imicola 偏导数与全微分
偏导数与全微分

偏导数与全微分

998 字 · 约 2 分钟
  • 基本求偏导数
    • ∂F(x,y)∂x=dFx\frac{\partial F(x,y)}{\partial x} = \mathrm{d}F_{x}
    • 即:将yy看作常数对FF中的xx求导
    • 同理,对yy求偏导就是将xx看为常数
  • 复合函数求导
    • 链式法则
    • 可以画出z(u,v)z(u,v),u(x,y)u(x,y),v(x,y)v(x,y)中∂z∂x\frac{\partial z}{\partial x},∂z∂y\frac{\partial z}{\partial y}的变量依赖关系的关系图
    • 也可以直接写出∂z∂x=∂z∂u∂u∂x+∂z∂v∂v∂x\frac{\partial{z}}{\partial{x}} = \frac{\partial{z}}{\partial{u}} \frac{\partial{u}}{\partial{x}} + \frac{\partial{z}}{\partial{v}} \frac{\partial{v}}{\partial{x}} 对∂z∂y\frac{\partial{z}}{\partial{y}}也是一样的
  • 隐函数求导
    • 对隐函数F(x,y,z)F(x,y,z)有
    • ∂z∂x=−FxFz\frac{\partial{z}}{\partial{x}} = - \frac{F_{x}}{F_{z}}
    • ∂z∂y=−FyFz\frac{\partial{z}}{\partial{y}} = -\frac{F_{y}}{F_{z}}
    • 也可以两边同时对xx或yy求偏导
  • 全微分
    • dz=(∂z∂xdx +∂z∂ydy)\mathrm{d}z = \left(\frac{\partial{z}}{\partial{x}}\mathrm{d}x \ + \frac{\partial{z}}{\partial{y}}\mathrm{d}y \right)

方向导数与梯度

  • 梯度
    • 梯度向量是就是求所有变量对原函数的偏导然后放入到向量中
    • 对∇f\nabla f而言f(x,y,z)f(x,y,z), ∇f=(∂f∂x,∂f∂y,∂f∂z)\nabla f = \left(\frac{\partial{f}}{\partial{x}},\frac{\partial{f}}{\partial{y}},\frac{\partial{f}}{\partial{z}}\right)
    • ∇f(P0)=(∂f∂x(P0),∂f∂y(P0),∂f∂z(P0))\nabla f(P_{0}) = \left(\frac{\partial{f}}{\partial{x}}(P_{0}),\frac{\partial{f}}{\partial{y}}(P_{0}),\frac{\partial{f}}{\partial{z}}(P_{0})\right)
  • 方向导数
    • ∂f∂l=∇f(P0)⋅u⃗∣u∣\frac{\partial{f}}{\partial{l}} = \nabla f(P_{0}) \cdot \frac{\vec{u}}{|u|}
    • 方向导数最大(变化率最大)时候
      • 方向为:∇f(P0)\nabla f(P_{0})
      • 最大值:∣∇f(P0)∣|\nabla f(P_{0})|
    • 方向导数最小(变化率最小)时候
      • 方向为:−∇f(P0)-\nabla f(P_{0})
      • 最小值:−∣∇f(P0)∣-|\nabla f(P_{0})|
    • 变化为0时候
      • 方向为:任意与−∇f(P0)-\nabla f(P_{0})垂直的向量

极值与最值

  • 无条件极值f(x,y)f(x,y)
    • 解方程组
      {∂f∂x=0∂f∂y=0\begin{cases} \frac{\partial{f}}{\partial{x}} = 0 \\ \frac{\partial{f}}{\partial{y}} = 0 \end{cases}
    • 一般而言上面方程组会解出一个(或多个)点A(x0,y0)A(x_{0},y_{0}) 称为驻点
    • 接下来需要我们求所有二阶偏导数
      • fxx=∂2f∂x2fyy=∂2f∂y2fxy=∂2f∂x∂yf_{xx} = \frac{\partial^{2}{f}}{\partial{x^{2}}} \quad f_{yy}= \frac{\partial^{2}{f}}{\partial{y^{2}}} \quad f_{xy} = \frac{\partial^{2}{f}}{\partial{x}\partial{y}}
      • 接下来计算黑塞矩阵的行列式
        D=(fxx(x,y)fxy(x,y)fxy(x,y)fyy(x,y))D = \begin{pmatrix}f_{xx}(x,y) & f_{xy}(x,y) \\ f_{xy}(x,y) & f_{yy}(x,y) \end{pmatrix}
    • 将每个驻点带入DD有D∣xyD|_{xy}
      • 如果D∣xy>0D|_{xy} > 0 且 fxx(x0,y0)>0f_{xx}(x_{0},y_{0}) > 0 则函数有局部最小值
      • 如果D∣xy>0D|_{xy} > 0 且 fxx(x0,y0)<0f_{xx}(x_{0},y_{0}) < 0 则函数有局部最大值
      • 如果D∣xy≤0D|_{xy} \leq 0 则没有局部最值
  • 有条件的极值
    • 已知f(x,y,z)f(x,y,z)在约束条件ω(x,y,z)=a\omega(x,y,z) = a的极值
    • 构造拉格朗日方程
      F(x,y,z,λ)=f(x,y,z)+λ( ω(x,y,z)−a )F(x,y,z,\lambda) = f(x,y,z) + \lambda(\ \omega(x,y,z) - a\ )
    • 求解方程组
      {∂f∂x=0∂f∂y=0∂f∂z=0∂f∂λ=0\begin{cases} \frac{\partial{f}}{\partial{x}} = 0 \\ \frac{\partial{f}}{\partial{y}} = 0 \\ \frac{\partial{f}}{\partial{z}}= 0 \\ \frac{\partial{f}}{\partial{\lambda}} = 0 \end{cases}
    • 解出方程组中 x,y,zx,y,z 就可以得到极值点

知识关联

1 反向链接 · 0 提及笔记
局部关系图谱 悬停高亮 · 点击跳转