首页 > 其他分享 >多元函数微积分期中复习复盘笔记

多元函数微积分期中复习复盘笔记

时间:2023-04-14 19:33:58浏览次数:66  
标签:frac 复习 bm cfrac 期中 dfrac partial 复盘 mathrm

多元微积分期中

目录

极限与连续

定义

对于函数\(f:U\to V\)
重极限:

\[\forall \varepsilon >0,\exists \delta>0,当\bm x\in U,\|\bm x-\bm x_0\|<0时,\|f(\bm x)-A\|<\varepsilon\\\Downarrow\\\lim_{\bm x\to\bm x_0}f(\bm x)=A\\ \]

连续:

\[\lim_{\bm x\to\bm x_0}f(\bm x)=f(\bm x_0)\\ \]

累次极限:

\[形如\lim_{x\to x_0}\lim_{y\to y_0}f(x,y)、\lim_{y\to y_0}\lim_{x\to x_0}f(x,y)\\ \]

重极限与累次极限的关系

  • 累次极限存在但不相等\(\to\)重极限不存在
  • 重极限存在、累次极限存在\(\to\)累次极限相等

例题

例1:求极限:

\[\lim_{x→0,y→0}\frac{\sqrt{xy+1}-1}{xy} \]

解:

\[\lim_{x→0,y→0}\frac{\sqrt{xy+1}-1}{xy}=\lim_{x→0,y→0} \dfrac{xy}{xy\sqrt{xy+1}+1}=\lim_{x→0,y→0}\dfrac{1}{\sqrt{xy+1}+1}=\frac{1}{2} \]


例2:求极限

\[\lim_{x→∞,y→∞} \dfrac{x+y}{x^2-xy+y^2} \]

解:由于 \(|\dfrac{x+y}{x^2-xy+y^2}|≤|\dfrac{\frac{1}{y}+\frac{1}{x}}{\frac{x}{y}+\frac{y}{x}-1}|≤|\dfrac{1}{y}+\dfrac{1}{x}|→0\),故由夹逼准则知极限为0。


例3:证明

\[\lim_{x\to0,y\to 0}\dfrac{xy^2}{x^2+y^2}=0\\ \]

解:

\[\left|\dfrac{xy^2}{x^2+y^2}\right|=|y|\cdot\dfrac{|xy|}{x^2+y^2}\le \frac{1}{2}|y|\to 0\\ \]


例4:求极限

\[\lim_{x\to0,y\to0}\dfrac{\sin(x^2y+y^4)}{x^2+y^2}\\ \]

解:
由\(|\sin x|\le |x|\),则

\[\begin{aligned}\left|\dfrac{\sin(x^2y+y^4)}{x^2+y^2}\right|&\le \left|\dfrac{x^2y+y^4}{x^2+y^2}\right|\\&\le\left|\dfrac{x^2y}{x^2+y^2}\right|+\left|\dfrac{y^4}{x^2+y^2}\right|=|y|\cdot\dfrac{x^2}{x^2+y^2}+y^2\cdot\dfrac{y^2}{x^2+y^2}\\&\le |y|+y^2\to 0\end{aligned}\\ \]

例5:证明极限 \(\displaystyle \lim_{(x,y)\to(0,0)}\dfrac{x^2y^2}{x^2y^2+(x-y)^2}\) 不存在
解:
当 \((x,y)\) 沿着 \(y=x\) 趋近于 \((0,0)\) 时

\[\lim_{x\to 0,y=x}\dfrac{x^2y^2}{x^2y^2+(x-y)^2}=\lim_{x\to 0}\dfrac{x^4}{x^4+(x-x)^2}=1\\ \]

当 \((x,y)\) 沿着 \(y=0\) 趋近于 \((0,0)\) 时

\[\lim_{x\to 0,y=0}\dfrac{x^2y^2}{x^2y^2+(x-y)^2}=0\\ \]

因此极限不存在

多元函数的泰勒公式

对于函数 \(f(x,y)\) ,将其在 \((x_0,y_0)\) 处进行展开

\[g(t)=f(x_0+t(x-x_0),y_0+t(y-y_0)) \]

\[g(1)=f(x,y)\\ \]

