当前位置：首页 > news >正文

高等数学下：多元函数微分法及其应用：从曲面到最优化

news 2026/7/3 8:12:14

一、核心概念与基本定义

1. 多元函数极限与连续性

知识点：多元函数（以二元函数 $z = f(x, y)$ 为例）的极限要求点 $P(x, y)$以任何方式趋于 $(x_0, y_0)$ 时，函数值都趋于同一个常数 $A$。这与一元函数的“左右极限”思想类似，但路径从两个方向扩展到了无数条路径。

技巧与判断方法：

证明极限存在：通常使用“ε-δ”语言或两边夹定理。

证明极限不存在：取两条不同的趋近路径（如 $y = kx$, $y = kx^2$），若所得极限值不同或与参数 $k$ 有关，则极限不存在。

# 思想实验：判断 f(x, y) = xy / (x^2 + y^2) 在 (0,0) 处的极限 # 路径1: 沿 y = x 趋近，即 y = x # lim_{x->0} f(x, x) = lim_{x->0} (x*x)/(x^2+x^2) = 1/2 # 路径2: 沿 y = 2x 趋近 # lim_{x->0} f(x, 2x) = lim_{x->0} (2x^2)/(x^2+4x^2) = 2/5 # 两条路径结果不同，故极限不存在。

形象的例子与比喻：
想象一个被风吹拂的山顶旗帜。极限 $A$ 好比是旗杆顶端的固定点。连续性要求：无论你从山坡的哪个方向（东、西、南、北或任何斜坡）无限接近旗杆底部，你看到的旗帜高度都平滑地变为旗杆顶端的高度。如果从某个方向接近时，旗帜突然消失或出现在另一个高度，那么在该点就不连续。

2. 偏导数

知识点：偏导数 $f_x(x_0, y_0)$ 表示在点 $(x_0, y_0)$ 处，仅让 $x$ 变化而将 $y$ 固定时，函数 $f$ 关于 $x$ 的变化率。计算时，将其他变量视为常数进行求导。

重要警示：即使函数在某点各个偏导数都存在，也不能保证函数在该点连续。这是多元与一元微积分的重大区别。

形象的例子与比喻：
观察一个不规则的山丘模型。$f_x$ 相当于你站在山丘上某一点，面朝正东方向（x轴正方向）时，脚下地面的坡度。$f_y$ 则是面朝正北方向（y轴正方向）时的坡度。偏导数只告诉你这两个特定方向的陡峭程度，但山丘在这一点整体上可能有个断崖（不连续），这是仅看两个方向发现不了的。

3. 全微分与可微性

知识点：若函数 $z = f(x, y)$ 在点 $(x_0, y_0)$ 处的全增量$\Delta z$ 可以表示为：
$\Delta z = A\Delta x + B\Delta y + o(\sqrt{(\Delta x)^2 + (\Delta y)^2})$
则称函数在该点可微。其中线性主部 $A\Delta x + B\Delta y$ 称为全微分$dz$，且 $A = f_x(x_0, y_0)$, $B = f_y(x_0, y_0)$。

可微、偏导存在、连续三者的关系（核心技巧）：

条件	能否推出可微？	形象解释
偏导数连续	充分条件：一定能推出可微。	山丘在这一点附近，东西和南北方向的坡度都平滑变化，没有突变，则该点附近的山面可以近似为一个光滑的切平面。
偏导数存在	必要条件但非充分：可微必导致偏导存在，但反之不成立。	你站在一点，东西、南北方向都有明确的坡度（偏导存在），但山面在此点可能有个尖锥或扭曲，导致无法用一个平面很好地近似（不可微）。
函数连续	与可微无直接互推关系。	山丘在这一点没有断裂（连续），但依然可能是尖锥（不可微）。

生动比喻：“切平面”的可行性。可微的几何意义是曲面在该点存在一个不垂直于底面的切平面。这个切平面就像一块平坦的瓷砖，在非常靠近该点的极小区域内，可以近乎完美地贴合曲面。偏导数存在只是保证了沿x轴和y轴方向，这块瓷砖的边缘线与曲面相切。但如果曲面在该点像圆锥的顶点，虽然每个方向都有切线，但这些切线不在同一个平面上，就无法找到一块平整的瓷砖（切平面）贴合它，因此不可微。

二、核心计算方法与应用

1. 多元复合函数求导（链式法则）

知识点：设 $z = f(u, v)$, 而 $u = u(x, y)$, $v = v(x, y)$，则 $z$ 对 $x$ 的偏导为：
$\frac{\partial z}{\partial x} = \frac{\partial z}{\partial u} \cdot \frac{\partial u}{\partial x} + \frac{\partial z}{\partial v} \cdot \frac{\partial v}{\partial x}$
这如同一张依赖关系网，从 $z$ 到 $x$ 的所有路径（$z \to u \to x$ 和 $z \to v \to x$）的导数都需要乘起来，再把不同路径的结果相加。

技巧：画出变量关系树状图，防止漏项。
例子：$z = e^{u}\sin v$, $u = xy$, $v = x + y$。求 $\frac{\partial z}{\partial x}$。

