高等数学 / 系统课时

局部极值判别

局部极值判别

找到驻点后,还需要判断它究竟是局部最小值、局部最大值,还是既非最大也非最小。本课利用海森矩阵对应的二次型,建立一套适用于二元函数和高维函数的局部极值判别方法。

学习目标

  • 理解海森矩阵与函数局部形状之间的关系
  • 根据正定、负定和不定性质判断驻点类型
  • 识别二阶判别法失效的退化情况

从驻点到局部极值

设多元函数 f(x)f(\boldsymbol{x}) 在点 x0\boldsymbol{x}_0 附近二阶可微,并且满足驻点条件:

∇f(x0)=0\nabla f(\boldsymbol{x}_0)=\boldsymbol{0}

梯度为零只说明函数在该点没有一阶变化趋势,不能直接说明它是极大值或极小值。海森矩阵给出二阶变化。二阶项退化时还要检查更高阶变化。在驻点附近,函数可以近似写成:

f(x0+h)≈f(x0)+12hTHhf(\boldsymbol{x}_0+\boldsymbol{h})\approx f(\boldsymbol{x}_0)+\frac{1}{2}\boldsymbol{h}^{\mathrm T}H\boldsymbol{h}

其中 H=∇2f(x0)H=\nabla^2 f(\boldsymbol{x}_0) 是海森矩阵,h\boldsymbol{h} 表示从驻点出发的微小位移。在二阶连续可微的条件下,余项是 o(∥h∥2)o(\lVert\boldsymbol h\rVert^2),因此充分小的位移下可以比较二次型和余项。

海森矩阵对应的三种形状

海森矩阵正定负定与不定的局部曲面比较

如果对任意非零方向 h\boldsymbol{h},二次型始终为正,则 HH 正定。若最小特征值 λmin⁡>0\lambda_{\min}>0,二次型在任意方向上至少为 λmin⁡∥h∥2\lambda_{\min}\lVert\boldsymbol h\rVert^2。足够靠近时,这个统一下界使二次项压过余项,因此得到严格局部最小值。

如果二次型始终为负,则 HH 负定。驻点周围所有方向的函数值都会减小,因此该点是严格局部最大值。

如果二次型在不同方向可以取正值和负值,则 HH 不定。函数在某些方向上升、另一些方向下降,因此该点是鞍点,不是局部极值。对于实对称海森矩阵,可以直接通过特征值判断:

海森矩阵特征值 矩阵性质 驻点类型
全部大于 00 正定 严格局部最小值
全部小于 00 负定 严格局部最大值
同时存在正值和负值 不定 鞍点

二元函数的行列式判别

对于二元函数,海森矩阵写作:

H=[fxxfxyfyxfyy]H=\begin{bmatrix}f_{xx}&f_{xy}\\f_{yx}&f_{yy}\end{bmatrix}

令:

D=fxxfyy−fxy2D=f_{xx}f_{yy}-f_{xy}^2

在驻点处,可以使用以下规则快速判断:

  • D>0D>0 且 fxx>0f_{xx}>0:局部最小值
  • D>0D>0 且 fxx<0f_{xx}<0:局部最大值
  • D<0D<0:鞍点
  • D=0D=0:二阶判别法无法确定

例如:

f(x,y)=x2+2y2f(x,y)=x^2+2y^2

其唯一驻点为 (0,0)(0,0),海森矩阵为:

H=[2004]H=\begin{bmatrix}2&0\\0&4\end{bmatrix}

两个特征值均为正,因此海森矩阵正定,(0,0)(0,0) 是严格局部最小值。

判别失效的退化情况

如果海森矩阵半正定或半负定且有零特征值,二阶判别没有结论。若已有正、负特征值,则同时存在零特征值仍可判为鞍点。此时二阶项在某些方向上没有提供足够信息,不能仅凭海森矩阵下结论。

例如 f(x,y)=x2+y4f(x,y)=x^2+y^4 与 g(x,y)=x2−y4g(x,y)=x^2-y^4 在原点的海森矩阵都是 diag⁡(2,0)\operatorname{diag}(2,0)。前者在原点取得严格局部最小值。后者沿 xx 轴为正,沿 yy 轴为负,因此原点是鞍点。

遇到这种情况,需要继续考察高阶项,或者直接比较驻点附近的函数值。二阶判别法给出“不确定”,并不等于该点没有极值。

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

局部极值判别

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