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 f′(x)=0f'(x)=0 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 x∗x^* 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

f′(x∗)=0f'(x^*)=0

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 f(x)=x3f(x)=x^3 在 x=0x=0 处有 f′(0)=0f'(0)=0,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。

一维驻点的三种典型形态

因此,解出 f′(x)=0f'(x)=0 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 x∗x^* 附近,如果二阶导数存在,可以使用最常见的二阶判别:

  • f′′(x∗)>0f''(x^*)>0:曲线局部向上弯,x∗x^* 是严格局部极小点。
  • f′′(x∗)<0f''(x^*)<0:曲线局部向下弯,x∗x^* 是严格局部极大点。
  • f′′(x∗)=0f''(x^*)=0:二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 f(x)=x4f(x)=x^4 在原点满足 f′(0)=0f'(0)=0 且 f′′(0)=0f''(0)=0,但原点确实是局部最小点;而 f(x)=x3f(x)=x^3 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

f(x)=x4−4x2f(x)=x^4-4x^2

它的一阶和二阶导数分别为

f′(x)=4x3−8x,f′′(x)=12x2−8f'(x)=4x^3-8x,\qquad f''(x)=12x^2-8

解 f′(x)=0f'(x)=0 可得到三个驻点 x=−2,0,2x=-\sqrt{2},0,\sqrt{2}。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 x=0x=0。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 [l,r][l,r] 上寻找最小值,端点并不需要满足 f′(x)=0f'(x)=0。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 [−3,3][-3,3],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:f′(x)=0f'(x)=0 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。

目录与阅读设置

阅读设置

17

记录一个想法

用导数条件锁定一维驻点

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