)−0=4>0，且A=−2<0，故(1,2)为极大值点04极大值为f(1,2)=−1−4+2+8=5，函数图像为开口向下的抛物面，顶点即最高点05配方验证：f=−(x−1)²−(y−2)²+5≤5，等号在(1,2)处成立，与判别法结论完全一致多元函数的极值及应用n元函数极值的一般理论多元函数极值理论可以统一到n维情形：梯度为零是必要条件，Hessian矩阵的正定性决定极值类型。通过顺序主子式判别正定性，将二元情形的D=AC-B²推广为更一般的多维判据。必要条件推广：n元函数f(x₁,...,xₙ)在极值点处梯度∇f=0，即所有一阶偏导数为零Hessian矩阵推广：H是n×n对称矩阵，元素Hᵢⱼ=∂²f/∂xᵢ∂xⱼ，二元时D=det(H)正定判定：H的所有顺序主子式Δ₁>0,Δ₂>0,...,Δₙ>0时正定，驻点为极小值点负定判定：Δ₁<0,Δ₂>0,Δ₃<0,...符号交替时负定，驻点为极大值点不定情形：既不满足正定也不满足负定条件时，驻点为鞍点或需进一步分析Chapter02条件极值与拉格朗日乘数法从约束优化问题出发，掌握拉格朗日乘数法的理论推导与实战应用CONSTRAINEDOPTIMIZATION条件极值问题的引入条件极值是在约束条件限制下求目标函数的极值。现实中大量优化问题都带有约束——资源有限、物理定律限制、设计要求等。处理条件极值有消元法和拉格朗日乘数法两条路径，后者更具一般性。01条件极值定义：在满足约束条件φ(x,y)=0的前提下，求目标函数f(x,y)的极值02与无条件极值的区别：无条件极值在整个定义域内寻找极值，条件极值只在约束曲面上寻找03消元法思路：由约束条件解出y=g(x)代入目标函数，化为更少变量的一元极值问题04消元法局限：约束方程复杂时难以显式解出，多约束时消元更加困难05拉格朗日乘数法的优势：不需要显式消元，通过引入乘数将条件极值转化为无条件极值问题LAGRANGEMULTIPLIERS拉格朗日乘数法的构造与求解拉格朗日乘数法通过构造辅助函数L=f+λφ，将条件极值问题转化为对L求无条件驻点的方程组。其几何本质是：在条件极值点处，目标函数梯度与约束函数梯度共线，即∇f与∇φ平行。01构造拉格朗日函数——L(x,y,λ)=f(x,y)+λφ(x,y)，λ为拉格朗日乘数（待定参数）02建立方程组——Lₓ=fₓ+λφₓ=0、L_y=f_y+λφ_y=0、L_λ=φ(x,y)=0，三个方程三个未知数03几何解释——在极值点处∇f=−λ∇φ，目标函数梯度平行于约束曲线的法向量04直觉理解——若∇f不平行于∇φ，沿约束曲线移动时f仍可增大或减小，未达极值05求解流程——联立三个方程解出(x,y,λ)，再判别各候选点是否为极值点及其类型LagrangeMultipliers·条件极值例题：椭圆上到原点距离的最值在椭圆x²+4y²=4上求f=x²+y²的最值，通过拉格朗日乘数法得到四个候选点。长轴端点(±2,0)对应最大值4，短轴端点(0,±1)对应最小值1。01构造构造函数L=x²+y²+λ(x²+4y²−4)，目标函数为到原点距离的平方L(x,y,λ)02求导偏导方程2x(1+λ)=0、2y(1+4λ)=0、x²+4y²=4，三个方程联立∂L=003分支Ax=0代入约束得y=±1，候选点(0,±1)，对应f=1f=104分支Bλ=−12y(1−4)=0得y=0，代入约束得x=±2，候选点(±2,0)，f=4f=405结论几何验证椭圆上距原点最远与最近的点，分别对应长轴与短轴端点Max&Min最大值fmax=4在(±2,0)取得—长轴端点最小值fmin=1在(0,±1)取得—短轴端点LAGRANGEMULTIPLIERS多约束情形的拉格朗日乘数法多约束条件极值通过引入多个拉格朗日乘数处理：k个约束就引入k个乘数。