首页 > 其他分享 >导数、偏导数、方向导数与梯度

导数、偏导数、方向导数与梯度

时间：2024-05-11 18:41:05浏览次数：20  
标签：cos frac 导数 梯度 bm Delta 方向 partial

目录

导数

导数是一元函数的概念.

函数\(y=f(x)\)在点\(x_0\)的某个邻域内有定义，自变量\(x\)在\(x_0\)处每取得\(\Delta x\)增量，因变量\(y\)取得\(\Delta y=f(x_0+\Delta x)-f(x_0)\)增量.

如果\(\Delta x\to 0\)时，极限\(\lim\limits_{\Delta x\to 0}\frac{\Delta y}{\Delta x}\)存在，则称\(y=f(x)\)在\(x_0\)处可导，该极限称为\(f(x)\)在\(x_0\)处导数，记为\(f'(x_0),y'\mid_{x=x_0}\)或\(\frac{df(x)}{dx}\mid_{x=x_0}\).

\[f'(x_0)=\lim\limits_{\Delta x\to 0}\frac{\Delta y}{\Delta x}=\lim\limits_{\Delta x\to 0}\frac{f(x_0+\Delta x)-f(x_0)}{\Delta x} \]

另外2种等价写法：

\[\begin{aligned} f'(x_0)&=\lim\limits_{h\to 0}\frac{f(x_0+h)-f(x_0)}{h}\\ f'(x_0)&=\lim\limits_{x\to x_0}\frac{f(x)-f(x_0)}{x-x_0} \end{aligned} \]

如果\(y=f(x)\)在定义域内都可导，则可记作

\[f'(x),y', \space or \space \frac{df(x)}{dx} \]

导数几何意义是函数的变化率、切线斜率.

偏导数

偏导数是多元函数的概念. 定义偏导数时，只有1个自变量变化，固定其他自变量，进而研究因变量的变化.

以二元函数\(z=f(x,y)\)为例：
设函数\(z=f(x,y)\)在点\((x_0,y_0)\)的某一邻域内有定义，\(y\)固定在\(y_0\)、\(x\)在\(x_0\)处增量\(\Delta x\)，那么函数增量：

\[\Delta z = f(x_0+\Delta x, y_0)-f(x_0, y_0) \]

如果极限

\[\lim\limits_{\Delta x\to 0}\frac{\Delta z}{\Delta x}=\lim\limits_{\Delta x\to 0}\frac{f(x_0+\Delta x, y_0)-f(x_0, y_0)}{\Delta x} \]

存在，则称该极限为\(z=f(x,y)\)在点\((x_0,y_0)\)处对\(x\)的偏导数.

该偏导数3种记法：

\[\frac{\partial z}{\partial x}\mid_{\begin{aligned}x=x_0\\y=y_0\end{aligned}}, \frac{\partial f}{\partial x}\mid_{\begin{aligned}x=x_0\\y=y_0\end{aligned}}\space or \space f_x(x_0,y_0) \]

类似，\(z=f(x,y)\)在点\((x_0,y_0)\)处对y的偏导数：

\[f_y(x_0,y_0)=\lim\limits_{\Delta y\to 0}\frac{\Delta z}{\Delta y}=\lim\limits_{\Delta y\to 0}\frac{f(x_0, y_0+\Delta y)-f(x_0, y_0)}{\Delta y} \]

如果\(z=f(x,y)\)在定义域内对\(x\)的偏导数都存在，则可写作：

\[\frac{\partial z}{\partial x},\frac{\partial f}{\partial x}\space or \space f_x(x,y) \]

通常简写：\(f_x\)

如果\(z=f(x,y)\)在定义域内对\(y\)的偏导数都存在，则可写作：

\[\frac{\partial z}{\partial y},\frac{\partial f}{\partial y}\space or \space f_y(x,y) \]

通常简写：\(f_y\)

偏导数的几何意义是函数沿着坐标轴方向的变化率.

全微分

偏导数是只让一个自变量变化，固定其他自变量，从而得到变化率；全微分是让所有自变量同时变化，从而得到因变量增量.

以二元函数\(z=f(x,y)\)为例，

\[\begin{aligned} f(x+\Delta x,y)-f(x,y)≈f_x(x,y)\Delta x\\ f(x,y+\Delta y)-f(x,y)≈f_y(x,y)\Delta x\\ \end{aligned} \]

左边叫二元函数对x、y的偏增量，右边叫对x、y的偏微分.