由泰勒公式,有

\[g(t)=g(0)+g'(0)t+\frac{1}{2}g''(0)t^2+\cfrac{1}{6}g'''(\xi)t^2\quad \xi\in(0,t)\\ \]

\[g(1)=g(0)+g'(0)+\cfrac{1}{2}g''(0)+\cfrac{1}{6}g'''(\xi)\quad\xi\in(0,1)\\ \]

\[\begin{aligned}g(0)&=f(x_0,y_0)\\g'(0)&=(x-x_0)\cfrac{\partial f}{\partial x}\bigg|_{(x_0,y_0)}+(y-y_0)\cfrac{\partial f}{\partial y}\bigg|_{(x_0,y_0)}\\g''(0)&=(x-x_0)^2\cfrac{\partial^2 f}{\partial x^2}\bigg|_{(x_0,y_0)}+2(x-x_0)(y-y_0)\cfrac{\partial^2 f}{\partial x\partial y}\bigg|_{(x_0,y_0)}+(y-y_0)^2\cfrac{\partial ^2f}{\partial y^2}\end{aligned}\\ \]

\[\begin{aligned}f(x,y)&=f(x_0,y_0)\\&+(x-x_0)\cfrac{\partial f}{\partial x}\bigg|_{(x_0,y_0)}+(y-y_0)\cfrac{\partial f}{\partial y}\bigg|_{(x_0,y_0)}\\&+\cfrac{1}{2}(x-x_0)^2\cfrac{\partial^2 f}{\partial x^2}\bigg|_{(x_0,y_0)}+(x-x_0)(y-y_0)\cfrac{\partial^2 f}{\partial x\partial y}\bigg|_{(x_0,y_0)}+\cfrac{1}{2}(y-y_0)^2\cfrac{\partial ^2f}{\partial y^2}\\&+o(x^2+y^2)\end{aligned}\\ \]

\[\begin{aligned}f(x,y)&=f(x_0,y_0)\\&+(x-x_0)\cfrac{\partial f}{\partial x}\bigg|_{(x_0,y_0)}+(y-y_0)\cfrac{\partial f}{\partial y}\bigg|_{(x_0,y_0)}\\&+\cfrac{1}{2}(x-x_0)^2\cfrac{\partial^2 f}{\partial x^2}\bigg|_{M}+(x-x_0)(y-y_0)\cfrac{\partial ^2f}{\partial x\partial y}\bigg|_{M}+\cfrac{1}{2}(y-y_0)^2\cfrac{\partial^2 f}{\partial y^2}\bigg|_{M}\end{aligned}\\M\in(x_0,x)\times(y_0,y)\\ \]

可微、全微分与偏导数

向量值函数的可微性

对于向量值函数\(\bm f:\mathbb{R^m}\to\mathbb{R^n}\),如果存在线性映射\(L:\mathbb{R^m}\to\mathbb{R^n}\)满足

\[\lim_{\bm h\to 0}\dfrac{\|\bm f(\bm x_0+\bm h)-\bm f(\bm h)-L(\bm h)\|}{\|\bm h\|}=0\\ \]

则称其在\(\bm x_0\)处可微,记微分

\[\mathrm{D}\bm f(\bm h)=L(\bm h)\\ \]

标量函数的可微性、全微分与偏导数

如果一个多元标量函数 \(f\) 的全增量能够写成线性增量加上一个无穷小量,即

\[\Delta f = A\Delta x + B\Delta y + o(\rho) \]

其中\(\rho = \sqrt{(\Delta x)^2 + (\Delta y)^2}\),那么该函数在该点可微,其中\(A\)和\(B\)分别是该点对\(x\)和\(y\)的偏导数,记为\(\dfrac{\partial f}{\partial x}=A,\dfrac{\partial f}{\partial y}=B\)。

\[\lim_{\begin{matrix}\small\scriptstyle\Delta x\to 0\\\small\scriptstyle\Delta y\to 0\end{matrix}}\frac{\Delta f-A\Delta x-B\Delta y}{\sqrt{(\Delta x)^2+(\Delta y)^2}}=0 \]

\[\lim_{x\to x_0,y\to y_0}\dfrac{f(x,y)-f(x_0,y_0)-A(x-x_0)-B(y-y_0)}{\sqrt{(x-x_0)^2+(y-y_0)^2}}=0\\ \]

记微分

\[\mathrm{d}f(x,y)=Ax+By \]

偏导数的定义如下:

\[f_x(x_0,y_0)=\dfrac{\partial f}{\partial x}\bigg|_{(x_0,y_0)}=\lim_{x\to x_0}\dfrac{f(x,y_0)-f(x_0,y_0)}{x-x_0}\\f_y(x_0,y_0)=\dfrac{\partial f}{\partial y}\bigg|_{(x_0,y_0)}=\lim_{y\to y_0}\dfrac{f(x_0,y)-f(x_0,y_0)}{y-y_0} \]

全微分

\[\mathrm{d}f=\dfrac{\partial f}{\partial x}\mathrm{d}x+\dfrac{\partial f}{\partial y}\mathrm{d}y\\ \]

雅各比矩阵

\[\cfrac{\partial (y_1,y_2)}{\partial (x_1,x_2)}=\begin{bmatrix}\cfrac{\partial y_1}{\partial x_1}&\cfrac{\partial y_1}{\partial x_2}\\\cfrac{\partial y_2}{\partial x_1}&\cfrac{\partial y_2}{\partial x_2}\end{bmatrix} \]

