AI 与工程数学 / 系统课时
用导数条件锁定一维驻点
用导数条件锁定一维驻点
对于可微的一维目标函数,导数可以直接告诉我们函数在当前位置的变化趋势。求解 能快速得到驻点候选,但驻点并不等于极小点,还必须结合二阶导数、邻域行为以及搜索区间的边界一起判断。
学习目标
- 使用一阶必要条件求出一维函数的驻点候选
- 用二阶导数区分局部极小、局部极大和无法直接判定的情况
- 在有界搜索区间中把驻点与边界点一起比较,避免漏掉最优解
一阶导数只能找到候选点
若 是可微函数内部的局部极小点,并且不存在不可微等特殊情况,那么通常必须满足
这个条件是必要条件而不是充分条件。也就是说,局部极小点通常是驻点,但满足导数为零的点不一定是局部极小点。
例如 在 处有 ,但函数穿过原点后仍保持单调增加,所以这里既不是局部极小,也不是局部极大。

因此,解出 之后只能得到需要进一步检查的候选集合,不能立即宣布优化完成。
二阶导数判断局部形态
在驻点 附近,如果二阶导数存在,可以使用最常见的二阶判别:
- :曲线局部向上弯, 是严格局部极小点。
- :曲线局部向下弯, 是严格局部极大点。
- :二阶条件无法给出结论,需要检查更高阶导数或直接研究邻域函数值。
最后一种情况尤其容易被误判。例如 在原点满足 且 ,但原点确实是局部最小点;而 同样满足这两个等式,原点却不是极值点。
用数值例子验证一阶和二阶条件
考虑
它的一阶和二阶导数分别为
解 可得到三个驻点 。下面直接计算这些点的函数值和二阶导数。
python
import math
def f(x):
return x ** 4 - 4 * x ** 2
def second_derivative(x):
return 12 * x ** 2 - 8
stationary_points = [-math.sqrt(2), 0.0, math.sqrt(2)]
for x in stationary_points:
curvature = second_derivative(x)
if curvature > 0:
kind = "局部最小"
elif curvature < 0:
kind = "局部最大"
else:
kind = "二阶条件无法判定"
print(
f"x={x:.6f}, f={f(x):.6f}, "
f"f''={curvature:.6f}, 判定={kind}"
)预期输出
text
x=-1.414214, f=-4.000000, f''=16.000000, 判定=局部最小
x=0.000000, f=0.000000, f''=-8.000000, 判定=局部最大
x=1.414214, f=-4.000000, f''=16.000000, 判定=局部最小一阶条件负责找到三个驻点,二阶条件进一步排除了 。这里两个局部极小点具有相同函数值,因此都可以成为无约束问题的最优解。
有边界时还要检查端点
若问题改成在有限区间 上寻找最小值,端点并不需要满足 。完整候选集合应由区间内部可行驻点、不可微候选点以及两个边界点组成,再直接比较函数值。
继续把上面的函数限制在 ,检查驻点和两个端点:
python
import math
def f(x):
return x ** 4 - 4 * x ** 2
candidates = [-3.0, -math.sqrt(2), 0.0, math.sqrt(2), 3.0]
values = [(x, f(x)) for x in candidates]
best_value = min(value for _, value in values)
for x, value in values:
print(f"x={x:.6f}, f(x)={value:.6f}")
print(f"区间最小函数值 = {best_value:.6f}")预期输出
text
x=-3.000000, f(x)=45.000000
x=-1.414214, f(x)=-4.000000
x=0.000000, f(x)=0.000000
x=1.414214, f(x)=-4.000000
x=3.000000, f(x)=45.000000
区间最小函数值 = -4.000000这也是使用导数法时最重要的边界意识: 只负责发现内部驻点。只要优化域包含边界、不可微点或导数不存在的位置,就必须把这些位置纳入候选集合,再通过函数值或更完整的局部条件作最终判断。
按自己的节奏,确认真正理解。