对应自变量x、y变化，可得到全增量：

\[\Delta z = f(x+\Delta x, y+\Delta y)-f(x,y) \]

因为直接计算全增量\(\Delta z\)较为复杂，所以用\(\Delta x, \Delta y\)的线性函数近似替代. 如果\(\Delta z\)能表示成：

\[\Delta z = A\Delta x + B\Delta y + o(ρ) \]

其中，A、B不依赖\(\Delta x, \Delta y\)且仅与x、y有关，\(ρ=\sqrt{(\Delta x)^2+(\Delta y)^2}\)，则称\(z=f(x,y)\)在点\((x,y)\)处可微分，线性函数\(A\Delta x+B\Delta y\)为z在\((x,y)\)处的全微分，记作\(dz\).

\[dz=A\Delta x+B\Delta y \]

如果z在区域D内所有点处都可微分，则称z在D内可微分.

\(z=f(x,y)\)在\((x,y)\)处可微分，则在\((x,y)\)处一定连续.

\[\lim\limits_{ρ\to 0}\Delta z = \lim\limits_{ρ\to 0}[A\Delta x + B\Delta y + o(ρ)]= \lim\limits_{(\Delta x,\Delta y)\to 0} [A\Delta x+B\Delta y]+\lim\limits_{ρ\to 0}o(ρ)=0 \]

∴

\[\lim\limits_{ρ\to 0}[f(x+\Delta x, y+\Delta y)]=\lim\limits_{ρ\to 0}[z+f(x,y)]=f(x,y) \]

∴\(z=f(x,y)\)在\((x,y)\)处连续

  • 全微分与偏导数

定理（必要） 如果\(z=f(x,y)\)在点\((x,y)\)可微分，则\(z=f(x,y)\)在该点处偏导数\(\frac{\partial z}{\partial x}、\frac{\partial z}{\partial y}\)存在，且全微分为：

\[dz=\frac{\partial z}{\partial x}\Delta x + \frac{\partial z}{\partial y}\Delta y \]

证：
\(P(x,y)\)处可微分 => P的某个邻域内任一点\(P'(x+\Delta x,y+\Delta y)\)，都有\(\Delta z = A\Delta x + B\Delta y + o(ρ)\)成立

令\(\Delta y=0\)，即\(P'(x+\Delta x,y)\)也成立

∴

\[\begin{aligned} \Delta z &= A\Delta x + o(|\Delta x|)\\ f(x+\Delta x, y)-f(x,y)&=A\Delta x+o(|\Delta x|)\\ \lim\limits_{\Delta x\to 0}\frac{f(x+\Delta x, y)-f(x,y)}{\Delta x}&=A=\frac{\partial z}{\partial x} \end{aligned} \]

同理，

\[B=\frac{\partial z}{\partial y} \]

故

\[dz=A\Delta x + B\Delta y=\frac{\partial z}{\partial x}\Delta x+\frac{\partial z}{\partial y}\Delta y \]

定理（充分） 如果函数\(z=f(x,y)\)的偏导数\(\frac{\partial z}{\partial x}、\frac{\partial z}{\partial y}\)在点\((x,y)\)处连续，则函数在该点可微分.

证：

\[\begin{aligned} \Delta z &= f(x+\Delta x, y+\Delta y)-f(x,y)\\ &=[f(x+\Delta x,y+\Delta y)-f(x,y+\Delta y)]+[f(x,y+\Delta y)-f(x,y)] \end{aligned} \]

由拉格朗日中值定理：如果\(f(x)\)在\([a,b]\)上连续，在\((a,b)\)上可导，那么在\((a,b)\)内至少存在一点\(ξ\)，使得\(f'(ξ)=\frac{f(b)-f(a)}{b-a}\)成立.