可微与偏导数连续的关系

(1) 偏导数连续 \(f_x,f_y\) 均连续,说明 \(f\) 可微,但 \(f\) 可微不一定偏导数连续

函数可微但偏导数不连续的例子:

\[f(x,y)=\left\{\begin{matrix}(x^2+^2)\sin\frac{1}{x^2+y^2}&(x,y)\ne (0,0)\\0&(x,y)=(0,0)\end{matrix}\right.\\ \]

(2)\(f\) 可微,则一阶偏导数均存在
(3)\(f\) 在 \((x,y)\) 处可微,则 \(f\) 一定在 \((x,y)\) 处连续

例题

例1:已知理想气体状态方程 \(PV=RT\)( \(R\) 为常数),求证

\[\dfrac{\partial P}{\partial V}\cdot\dfrac{\partial V}{\partial T}\cdot\dfrac{\partial T}{\partial P}=-1\\ \]

解:

\[\begin{aligned}&P=\dfrac{RT}{V}\Rightarrow\dfrac{\partial P}{\partial V}=-\dfrac{RT}{V^2}\\&V=\dfrac{RT}{P}\Rightarrow \dfrac{\partial V}{\partial T}=\dfrac{R}{P}\\&T=\dfrac{PV}{R}\Rightarrow\dfrac{\partial T}{\partial P}=\dfrac{V}{R}\end{aligned}\\ \]

\[\dfrac{\partial P}{\partial V}\cdot\dfrac{\partial V}{\partial T}\cdot\dfrac{\partial T}{\partial P}=-\dfrac{RT}{V^2}\cdot\dfrac{R}{P}\cdot\dfrac{V}{R}=-\dfrac{RT}{PV}=-1\\ \]

方向导数与梯度

方向导数

对函数\(f:v\to \mathbb{R}\),记\(f_{\bm v}:t\to f(\bm x+t\bm v)\),若\(f_{\bm v}\)对\(t\)的微分在\(t=0\)处存在,那么可定义\(f\)在\(\bm x\)处沿方向\(\bm v\)的导数为

\[\mathrm{D}_{\bm v}f(\bm x)=\dfrac{\partial f}{\partial \bm v}=\frac{\mathrm{d}f_{\bm v}}{\mathrm{d}t}\bigg|_{t=0}=\lim_{t\to 0}\dfrac{f(\bm x+t\bm v)-f(\bm x)}{t}\\ \]

当 \(\boldsymbol{v}\) 是单位向量时,\(D_{\boldsymbol{v}}f(x_0, y_0)\) 就是函数 \(f(x, y)\) 在 \((x_0, y_0)\) 处的方向导数

  • \(\mathrm{D}_{\bm v}(f+g)=\mathrm{D}_{\bm v}f+\mathrm{D}_{\bm v}g\)
  • \(\mathrm{D}_{\bm v}(cf)=c\mathrm{D}_{\bm v}f\)
  • \(\mathrm{D}_{\bm v}(fg)=g\mathrm{D}_{\bm v}f+f\mathrm{D}_{\bm v}g\)
  • \(h:\mathbb{R}\to\mathbb{R},g:U\to \mathbb{R}\),则\(\mathrm{D}_{\bm v}(h\circ g)(\bm x)=h'(g(\bm x))\mathrm{D}_{\bm v}g(\bm x)\)
  • 方向导数存在时,偏导数不一定存在;可微是方向导数存在的充分条件,而不是必要条件。例:\(f=\sqrt{x^2+y^2}\)

梯度

梯度是一个矢量,梯度的方向是方向导数中取到最大值的方向,梯度的值是方向导数的最大值,函数 \(f(\bm x)\) 在 \(\bm x_0\) 处的梯度记为\(\nabla f(\bm x_0)\)、\(\cfrac{\partial f(\bm x_0)}{\partial \bm x}\)或\(\text{grad}f(\bm x_0)\),且

\[\nabla f(\bm x_0)=\begin{bmatrix}\cfrac{\partial f}{\partial x_1}&\cdots&\cfrac{\partial f}{\partial x_n}\end{bmatrix}^T\\ \]

  • \(\nabla (c_1f+c_2g)=c_1\nabla f+c_2\nabla g\)
  • \(\nabla(fg)=f\nabla g+g\nabla f\)
  • \(\nabla\left(\cfrac{f}{g}\right)=\cfrac{g\nabla f-f\nabla g}{g^2}\)
  • \(h:\mathbb{R}\to\mathbb{R},g:U\to \mathbb{R}\),则\(\nabla(h\circ g)(\bm x)=h'(g(\bm x))\nabla g(\bm x)\)

方向导数与梯度的关系

  • 梯度的方向是方向导数中取到最大值的方向
  • 梯度的值是方向导数的最大值
  • \(\mathrm{D}_{\bm v}f=\nabla f\cdot \bm v\)