在极值点处，目标函数梯度位于所有约束梯度的线性组合空间中，这是单约束"梯度平行"条件的自然推广。问题形式在φ(x,y,z)=0和ψ(x,y,z)=0的双重约束下求f(x,y,z)的极值φ=0,ψ=0构造拉格朗日函数L=f+λφ+μψ，引入两个乘数λ和μ，共五个变量L=f+λφ+μψ方程组Lₓ=Lᵧ=Lᵤ=0给出∇f+λ∇φ+μ∇ψ=0，Lλ=Lμ=0给出两个约束方程5个方程几何解释在极值点处∇f可由∇φ和∇ψ线性表示，即∇f在约束法向量张成的空间中∇f∈span(∇φ,∇ψ)一般规律k个约束条件引入k个乘数，方程总数等于变量数加约束数k约束→k乘数EXAMPLE·条件极值例题：球面与平面交线上的极值在球面x²+y²+z²=1和平面x+y+z=0的双重约束下求f=x+2y+3z的极值，展示了多约束拉格朗日乘数法的完整应用。该问题的几何意义是在大圆上寻找使线性函数取极值的点。01构造双约束拉格朗日函数：L=x+2y+3z+λ(x²+y²+z²−1)+μ(x+y+z)02列偏导方程组：1+2λx+μ=0、2+2λy+μ=0、3+2λz+μ=0，加上两个约束方程03消元技巧：方程两两相减消去μ，得1+2λ(x−y)=0和1+2λ(y−z)=004由x−y=y−z得x+z=2y，联立x+y+z=0解得y=0，进而确定x和z的关系05代入球面约束求解，最终得到条件极值点及相应极值极值应用·最值理论有界闭区域上最值的求法连续函数在有界闭区域上的最值必然存在，且只能在内部驻点或边界点上取得。求最值需综合比较所有候选点的函数值，做到"内部不遗漏、边界全覆盖、角点不忽略"。01

最值存在性定理—连续函数在有界闭区域D上必取到最大值和最小值（Weierstrass定理）02

候选点来源一：内部驻点—区域D内部满足fₓ=fᵧ=0的点03

候选点来源二：边界条件极值—边界∂D上用拉格朗日乘数法或参数化方法求解04

候选点来源三：角点与不可微点—区域的角点或不可微点等特殊位置同样不能遗漏05

比较定最值—将所有候选点函数值汇总，最大者即最大值，最小者即最小值MULTIVARIABLECALCULUS·例题例题：矩形区域上的最值问题求f=x²+y²-2x-4y+5在矩形区域0≤x≤3,0≤y≤3上的最值，需综合考虑内部驻点和四条边界。配方后f=(x-1)²+(y-2)²，可知函数值表示点到(1,2)距离的平方，最值对应区域内距(1,2)最近和最远的点。fₓ=2x−2=0得x=1，f_y=2y−4=0得y=2。(1,2)在D内，f(1,2)=0f=y²−4y+5，在y=2时取极小值1；端点y=0时f=5，y=3时f=2f=y²−4y+8，在y=2时取极小值4；端点y=0时f=8，y=3时f=5y=0与y=3两条边界类似分析，各得一维极值和端点值，纳入全局比较。全局最小值f=0在(1,2)取得；全局最大值f=8在(3,0)取得。区域D:[0,3]×[0,3]f(x,y)=(x−1)²+(y−2)²几何示意3x3yO(1,2)f=0min(3,0)f=8maxf=5f=5f=2CHAPTER03极值的几何应用用极值理论解决面积、体积、距离等几何优化问题LAGRANGEMULTIPLIERS几何优化：给定表面积的长方体最大体积在表面积S固定的条件下，长方体体积V=xyz在x=y=z（正方体）时取最大值，体现几何对称性与最优解的深刻联系。