而\(z=f(x,y)\)在\((x,y)\)处偏导数存在且连续

∴存在\(θ_1,θ_2\in(0,1)\)使得下式成立：

\[\begin{aligned} f(x+\Delta x,y+\Delta y)-f(x,y+\Delta y)&=f_x(x+θ_1\Delta x,y+\Delta y)\Delta x\\ f(x,y+\Delta y)-f(x,y)&=f_y(x,y+θ_2\Delta y)\Delta y \end{aligned} \]

又

\[\begin{aligned} \lim\limits_{\Delta x\to 0,\Delta y\to 0}\frac{f(x+\Delta x,y+\Delta y)-f(x,y+\Delta y)}{\Delta x} &=f_x(x,y)\\ \implies f(x+\Delta x,y+\Delta y)-f(x,y+\Delta y) &=f_x(x,y)\Delta x+ε_1\Delta x\\ \lim\limits_{\Delta y\to 0}\frac{f(x,y+\Delta y)-f(x,y)}{\Delta y}&=f_y(x,y)\\ \implies f(x,y+\Delta y)-f(x,y)&=f_y(x,y)\Delta y+ε_2\Delta y \end{aligned} \]

其中，\(ε_1\)为\(\Delta x,\Delta y\)的函数，当\(\Delta x\to 0,\Delta y\to 0\)时，\(ε_1\to 0\)；\(ε_2\)为\(\Delta y\)的函数，当\(\Delta y\to 0\)时，\(ε_2\to 0\).

∴

\[\Delta z = f_x(x,y)\Delta x+f_y(x,y)\Delta y+ε_1\Delta x+ε_2\Delta y \]

而

\[|\frac{ε_1\Delta x+ε_2\Delta y}{ρ}|=|\frac{ε_1\Delta x+ε_2\Delta y}{\sqrt{x^2+y^2}}|\le |\frac{ε_1\Delta x}{\sqrt{x^2+y^2}}|+|\frac{ε_2\Delta y}{\sqrt{x^2+y^2}}|\le |ε_1|+|ε_2| \]

也就是说，\((\Delta x,\Delta y)\to (0,0)\)时，\(ρ\to 0\)，\(ε_1\Delta x+ε_2\Delta y\to 0\)

综上，\(z=f(x,y)\)在\((x,y)\)处可微分.

方向导数

偏导数是函数沿着坐标轴方向的变化率，但有时，需要沿着任意方向的变化率，这就要用到方向导数.

img

设\(l\)是xOy平面上的一条射线，起点\(P_0(x_0,y_0)\)，同向单位向量\(\bm{e_l}=(\cos α,\cos β)\). 则\(l\)参数方程：

\[\begin{aligned} x&=x_0+t\cos α,\\ y&=y_0+t\cos β,t\ge 0 \end{aligned} \]

设函数\(z=f(x,y)\)在点\(P_0\)的某个邻域\(U(P_0)\)内有定义，该邻域内点\(P(x_0+t\cos α,y_0+t\cos β)\)是\(l\)上一点，那么\(|PP_0|=t\)，函数增量：
\(\Delta z =f(x,y)-f(x_0,y_0)=f(x_0+t\cos α,y_0+t\cos β)-f(x_0,y_0)\)

如果\(P\to P_0(t\to 0^+)\)时，极限：

\[\lim\limits_{t\to 0^+}\frac{\Delta z}{t} \]

存在，则该极限称为函数\(f(x,y)\)在点\(P_0\)沿方向\(l\)的方向导数，即

\[\frac{\partial f}{\partial l}\mid_{(x_0,y_0)}=\lim\limits_{t\to 0^+}\frac{\Delta z}{t} \]

方向导数几何意义：函数在\(P_0\)点处沿着\(l\)方向的变化率.

  • 方向导数与偏导数

如果函数在\(P_0\)处偏导数存在，那么函数在\(P_0\)沿着\(\bm{e_l}=(1,0)=(\cos α,\cos β)\)方向的方向导数：

\[\frac{\partial f}{\partial l}\mid_{(x_0,y_0)}=\lim\limits_{t\to 0^+}\frac{\Delta z}{t}=\lim\limits_{t\to 0^+}\frac{f(x_0+t,y_0)-f(x_0,y_0)}{t}=f_x(x_0,y_0) \]

同理，沿着\(\bm{e_l}=(0,1)=(\cos α,\cos β)\)方向的方向导数：

\[\frac{\partial f}{\partial l}\mid_{(x_0,y_0)}=f_y(x_0,y_0) \]

也就是说，偏导数存在时，沿着对应坐标轴方向的方向导数一定存在；反过来，不一定成立.

  • 方向导数与全微分

定理 如果函数\(f(x,y)\)在点\(P_0(x_0,y_0)\)可微分，那么函数在该点的方向导数存在，记作\(\frac{\partial f}{\partial l}\mid_{(x_0,y_0)}\)，且有

\[\frac{\partial f}{\partial l}\mid_{(x_0,y_0)}=f_x(x_0,y_0)\cos \alpha + f_y(x_0,y_0)\cos \beta \]

其中，\(\cos \alpha, \cos \beta\)是\(l\)的方向余弦.