例题

例1:设 \(\displaystyle f(x,y)=\left\{\begin{matrix}\cfrac{xy^2}{x^2+y^4}&x^2+y^2\ne 0\\0&x^2+y^2=0\end{matrix}\right.\),求 \(f\) 沿 \(\vec{e}=(\cos \theta,\sin \theta)\) 在点 \((0,0)\) 的方向导数
解:
当 \(\cos\theta\ne 0\) 时

\[\begin{aligned}\frac{\partial f}{\partial \vec{e}}\bigg|_{(0,0)}&=\lim_{\rho\to 0}\frac{f(\rho \cos\theta,\rho\sin\theta)-f(0,0)}{\rho}\\&=\lim_{\rho\to 0}\frac{ \cos\theta\sin^2\theta}{\cos^2\theta+\rho^2\sin^4\theta}\\&=\frac{\sin^2\theta}{\cos\theta}\end{aligned}\\ \]

当 \(\cos\theta =0\) 时,\(f(\rho \cos\theta,\rho\sin\theta)=0\)

\[\frac{\partial f}{\partial \vec{e}}\bigg|_{(0,0)}=0\\ \]


例2:求函数 \(z=xe^{2y}\) 在点 \(P(1,0)\) 处沿着从点\(P(1,0)\)到点\(Q(2,-1)\)的方向的方向导数
解:

\[\vec{v}=\overrightarrow{PQ}=(1,-1) \]

\[\hat{v}=\left(\frac{\sqrt{2}}{2},-\frac{\sqrt{2}}{2}\right)\\ \]

\[\nabla z(1,0)=(1,2)\\ \]

\[\frac{\partial z}{\partial \hat{v}}\bigg|_{(1,0)}=\nabla z(1,0)\cdot\hat{v}=-\frac{\sqrt{2}}{2}\\ \]


例3:设\(u=xyz+z^2+5\),求在点\(M(0,1,-1)\)处方向导数的最大值和最小值
解:

\[\begin{aligned}&\because \cfrac{\partial u}{\partial x}=yz\qquad\cfrac{\partial u}{\partial y}=xz\qquad\cfrac{\partial u}{\partial z}=xy+2z\\&\therefore\text{grad}\;u(0,1,-1)=(yz,xz,xy+2z)|_{(0,1,-1)}=(-1,0,-2)\end{aligned}\\ \]

因此

\[\max\left\{\frac{\partial u}{\partial \bm v}\right\}=\|\text{grad}\;u\|=\sqrt{5}\\\min\left\{\frac{\partial u}{\partial \bm v}\right\}=-\|\text{grad}\;u\|=-\sqrt{5}\\ \]

多元复合函数求导

推导

\[(x,y)\mapsto(u,v)\mapsto f \]

\[\mathrm{d}f=\frac{\partial f}{\partial u}\mathrm{d}u+\frac{\partial f}{\partial v}\mathrm{d}v \]

\[\mathrm{d}u=\frac{\partial u}{\partial x}\mathrm{d}x+\frac{\partial u}{\partial y}\mathrm{d}y \]

\[\mathrm{d}v=\frac{\partial v}{\partial x}\mathrm{d}x+\frac{\partial v}{\partial y}\mathrm{d}y\\ \]

因此

\[\mathrm{d}f=\left(\frac{\partial f}{\partial u}\frac{\partial u}{\partial x}+\frac{\partial f}{\partial v}\frac{\partial v}{\partial x}\right)\mathrm{d}x+\left(\frac{\partial f}{\partial u}\frac{\partial u}{\partial y}+\frac{\partial f}{\partial v}\frac{\partial v}{\partial y}\right)\mathrm{d}y\\ \]

例题

例1:若 \(g(x,y,z)=e^{x^3+y^2+z}\),\(f(x,y)=g(x,y,x\sin y)\),求 \(\cfrac{\partial f}{\partial x}\)

\[\begin{aligned}\mathrm{d}f=\mathrm{d}g&=\frac{\partial g}{\partial x}\mathrm{d}x+\frac{\partial g}{\partial y}\mathrm{d}y+\frac{\partial g}{\partial z}\mathrm{d}z\\&=\left(\frac{\partial g}{\partial x}+\frac{\partial g}{\partial z}\frac{\partial z}{\partial x}\right)\mathrm{d}x+\left(\frac{\partial g}{\partial y}+\frac{\partial g}{\partial z}\frac{\partial z}{\partial y}\right)\mathrm{d}y\end{aligned}\\ \]

\[\frac{\partial f}{\partial x}=\frac{\partial g}{\partial x}+\frac{\partial g}{\partial z}\frac{\partial z}{\partial x}=(3x^2+\sin y)e^{x^3+y^2+x\sin y}\\ \]


