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 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 ,若内部点 满足
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 在原点补成零,两条坐标轴上的偏导都是零,但沿 的极限是 ,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
为例,其梯度为
令梯度为零:
得到三个临界点候选:
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, 与 的函数值为 ,而函数在整个定义域非负,因此它们都是全局极小点。点 的函数值为 :沿 方向移动会增大,而沿 方向向两侧移动会减小,所以它是鞍点。

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 在 上的最小值为零,发生在角点 ,此处梯度为 。
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。