方向余弦：向量\(\bm{e_l}=(\cos \alpha, \cos \beta)\)是\(l\)与同方向的单位向量.

证：\(z=f(x,y)\)在\(P_0(x_0,y_0)\)可微分

∴偏导数\(f_x(x_0,y_0),f_y(x_0,y_0)\)存在
∴有

\[\begin{aligned} \Delta z &= A\Delta x+B\Delta y+o(ρ)\\ &=f_x(x_0,y_0)\Delta x+f_y(x_0,y_0)\Delta y+o(\sqrt{(\Delta x)^2+(\Delta y)^2}) \end{aligned} \]

沿着\(l\)方向，

\[\Delta x = t\cos α,\Delta y = t\cos β \]

∴\(ρ=t\)
∴\(\Delta z = f_xt\cos α+f_yt\cos β\)

\[\begin{aligned} \frac{\partial f}{\partial l}\mid_{(x_0,y_0)}&=\lim\limits_{t\to 0^+}\frac{\Delta z}{t}\\ &=\lim\limits_{t\to 0^+}\frac{f_xt\cos α+f_yt\cos β+o(t)}{t}\\ &=f_x(x_0,y_0)\cos α+f_y(x_0,y_0)\cos β \end{aligned} \]

梯度

方向导数是沿着某个方向的变化率，梯度是方向导数中变化率最大的那个方向向量.

设\(f(x,y)\)在平面区域D内具有一阶连续偏导数，对于任一点\(P_0(x_0,y_0)\in D\)，向量

\[f_x(x_0,y_0)\bm{i}+f_y(x_0,y_0)\bm{j} \]

称为\(f(x,y)\)在点\(P_0\)的梯度. 写作：

\[\bm{grad} \space f(x_0,y_0)=▽f(x_0,y_0)=f_x(x_0,y_0)\bm{i}+f_y(x_0,y_0)\bm{j} \]

其中，\(▽=\frac{\partial}{\partial x}\bm{i}+\frac{\partial}{\partial y}\bm{j}\)称为（二维）向量微分算子或Nabla算子，\(▽f=\frac{\partial f}{\partial x}\bm{i}+\frac{\partial f}{\partial y}\bm{j}\). \(\bm{i,j}\)是直角坐标系\(x,y\)轴单位向量

  • 梯度与方向导数

如果\(f(x,y)\)在\(P_0(x_0,y_0)\)处可微分，射线\(l\)的方向向量\(\bm{e_l}=(\cos α,\cos β)\)，根据方向导数与全微分关系，有

\[\begin{aligned} \frac{\partial f}{\partial l}\mid_{(x_0,y_0)}&=f_x(x_0,y_0)\cos α+f_y(x_0,y_0)\cos β\\ &=(f_x,f_y)(\cos α,\cos β)\\ &=(f_x,f_y)\cdot \bm{e_l}\\ &=\bm{grad}\space f(x_0,y_0)\cdot \bm{e_l}\\ &=|\bm{grad}\space f(x_0,y_0)|\cos θ \end{aligned} \]

其中，\(θ\)是梯度\(\bm{grad}\space f(x_0,y_0)\)与\(\bm{e_l}\)的夹角.

∵\(f_x(x_0,y_0),f_y(x_0,y_0)\)是确定的
∴\(|\bm{grad}\space f(x_0,y_0)|\)大小确定
∴方向导数\(\frac{\partial f}{\partial l}\mid_{(x_0,y_0)}\)大小取决于\(θ\)大小

  1. \(θ=0\)，即\(\bm{e_l}\)与\(\bm{grad}\space f(x_0,y_0)\)同向，\(f(x,y)\)增加最快，函数在该方向的方向导数达到最大值\(|\bm{grad}\space f(x_0,y_0)|\).

  2. \(θ=π\)，反向，\(f(x,y)\)减少最快，方向导数达到最小值\(-|\bm{grad}\space f(x_0,y_0)|\).

  3. \(θ=\frac{π}{2}\)，垂直，变化率=0，方向导数为0

参考

[1] 同济大学数学系.高等数学(第六版 下册)[M].高等教育出版社,2007.