例2:若函数 \(f(x+y,x-y)=x^2-y^2\),求 \(\cfrac{\partial f(x,y)}{\partial x}+\cfrac{\partial f(x,y)}{\partial y}\)
解:

\[\left\{\begin{matrix}u=x+y\\v=x-y\end{matrix}\right.\Rightarrow \left\{\begin{matrix}x=\cfrac{u+v}{2}\\y=\cfrac{u-v}{2}\end{matrix}\right. \]

\[\begin{aligned}\frac{\partial f(u,v)}{\partial u}+\frac{\partial f(u,v)}{\partial v}&=\left(\frac{\partial f}{\partial x}\frac{\partial x}{\partial u}+\frac{\partial f}{\partial y}\frac{\partial y}{\partial u}\right)+\left(\frac{\partial f}{\partial x}\frac{\partial x}{\partial v}+\frac{\partial f}{\partial y}\frac{\partial y}{\partial v}\right)\\&=\frac{1}{2}(u+v)+\frac{1}{2}(u-v)+\frac{1}{2}(u+v)-\frac{1}{2}(u-v)\\&=u+v\end{aligned}\\ \]

\[\cfrac{\partial f(x,y)}{\partial x}+\cfrac{\partial f(x,y)}{\partial y}=x+y \]

隐函数定理及逆映射定理

隐函数定理

设 \(F:U\subset \mathbb{R^{m+n}}\to \mathbb{R^m}\) 是一个\(\mathscr{C}^p\)映射(P阶光滑),若 \(\bm x_0\in \mathbb{R^n},\bm y_0\in \mathbb{R^m},(\bm x_0,\bm y_0)\in U\) 满足

  • \(F(\bm x_0,\bm y_0)=\bm 0\)
  • \(\dfrac{\partial F}{\partial \bm y}(\bm x_0,\bm y_0)\) 是 \(m\) 阶可逆矩阵

则存在 \((\bm x_0,\bm y_0)\) 的领域 \(U_x\times U_y\subset U\),以及 \(\mathscr{C}^p\) 映射 \(f:U_x\to U_y\),使得

\[F(\bm x,\bm y)=0\Leftrightarrow \bm y=f(\bm x)\\ \]

\[f'(\bm x)=-\left(\frac{\partial F}{\partial \bm y}\right)^{-1}\left(\frac{\partial F}{\partial \bm x}\right)\\ \]

其中\(f'(\bm x)\)表示\(f(\bm x)\)的\(\text{Jacobi}\)矩阵

:::danger

  • \(F\)与\(f\)的像空间的维数相同,即\(F(\bm x,\bm y)\)的维数与\(f(\bm x)\)的维数相同
    :::

反函数定理

设 \(U\subset\mathbb{R^n}\),\(f:U\to\mathbb{R^n}\)是一个\(\mathscr{C}^p\)的映射,若 \(f\) 在 \(\bm x_0\) 处的\(\text{Jacobi}\)矩阵是可逆矩阵,则反函数\(f^{-1}\)也是\(\mathscr{C}^p\)的映射,且

\[(f^{-1})'(\bm y)=(f'(\bm x))^{-1}\\ \]

或记作

\[J_{f^{-1}}(\bm y)=J_f(\bm x)^{-1}\\ \]

关于逆映射定理的证明? - 知乎:https://www.zhihu.com/question/67456647

例题

例1:已知方程 \(x^2 + y^2 - 4x - 6y + 12 = 0\),求在点 \((1,2)\) 处的切线方程。

解:
令\(F(x,y)=x^2+y^2-4x-6y+12\)

\[\frac{\partial F}{\partial x}= 2x-4 \qquad \frac{\partial F}{\partial y}= 2y - 6 \]

在点 \((1,2)\) 处,代入可得:

\[\frac{\partial F}{\partial x} \bigg|_{(1,2)} = -2 \qquad \frac{\partial F}{\partial y} \bigg|_{(1,2)} = -2 \]

斜率为

\[\frac{\mathrm{d}y}{\mathrm{d}x}\bigg|_{(1,2)}=-\dfrac{\left.\frac{\partial F}{\partial x}\right|_{(1,2)}}{\left.\frac{\partial F}{\partial y}\right|_{(1,2)}}=-1\\ \]

因此切线方程为:

\[x+y=3 \]


例2:方程 \(x^3+y^3+z^3=x+y+z\) 在点 \((x,y,z)=(1,1,-1)\) 附近确定了一个二阶连续可微的隐函数 \(z=z(x,y)\) ,满足 \(z(1,1)=-1\),则 \(\cfrac{\partial ^2z}{\partial x\partial y}(1,1)=\_\_\_\_\_\)
解:
方程

\[x^3+y^3+z^3(x,y)=x+y+z(x,y)\\ \]

对 \(x\) 求偏导得:

\[3x^2+3z^2(x,y)\cfrac{\partial z}{\partial x}=1+\cfrac{\partial z}{\partial x}\\ \]