# 计算过程： # ∂z/∂u = e^u * sin v, ∂z/∂v = e^u * cos v # ∂u/∂x = y, ∂v/∂x = 1 # 代入链式法则： ∂z/∂x = (e^u * sin v) * y + (e^u * cos v) * 1 = e^{xy}[y * sin(x+y) + cos(x+y)]

2. 隐函数求导

知识点：由方程 $F(x, y, z) = 0$ 确定的隐函数 $z = z(x, y)$，其偏导数可通过方程两边直接对 $x$ 或 $y$ 求偏导得到，将 $z$ 视为 $x, y$ 的函数。

技巧：牢记“$z$ 是 $x, y$ 的函数”，遇到 $z$ 时要用链式法则。
例子：方程 $x^2 + y^2 + z^2 - 3xyz = 0$ 确定 $z$ 为 $x, y$ 的函数，求 $\frac{\partial z}{\partial x}$。

# 方程两边对 x 求偏导（y视为常数，z视为z(x,y)）： # ∂/∂x (x^2) = 2x # ∂/∂x (y^2) = 0 # ∂/∂x (z^2) = 2z * (∂z/∂x) # 链式法则 # ∂/∂x (-3xyz) = -3y * [x*(∂z/∂x) + z*1] # 乘积法则 # 得到：2x + 2z*(∂z/∂x) - 3y*(x*(∂z/∂x) + z) = 0 # 整理求解：∂z/∂x = (3yz - 2x) / (2z - 3xy)

3. 方向导数与梯度

知识点：方向导数 $\frac{\partial f}{\partial \vec{l}}$ 表示函数在点 $P$ 沿某一方向 $\vec{l}$（单位向量）的变化率。梯度 $
abla f = (f_x, f_y)$ 是一个向量。

核心关系（重要技巧）：方向导数等于梯度在该方向单位向量上的投影：$\frac{\partial f}{\partial \vec{l}} =
abla f \cdot \vec{l}^0 = |
abla f| \cos\theta$，其中 $\theta$ 是梯度与方向 $\vec{l}$ 的夹角。

结论与比喻：

梯度方向是函数值增加最快的方向，反方向是减少最快的方向。
沿与梯度垂直的方向，方向导数为0，函数值变化最慢。
形象比喻：梯度 $
abla f$ 就像山丘上某一点的最陡上坡方向指示箭头。它的方向指向坡度最陡的上坡路，它的模长 $|
abla f|$ 代表了这条最陡路的陡峭程度。如果你拿着一个指南针（方向 $\vec{l}$），方向导数就是指南针所指方向的上坡坡度。显然，当指南针指向梯度方向时，坡度最大。

4. 多元函数极值

知识点：

必要条件（找驻点）：可微函数在极值点处，必有 $f_x = 0$ 且 $f_y = 0$。满足此条件的点称为驻点。
充分条件（判别驻点类型）：设 $A = f_{xx}(x_0, y_0)$, $B = f_{xy}(x_0, y_0)$, $C = f_{yy}(x_0, y_0)$，令 $\Delta = AC - B^2$。
条件结果
$\Delta > 0$ 且 $A > 0$ 极小值
$\Delta > 0$ 且 $A < 0$ 极大值
$\Delta < 0$ 不是极值点（鞍点）
$\Delta = 0$ 方法失效，需用其他方法判定

条件	结果
$\Delta > 0$ 且 $A > 0$	极小值
$\Delta > 0$ 且 $A < 0$	极大值
$\Delta < 0$	不是极值点（鞍点）
$\Delta = 0$	方法失效，需用其他方法判定

技巧：解方程组 $\begin{cases} f_x = 0 \ f_y = 0 \end{cases}$ 求得所有驻点，再逐点计算 $A, B, C, \Delta$ 进行判别。
形象例子：“马鞍面”$z = x^2 - y^2$。在驻点 $(0,0)$ 处，沿x轴方向（$y=0$）看，$z=x^2$，是极小形状；沿y轴方向（$x=0$）看，$z=-y^2$，是极大形状。因此该点既非极大也非极小，是一个鞍点（$\Delta < 0$）。

5. 条件极值（拉格朗日乘数法）

知识点：求函数 $z = f(x, y)$ 在约束条件 $\varphi(x, y) = 0$ 下的极值。
方法：构造拉格朗日函数 $L(x, y, \lambda) = f(x, y) + \lambda \varphi(x, y)$，然后解方程组：
$\begin{cases}
L_x = f_x + \lambda \varphi_x = 0 \
L_y = f_y + \lambda \varphi_y = 0 \
L_\lambda = \varphi(x, y) = 0
\end{cases}$
解出的 $(x, y)$ 即为可能的条件极值点。

技巧：引入的 $\lambda$ 是辅助变量，解方程后通常不需要求出其具体值。
生动比喻：想象你在一个山谷（函数 $f$ 的图形）里行走，但被规定必须沿着一条蜿蜒的小路（约束条件 $\varphi=0$）前进。你的目标是找到这条小路上的最高点或最低点。拉格朗日乘数法相当于告诉你，在小路的极值点处，山谷的等高线（$f$的梯度）与小路的切线方向（$\varphi$的梯度）必须是平行的。$\lambda$ 就是这两个梯度向量的比例系数。