w wyl123ly 的博客
MD

8-5-多元函数极值与拉格朗日乘数法

86 KB 2026.10.17 原文件

---

title: 8-5-多元函数极值与拉格朗日乘数法

aliases:

  • 多元函数极值
  • 拉格朗日乘数法
  • 条件极值
  • Lagrange Multiplier
  • Hessian

tags:

  • 类型/教程
  • 微积分/多元微分

created: 2026-10-12

updated: 2026-10-12

level: 高级

chapter: "8.5"

prerequisites:

  • "8-2-偏导数与全微分"
  • "4-4-单调性与极值"

sources:

  • https://www.wiley.com/en-us/The+Calculus+Lifesaver%3A+The+Complete+Guide+to+Calculus+and+Its+Applications-p-9780470181222
  • https://mathworld.wolfram.com/LagrangeMultiplier.html
  • https://ocw.mit.edu/courses/18-02sc-multivariable-calculus-fall-2010/

8-5-多元函数极值与拉格朗日乘数法

一句话概括

一元求极值只有一种「嫌疑点」:驻点();多元求极值的嫌疑点也只有一个必要条件——梯度为零:。但「」在一元里几乎就是极值的代名词(加上端点与不可导点),在多元里却远远不够:它可能是极大、极小,也可能是鞍点,而这三种情况要靠二阶偏导(海森矩阵)来区分。

更精彩的是带约束的情形:要在一条曲线 上找 的极值,不能再用 ,而要在「约束曲线与等高线相切」的位置去找——这就是拉格朗日乘数法(Lagrange multipliers):。

本篇覆盖:无条件极值的定义与必要条件、海森矩阵与二阶判别法、有界闭区域上求最值的完整流程、条件极值与拉格朗日乘数法(含两个证明)、多个约束与多个变量的推广、判别式失效时的处理方法(含配方法)、应用(距离、体积、不等式证明、经济学)。

一、定义

1.1 从一元极值到多元极值

一元极值的定义(见 4-4-单调性与极值):

是 的极大值点,若存在 ,使 时 。

把这个定义中的「」换成「」,就得到多元极值的定义——形式完全一样,只是邻域从一个区间变成了一个圆盘。

1.2 极值的定义

定义 8.1(极大值、极小值)

设函数 在点 的某个邻域内有定义。若存在 ,使得对该去心邻域内的一切点 (即 ,且 在 的定义域内),都有

则称 在 处取得极大值(local maximum), 称为极大值点, 称为极大值。

若不等式反向(),则称 在 处取得极小值(local minimum)。

极大值与极小值统称极值(extremum),极大值点与极小值点统称极值点。

四个必须注意的细节:

  1. 「局部」的含义。 极值是「在 附近」的性质,与远处的函数值无关:只要 附近的函数值都比 小,它就是极大值点——哪怕在定义域的另一头还有高得多的山峰。因此一个函数可以有多个极大值、多个极小值,而不同极值点之间的数值大小没有必然关系:一个极小值完全可能比另一个极大值更大。

一个可以自己动手验证的一元例子:取两个分离的抛物片段拼成

在 处它是极大值 ;在 处它是极小值 。极小值 远大于极大值 。 这个例子说明:极值的数值大小完全由局部形状决定,与其他极值点无关。

二元例子: 在原点 ,但它是鞍点;而 的鞍点在 处、函数值 ——鞍点的「高度」可以任意,这更说明「用数值大小判断极值类型」是完全错误的思路。

关键认识:极值是局部概念,只有「最值」才是全局概念;判断极值类型必须看二阶偏导(局部弯曲方向),不能看函数值本身的大小。

  1. 定义用的是严格不等号。 也有教材用 与 (称为「非严格极值」)。本库采用严格版本,以授课教材为准。
  2. 必须是定义域的内点。 边界点上的极值讨论要额外小心(有界闭区域上的最值可能取在边界,但那不叫「极值」而叫「最值」)。
  3. 极值 vs 最值。 极值是局部的、可以有多个;最值是整体的、至多一个最大一个最小。