再对 \(y\) 求偏导得:

\[6z(x,y)\cfrac{\partial z}{\partial x}\cdot\cfrac{\partial z}{\partial y}+3z^2(x,y)\cfrac{\partial^2 z}{\partial x\partial y}=\cfrac{\partial ^2z}{\partial x\partial y}\\ \]

\[\cfrac{\partial^2 z}{\partial x\partial y}=\cfrac{6z}{1-3z^2}\cdot\cfrac{\partial z}{\partial x}\cdot\cfrac{\partial z}{\partial y}\\ \]

\[\cfrac{\partial z}{\partial x}=-\cfrac{1-3x^2}{1-3z^2}\qquad\cfrac{\partial z}{\partial y}=-\cfrac{1-3y^2}{1-3z^2}\\ \]

\[\cfrac{\partial^2 z}{\partial x\partial y}=\cfrac{6z(1-3x^2)(1-3y^2)}{(1-3z^2)^3}\\ \]

\[\cfrac{\partial ^2z}{\partial x\partial y}\bigg|_{(1,1,-1)}=3\\ \]

极值

多元函数的无条件极值

当我们在优化一个函数时,Hesse矩阵是一个非常重要的概念。它是一个二阶导数矩阵,表示函数的曲率和凸性。在本篇笔记中,我们将学习Hesse矩阵的定义、性质以及如何计算它。

Hesse矩阵的定义

设\(f(x_1,x_2,...,x_n)\)是一个具有二阶连续偏导数的函数,则\(f\)的Hesse矩阵\(H\)定义为:

\[H_{i,j}=\frac{\partial^2 f}{\partial x_i \partial x_j} \]

其中\(1\leq i,j \leq n\)。

Hesse矩阵的性质

Hesse矩阵是一个对称矩阵,即\(H_{i,j}=H_{j,i}\)。这是由于二阶偏导数的次序不影响结果。

如果\(f\)是一个凸函数,则\(H\)是一个半正定矩阵。

如果\(f\)是一个严格凸函数,则\(H\)是一个正定矩阵。

Hesse矩阵的计算

计算Hesse矩阵需要对每个变量求二阶偏导数。以下是一些常见函数的Hesse矩阵:

  • \(f(x,y)=x^2+y^2\)的Hesse矩阵为:

\[H=\begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix} \]

  • \(f(x,y)=xy\)的Hesse矩阵为:

\[H=\begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix} \]

  • \(f(x,y)=x^3+y^3-3xy\)的Hesse矩阵为:

\[H=\begin{bmatrix} 6x-6y & -6 \\ -6 & 6y-6x \end{bmatrix} \]

我们也可以用LaTeX来表示Hesse矩阵。例如,\(H=\begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}\)可以表示为\(H_{i,j}=\frac{\partial^2 f}{\partial x_i \partial x_j}=\begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1 \partial x_2} \\ \frac{\partial^2 f}{\partial x_2 \partial x_1} & \frac{\partial^2 f}{\partial x_2^2} \end{bmatrix}=\begin{bmatrix} 2 & 0 \\ 0 & 2 \end{bmatrix}\)。

以上就是Hesse矩阵的学习笔记,希望对你有所帮助!

首先令 \(\cfrac{\partial f}{\partial x_i}=0\) ,求出满足条件的点 \(\bm x\)

多元函数的条件极值

对于一个多元函数

\[f(x_1,x_2,\cdots,x_n) \]

如果存在一些约束条件

\[g_1(x_1,x_2,\cdots,x_n)=0\\g_2(x_1,x_2,\cdots,x_n)=0\\\vdots\\g_m(x_1,x_2,\cdots,x_n)=0 \]

可以通过拉格朗日乘数法来找到其条件极值点。

具体来说,我们需要建立拉格朗日函数:

\[L(x_1,x_2,\cdots,x_n,\lambda_1,\lambda_2,\cdots,\lambda_m) = f(x_1,x_2,\cdots,x_n) - \sum_{i=1}^m\lambda_i g_i(x_1,x_2,\cdots,x_n) \]

其中 \(\lambda_1,\lambda_2,\cdots,\lambda_m\) 是拉格朗日乘数。然后我们需要求出拉格朗日函数的偏导数,并令其等于零,即:

\[\frac{\partial L}{\partial x_1} = 0,\frac{\partial L}{\partial x_2} = 0,\cdots,\frac{\partial L}{\partial x_n} = 0\\\;\\\frac{\partial L}{\partial \lambda_1} = 0,\frac{\partial L}{\partial \lambda_2} = 0,\cdots,\frac{\partial L}{\partial \lambda_m} = 0 \]