[2] 简谈：导数、偏导数、方向导数、梯度向量

标签：cos,frac,导数,梯度,bm,Delta,方向,partial
From： https://www.cnblogs.com/fortunely/p/18183057

相关文章

  • MySQL优化方向
    MySQL优化手段数据库设计层面范式设计减少数据冗余提高数据一致性索引策略选择合适的索引类型(BTREE,HASH)覆盖索引索引选择性表结构优化使用合适的数据类型避免使用NULL分区表水平分区垂直分区SQL查询优化EXPLAIN分析识别慢查询避免全表扫......
  • 临近点梯度法
    可微凸优化临近点梯度法 求解约束优化问题： \begin{align*} \mathop{min}\limits_{x}&\quadf(x)\\ s.t.&\quadx\inS \end{align*} 其中，$f$是可微凸函数，$S$是凸集合。这个问题等价于: \begin{align*} \mathop{min}\limits_{x}&\quadf(x)+I_S(x)\\ \end{align*}其中$I......
  • HarmonyOS 垂直方向内容滚动条实现
    概述Swiper组件是一个用户界面元素，用于在垂直方向上滚动内容。它通过遍历一个数据集合，为每一项创建一个可滚动的文本项。代码实现以下是Swiper组件的实现代码：Swiper(){ForEach(searchSwiper,(item,index)=>{Column(){Text(item).fontSize(12)......
  • Machine Learning - 梯度下降
    一、梯度下降：目的是为了寻找到最合适的$w$和$b$，让成本函数的值最小\[w=w-α\frac{\partialJ(w,b)}{\partialw}\]\[b=b-α\frac{\partialJ(w,b)}{\partialb}\]    其中\(α\)的值通常在\(0-1\)之间，用于控制梯度下降算法的幅度。\(α\)太大，会造成发......
  • 次梯度算法的收敛性
    次梯度算法： 梯度下降法的迭代格式为$$x_{k+1}=x_k-\alpha_k\nablaf(x_k)$$ 但是对于不可微的凸函数，梯度并不存在，于是使用此梯度算法： $$x_{k+1}=x_k-\alpha_kg_k)$$其中$g_k\in\partialf(x_k)$次梯度算法的收敛性证明：假设：$f$是凸函数且存在最小值点$f^*$，且是$G-$利普西茨连......
  • 梯度下降法的两个收敛性证明
    **梯度下降法:** 对于无约束最优化问题：$$\mathop{min}_{x}f(x)$$其中$f$是可微函数,梯度下降法的更新方式如下: $$x_{k+1}=x_k-\alpha_k\nablaf(x_k)$$ 步长$\alpha_k$有多种选择方式，普通的梯度法就选择固定步长$\alpha$。 下面介绍固定步长的梯度下降法在凸函数以及强凸函数......
  • amCharts粒状梯度柱形图
    代码案例<!DOCTYPEhtml><html><head><scriptsrc="https://cdn.amcharts.com/lib/5/index.js"></script><scriptsrc="https://cdn.amcharts.com/lib/5/xy.js"></script><scriptsrc=&qu......
  • 导数: 如何理解$f(x)$在某一区间内可导
    设函数\(y=|x|\),其函数图像如下所示：可见\(x=0\)时，\(y=0\)。其函数图像于\(x=0\)处存在1个“棱角”。这意味着\(y\)在\(x=0\)处是不可导的，因为\(y\)呈现的函数图像是有棱角的，“非光滑的”，即不是曲线。反之，若已知另一个函数\(f(x)\)在例如开区间\((a,b)\)内是可导的，则\(f(x)\)......
  • 第一节 导数概念
    导数概念一、引例1.直线运动的速度2.切线问题二、导数的定义1.函数在一点处的导数与导函数定义设函数\(y=f(x)\)在点\(x₀\)的某个邻域内有定义，当自变量x在\(x₀\)处取得增量\(\trianglex\)(点\(x₀+△x\)仍在该邻域内)时，相应地，因变量取得增量\(△y=f(x₀......
  • 求导数总结
    求导数方法总结导数最后都要是包含x的表达式？常见的表达式的导数常数的导数等于0幂函数的导数\(f(x)=x^n,f'(x)=nx^{n-1}\)指数函数的导数：\(f(x)=a^x(a>0,a\neq1),f'(x)=a^x\lna\)三角函数：\((\sinx)'=\cosx\)\((\cosx)'=-\sinx\)\((\tanx)'=\sec^2......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99