MODELING目标函数V=xyz，约束条件xy+yz+xz=S/2，三变量一约束体系EQUATIONS拉格朗日方程组：yz+λ(y+z)=0，xz+λ(x+z)=0，xy+λ(x+y)=0ELIMINATION由λ=−yz/(y+z)=−xz/(x+z)推出x=y，同理推出y=zSOLUTION最优解x=y=z，边长√(S/6)，最大体积Vmax=(S/6)3/2INTUITION对称性保证各方向"资源"分配均匀，最对称的形状即为最优解LagrangeMultipliers几何优化：球面内接长方体的最大体积内接于球面x²+y²+z²=R²的长方体中，正方体（边长2R/√3）的体积最大，为8R³/(3√3)。对称性再次成为最优解的标志——球面的旋转对称性决定了内接最优长方体也应是正方体。01问题建模：设半边长为a,b,c，约束a²+b²+c²=R²，目标V=8abcV=8abc02拉格朗日方程组：8bc+2λa=0，8ac+2λb=0，8ab+2λc=0∇f=λ∇g03消元过程：由λ=−4bc/a=−4ac/b得a=b，同理得a=c，故a=b=ca=b=c04最优解：a=b=c=R/√3，长方体为正方体，边长2R/√32R/√305最大体积：V=8(R/√3)³=8R³/(3√3)，约为球体积的36.8%≈36.8%Chapter23·DistanceOptimization点到曲面的最短距离问题点到曲面的最短距离可以通过距离平方函数的极值求解。在最优点处，点到曲面的连线方向平行于曲面的法向量，这一几何性质等价于极值条件，可用拉格朗日乘数法或直接代入法严格求解。01📐距离平方函数d²=(x−x₀)²+(y−y₀)²+(z−z₀)²，最小化d²等价于最小化d，避免开方运算简化计算SquaredDistance02🔧代入法将曲面方程z=g(x,y)代入距离公式，消去约束条件，化为二元函数的无条件极值问题直接求解Substitution03⚡乘数法以曲面方程为约束条件，构造拉格朗日函数L=d²+λ(z−g)，通过偏导为零建立方程组Multiplier04📍几何性质最优点处连线方向平行于曲面法向量，即∇d²与∇(z−g)共线，体现了几何直观与解析方法的统一NormalVector05🎯实际应用广泛应用于工程最近点查询、计算机图形学碰撞检测、机器人路径规划等领域，是几何计算的核心算法基础ApplicationOPTIMIZATION等周问题：周长约束下的面积最大化等周问题是数学史上经典的优化问题。在周长L固定的矩形中，正方形面积最大（S=L²/16）。推广到一般图形，圆是等周长下面积最大的图形。这揭示了一个深刻的数学原理：对称性往往对应最优性。01矩形情形周长2(x+y)=L下求S=xy最大值，构造拉格朗日函数L=xy+λ(2x+2y−L)2(x+y)=L02求解过程∂L/∂y:y+2λ=0与∂L/∂x:x+2λ=0联立，得x=y=L/4，即正方形时面积最大x=y03最大面积S=(L/4)²=L²/16，任意矩形S=xy≤((x+y)/2)²=L²/16，等号当且仅当x=yS=L²/1604等周定理所有周长为L的平面图形中，圆的面积最大，S=L²/(4π)，对称性对应最优S=L²/(4π)05应用价值建筑设计中给定围墙长度下最大化室内面积，圆形或正方形是最优选择方案□=○APPLICATIONS极值几何应用的三大方向极值理论在几何中的应用可以归纳为体积/面积优化、距离计算和形状设计三大方向。每个方向都通过"建模→构造目标函数→设定约束→求解极值"的标准流程解决，展现了数学方法的普适性。01体积与面积优化在给定材料（表面积/周长）约束下最大化容积或面积，如水箱、容器设计。最优解通常具有高度对称性——正方体、球体、圆柱体等规则几何体。对称性最优解02最短距离计算求点到曲面、点到曲线、两曲面间的最短距离，转化为距离平方函数的极值问题。在机器人路径规划、卫星轨道计算、地理信息系统中有直接应用。