解这个方程组,就可以得到函数的条件极值点。

例题

求解函数 \(f(x,y)=x^2+y^2\) 在约束条件 \(g(x,y)=x+y-1=0\) 下的条件极值点。

首先,建立拉格朗日函数:

\[L(x,y,\lambda)=f(x,y)-\lambda g(x,y)=x^2+y^2-\lambda(x+y-1) \]

然后求出偏导数:

\[\frac{\partial L}{\partial x}=2x-\lambda=0 \]

\[\frac{\partial L}{\partial y}=2y-\lambda=0 \]

\[\frac{\partial L}{\partial \lambda}=x+y-1=0 \]

解这个方程组,得到 \(x=y=\frac{1}{2}\),代入原函数可得条件极值点 \((\frac{1}{2},\frac{1}{2})\)。

接下来,我们需要判断这个点是否为条件极值点。我们可以通过求二阶偏导数来判断。计算得到:

\[\frac{\partial^2 L}{\partial x^2}=2,\frac{\partial^2 L}{\partial y^2}=2,\frac{\partial^2 L}{\partial x \partial y}=0 \]

几何应用

曲面

对于曲面 \(z(x,y)\)上一点\((x_0,y_0,z_0)\),由于

\[\tag1\mathrm{d}z=\frac{\partial z}{\partial x}\mathrm{d}x+\frac{\partial z}{\partial y}\mathrm{d}y \]

同时

\[\begin{bmatrix}\mathrm{d}x\\\mathrm{d}y\\\mathrm{d}z\end{bmatrix}=\begin{bmatrix}x-x_0\\y-y_0\\z-z_0\end{bmatrix}\\ \]

得到切平面方程

\[z-z_0=\frac{\partial z}{\partial x}(x-x_0)+\frac{\partial z}{\partial y}(y-y_0)\\ \]

将\((1)\)变形得到

\[\frac{\partial z}{\partial x}\mathrm{d}x+\frac{\partial z}{\partial y}\mathrm{d}y-\mathrm{d}z=0\\ \]

\[\begin{bmatrix}\cfrac{\partial z}{\partial x}&\cfrac{\partial z}{\partial y}&-1\end{bmatrix}\begin{bmatrix}\mathrm{d}x\\\mathrm{d}y\\\mathrm{d}z\end{bmatrix}=0\\ \]

又\(\begin{bmatrix}\mathrm{d}x&\mathrm{d}y&\mathrm{d}z\end{bmatrix}^T\)为切平面中的向量,则\((x_0,y_0,z_0)\)处的法向量为

\[\vec{n}=\begin{bmatrix}\cfrac{\partial z}{\partial x}&\cfrac{\partial z}{\partial y}&-1\end{bmatrix}^T\\ \]

同理,对于曲面\(f(x,y,z)=0\)上一点\((x_0,y_0,z_0)\)

\[\mathrm{d}f=\frac{\partial f}{\partial x}\mathrm{d}x+\frac{\partial f}{\partial y}\mathrm{d}y+\frac{\partial f}{\partial z}\mathrm{d}z=0\\ \]

切平面为

\[\frac{\partial f}{\partial x}(x-x_0)+\frac{\partial f}{\partial y}(y-y_0)+\frac{\partial f}{\partial z}(z-z_0)=0\\ \]

法向量为

\[\vec{n}=\begin{bmatrix}\cfrac{\partial f}{\partial x}&\cfrac{\partial f}{\partial y}&\cfrac{\partial f}{\partial z}\end{bmatrix}^T\\ \]

曲线

参数方程确定的空间曲线

若空间曲线 \(\Gamma\) 的参数方程为

\[\left\{\begin{matrix}x=\varphi(t)\\y=\psi(t)&t\in[\alpha,\beta]\\z=\omega(t)\end{matrix}\right.\\ \]

曲线上一点 \(M\) 对应 \(t=t_0\),在曲线上靠近 \(M\) 的地方有一点 \(M'\),则

\[\overrightarrow{M'M}=(\Delta x,\Delta y,\Delta z)\\ \]

割线 \(M'M\) 的方程为

\[\frac{x-x_0}{\Delta x}=\frac{y-y_0}{\Delta y}=\frac{z-z_0}{\Delta z}\\\Downarrow\\\frac{x-x_0}{\frac{\Delta x}{\Delta t}}=\frac{y-y_0}{\frac{\Delta y}{\Delta t}}=\frac{z-z_0}{\frac{\Delta z}{\Delta t}} \]

当\(M'\to M\)时,\(\Delta t\to 0\),则切线方程为

\[\frac{x-x_0}{\varphi'(t)}=\frac{y-y_0}{\psi'(t)}=\frac{z-z_0}{\omega'(t)}\\ \]

则切向量为

\[(\varphi'(t),\psi'(t),\omega'(t)) \]

又由切向量是法平面的法向量,则法平面为

\[(x-x_0)\varphi'(t)+(y-y_0)\psi'(t)+(z-z_0)\omega'(t)=0\\ \]

