高等数学 / 系统课时

多元函数的临界点

多元函数的临界点

多元优化首先要找到可能出现极值的位置。梯度为零能筛出内部平坦点,但这些点可能是极小值、极大值,也可能只是鞍点。本课将完成从建立梯度方程到检查候选点的完整过程。

学习目标

  • 使用 ∇f=0\nabla f=\mathbf{0} 求可微函数的内部临界点候选
  • 理解梯度为零只是极值的必要条件之一
  • 识别边界点与不可微点等额外候选位置

临界点的判定入口

对可微函数 f(x1,…,xn)f(x_1,\ldots,x_n),若内部点 x∗\mathbf{x}^* 满足

∇f(x∗)=0,\nabla f(\mathbf{x}^*)=\mathbf{0},

那么该点是驻点,也是最常见的临界点候选。梯度为零表示所有一阶偏导数都为零,即函数在各坐标方向上的瞬时变化率同时消失。

内部不可微点也要列入候选。仅知道所有偏导存在还不够,例如把 xy/(x2+y2)xy/(x^2+y^2) 在原点补成零,两条坐标轴上的偏导都是零,但沿 y=xy=x 的极限是 1/21/2,函数甚至不连续。约束边界的最优点也可以有非零梯度。因此,梯度方程只负责寻找可微内部候选。

求解临界点的步骤

先计算所有一阶偏导,再联立方程组,最后检查解是否位于定义域内部。以函数

f(x,y)=(x2−1)2+y2f(x,y)=(x^2-1)^2+y^2

为例,其梯度为

∇f(x,y)=[4x(x2−1)2y].\nabla f(x,y)=\begin{bmatrix}4x(x^2-1)\\2y\end{bmatrix}.

令梯度为零:

4x(x2−1)=0,2y=0.4x(x^2-1)=0,\qquad 2y=0.

得到三个临界点候选:

(−1,0),(0,0),(1,0).(-1,0),\quad(0,0),\quad(1,0).

这个过程只说明三处的一阶变化消失,还不能直接宣布它们都是最小值。

为什么临界点不一定最优

观察该函数可知,(−1,0)(-1,0) 与 (1,0)(1,0) 的函数值为 00,而函数在整个定义域非负,因此它们都是全局极小点。点 (0,0)(0,0) 的函数值为 11:沿 yy 方向移动会增大,而沿 xx 方向向两侧移动会减小,所以它是鞍点。

多元函数临界点分类示意图

这说明“梯度为零”只消除了线性变化,点附近的二阶形状仍可能不同。通常需要继续检查海森矩阵、比较邻域函数值,或在二阶判别失效时使用更高阶分析。

别漏掉边界与不可微点

在闭且有界的区域上,连续函数会取得全局最值。寻找候选时包括三类位置。内部梯度为零的点、内部不可微点、边界上的候选点。可把各段边界参数化为低维函数,单独求极值并检查拐角。对光滑等式约束,满足约束梯度的正规条件时可用拉格朗日乘子法。比如 f(x,y)=x+yf(x,y)=x+y 在 [0,1]2[0,1]^2 上的最小值为零,发生在角点 (0,0)(0,0),此处梯度为 (1,1)(1,1)。

在机器学习中,激活函数或正则项可能带来不可微点,参数约束也可能让最优解落在边界。此时只运行无约束的梯度方程,会遗漏真正答案。

检查清单

求得候选点后,应依次确认:方程是否漏解、点是否属于定义域、是否存在边界或不可微位置,以及当前证据能否区分极小、极大和鞍点。只要分类依据不足,就应保留“待判定”结论,而不是凭函数值大小或图像直觉草率判断。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

多元函数的临界点

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通