距离平方极值03最优形状设计等周问题、最小曲面问题等，寻找满足特定约束的最优几何形状。在建筑结构设计、航空外形优化、材料科学中有重要应用。等周问题Chapter04极值的经济学应用从利润最大化到资源配置，揭示极值理论与经济学决策的深层联系多元函数的极值及应用企业利润最大化问题企业利润π=R-C的最大化条件在数学上等价于边际收益等于边际成本（MR=MC）。多元函数极值的必要条件πₓ=πy=0恰好对应经济学中'每种产品的边际利润为零'的均衡条件，充分条件保证了均衡的稳定性。01利润函数建模：π(x,y)=R(x,y)-C(x,y)，x和y为两种产品的产量02必要条件（一阶条件）：πₓ=Rₓ-Cₓ=0即MRₓ=MCₓ，πy=Ry-Cy=0即MRy=MCy03经济学含义：每种产品增产一个单位带来的额外收入恰好等于额外成本时利润最大04充分条件（二阶条件）：πₓₓ<0、πyy<0且πₓₓπyy-πₓy²>0，Hessian负定05实际应用：企业据此确定最优产量组合，是微观经济学厂商理论的核心结论PROFITMAXIMIZATION·EXAMPLE例题：双产品企业的利润最大化对双产品企业建立收益与成本函数，通过利润函数的一阶和二阶条件求解最优产量组合，展示边际分析如何从数学原理转化为具体的生产决策。利润函数π=R−C=70x+60y−2x²−xy−y²，其中x、y为两种产品产量π(x,y)一阶条件πₓ=70−4x−y=0与πᵧ=60−x−2y=0，联立解得x=80/7、y=170/7FOC二阶验证πₓₓ=−4<0，πᵧᵧ=−2<0，πₓᵧ=−1，D=8−1=7>0，确认是极大值点D=7最优产量产品1约11.4单位，产品2约24.4单位时利润最大x≈11.4管理启示两种产品的最优产量不同，反映了各自边际收益与边际成本的差异边际分析OPTIMIZATION·经济应用成本最小化与要素最优组合在产出目标Q₀给定下求成本最小化，是条件极值的典型经济应用。最优要素组合要求各要素的"边际产出/价格"比率相等（等边际原则），拉格朗日乘数λ恰好等于边际成本，揭示了数学工具与经济学概念的深层对应。01问题建模在约束f(x,y)=Q₀下最小化成本函数C=w₁x+w₂yminC=w₁x+w₂y02拉格朗日函数构造含乘数λ的辅助函数，将约束极值转为无约束问题L=w₁x+w₂y+λ(Q₀−f)03一阶条件对各变量求偏导并令其为零，得到要素价格与边际产出的关系w₁/fₓ=w₂/fᵧ=λ04等边际原则各要素每花一元钱的边际产出相等时，实现成本最小化MP₁/P₁=MP₂/P₂05λ的经济含义拉格朗日乘数即为边际成本，多生产一单位需增加的成本λ=dC/dQ₀=MCLagrangeMultiplier·ShadowPrice拉格朗日乘数的经济学含义：影子价格拉格朗日乘数λ不仅是数学工具，更代表约束资源的"影子价格"——约束右端每增加一单位时目标函数最优值的变化量。这一概念连接了数学优化与经济决策，为资源定价和投资判断提供了定量依据。影子价格定义λ=∂V*/∂b，其中V*为最优值，b为约束右端常数。影子价格量化了约束条件的边际价值，是运筹学与微观经济学的核心桥梁。λ=∂V*/∂b成本最小化λ=∂C*/∂Q₀，表示多生产一单位的最低增量成本。在产量约束下，影子价格揭示了企业扩大生产的真实边际代价。边际成本效用最大化λ=∂U*/∂I，表示多一元收入带来的效用增量。在预算约束下，影子价格反映了消费者收入边际变化的主观价值。边际效用决策指导市价低于影子价格时应增购资源，高于时应减少使用。这一比价原则为企业采购、产能规划提供了明确的决策阈值。比价决策敏感性分析帮助企业评估约束变化对最优决策的影响程度。影子价格的大小直接