空间曲面相交形成的空间曲线

对于空间曲线 \(z_1(x,y)\cap z_2(x,y)\) 上一点 \((x_0,y_0,z_0)\),其切线为两曲线切平面的交线,即为

\[\left\{\begin{matrix}z-z_0=\cfrac{\partial z_1}{\partial x}(x-x_0)+\cfrac{\partial z_1}{\partial y}(y-y_0)\\z-z_0=\cfrac{\partial z_2}{\partial x}(x-x_0)+\cfrac{\partial z_2}{\partial y}(y-y_0)\end{matrix}\right.\\ \]

切向量、法平面均借助同样的方法求得。

标签:frac,复习,bm,cfrac,期中,dfrac,partial,复盘,mathrm
From: https://www.cnblogs.com/lzxzy-blog/p/17319639.html

相关文章

  • 项目实战-经验复盘 项目流程 有用 看1
    一个大型项目从立项到完成会需要多方合作,涉及到很多人员的调动,工作也会比较的繁琐。一套科学有效的(敏捷)项目管理方法是保证项目成功落地的必要条件。项目管理贯穿于产品的全流程管理,大致分为5个里程碑,分别为需求(需求管理、需求评审)、研发(研发前准备、研发中)、测试(功能测试、集成......
  • Angular 复习与进阶系列 – Angular Compiler (AKA ngc)
    前言在GetStarted那一篇,我们有提到过 AngularCompilation.这篇稍微给点具体画面,让大家感受一下.但不会讲细节,对细节感兴趣的可以看Medium– HowtheAngularCompilerWorks ......
  • 4月12日复习,仿函数,非类型模板参数,模板的特化
    仿函数的学习:之前在实现优先级队列时在模板那里多传一个参数可以实现直接堆优先级的调整,因为设置大数优先还是小数优先,只是建大堆还是建小堆和相关算法的问题,而大堆算法与小堆算法的不同只是大于小于号的不同,若是仅仅因为这个就重新写一个相似的代码未免有点太冗余了,所以可以引入......
  • 算法复习专用
    网络流\(\text{EK}\)\(\text{EK}\)板题代码(记得复习细节)\(\text{Dicnic}\)\(\text{Dicnic}\)板题代码(记得复习细节)拓扑排序拓扑板题代码二分图匹配\(\text{KM}\)$\text{KM}$板题代码(\(dfs\)做法)\(\text{KM}\)模拟过程(复习时建配合模拟过程进行理解)......
  • C++复习第五天(封装)
    封装练习,设计一个学生类,属性有姓名和学号,可以给姓名和学号赋值,可以显示姓名和学号。#include<iostream>#include<string>usingnamespacestd;classStudent{public://类中的属性和行为,我们统一称为成员stringm_name;intm_Id;voidshowStudent......
  • (之前的项目复习)我的Java项目实战--校园餐饮商户外卖系统03
    开发笔记三分类管理业务开发公共字段自动填充问题分析前面我们已经完成了后台系统的员工管理功能开发,在新增员工时需要设置创建时间、创建人、修改时间、修改人等字段,在编辑员工时需要设置修改时间和修改人等字段。这些字段属于公共字段,也就是很多表中都有这些字段,如下:能......
  • 复习pwn
    分析漏洞文件:1)通过checksec分析漏洞文件的安全属性:Arch:amd64-64-little,程序架构信息,可以看出这是一个64位的程序。RELRO:PartialRELRO,重定位表只读,无法写入。这里的显示是部分只读代表GOT(GlobalOffsetTable)中的非plt部分是只读的,got.plt是可写的;FullRELRO则是整个GOT都是只......
  • (之前的项目复习)我的Java项目实战--校园餐饮商户外卖系统02
    开发笔记二1.完善登录功能问题分析前面我们已经完成了后台系统的员工登录功能开发,但是还存在一个问题:用户如果不登录,直接访问系统首页面,照样可以正常访问。这种设计并不合理,我们希望看到的效果应该是,只有登录成功后才可以访问系统中的页面,如果没有登录则跳转到登录页面。那......
  • java并发编程(1):Java多线程-基本线程类-基础知识复习笔记
    复习资料:《同步与异步:并发/并行/进程/线程/多cpu/多核/超线程/管程 》基本线程类基本线程类基本线程类指的是Thread类,Runnable接口,Callable接口继承Thread创建线程继承java.lang.Thread类创建线程是最简单的一种方法,也最直接。publicclassMyThread1extendsThread{}种......
  • 新概念2册L80笔记(复习比较级和最高级)
    L80TheCrystaiPalace单词理解语法理解比较级/最高级区分高下比较(Lesson8Thebestandtheworst)例句:YiistallerthanLin例句:ThisistheworsthandwritingIhaveeverseenn.+erthan.../the比较级then.+estof/in最高级,of是对象范围,in环境范围规则变化:直接+er、......