对比项 | 极值 | 最值

---|---|---

范围 | 局部(某邻域内) | 整体(整个定义域)

个数 | 可以有多个 | 最多一个最大值、一个最小值

存在性 | 不一定存在 | 在有界闭区域上必存在(见 8-1-多元函数的概念与极限连续 定理 8.9)

与边界的关系 | 只在内点谈 | 可能在边界上取得

1.3 驻点

定义 8.2(驻点,stationary point)

若 且 ,即

则称 为 的驻点(stationary point),也叫临界点(critical point)。

驻点的几何含义:曲面在该点的切平面是水平的(因为 )。

一元的对应物是「 的点」(水平切线)。一元里叫「驻点」,多元里也叫「驻点」——这个名字来自力学:放在驻点处的质点受力为零(力 = ),所以静止不动。

1.4 海森矩阵

定义 8.3(海森矩阵,Hessian matrix)

设 有二阶连续偏导数,则称矩阵

为 在 处的海森矩阵。

在混合偏导连续的前提下 ,所以 是对称矩阵。

三元情形:

为什么要引入矩阵? 因为海森矩阵是 在 处的二阶泰勒展开的系数矩阵:

在驻点处 ,所以函数在附近的行为完全由二次型 决定:

  • 二次型恒正(正定) 向上弯的碗 极小值;
  • 二次型恒负(负定) 向下弯的碗 极大值;
  • 二次型可正可负(不定) 马鞍 鞍点;
  • 二次型半正定或半负定(有零特征值) 二阶信息不足 判别法失效。

这就是二阶判别法的全部原理。 二元情形的判别式 正是海森矩阵的行列式。

1.5 条件极值

定义 8.4(条件极值,constrained extremum)

求函数 在约束条件(constraint)

下的极值,称为条件极值问题。相应地, 称为目标函数(objective function), 称为约束条件(或约束方程)。

对比:没有约束条件的极值问题称为无条件极值(unconstrained extremum)。

为什么条件极值不能简单套用 ? 因为约束把可行点限制在一条曲线 上,而 的驻点很可能不在这条曲线上。例如求「单位圆上 的最大值」: 的无条件驻点根本不存在(),但约束下的最大值显然存在(在 处取到 )。

定义 8.5(拉格朗日函数,Lagrangian)

对约束 下的目标函数 ,构造

称为拉格朗日函数,其中 称为拉格朗日乘数(Lagrange multiplier)。

有了 ,条件极值问题就转化成一个无条件极值问题:求三元函数 的驻点。

前两式合起来就是 (即 ),第三式就是约束本身。三个方程、三个未知数 。

二、几何直观

2.1 山峰、谷底与鞍部

把 当成一片地形。极值点的图像特征是:

  • 极大值点:像山峰。从这一点往任何方向走,都要下坡。用水平面去截,附近的等高线是一圈圈套住它的闭合曲线,且越靠里越高。
  • 极小值点:像谷底。往任何方向走都要上坡。等高线也是套住的闭合曲线,但越靠里越低。
  • 鞍点:像山口(垭口)。沿一个方向(山脊方向)走要下坡,沿垂直方向(山谷方向)走要上坡。等高线在附近呈双曲线状,两条渐近线就是「脊线」与「谷线」。

最容易记住的一幅图是马鞍:。骑在马鞍上,前后( 方向)是往下滑的,左右( 方向)是往上爬的——所以马鞍的中心既不是最高点也不是最低点,而是「鞍部」。

2.2 用「切片」判断极值(一元化视角)

要从图像上判断一个驻点是不是极值,一个好办法是切两刀:

第一刀:切 ,得一元函数 。若 在 处是极小,说明沿东西方向是「谷底」;若是极大,说明沿东西方向是「山脊」。

第二刀:切 ,得 。同理判断沿南北方向的形态。

四种组合:

东西方向() | 南北方向() | 结论 | 判别式

---|---|---|---

极小() | 极小() | 极小值 | ,,

极大() | 极大() | 极大值 | ,,

极小 | 极大 | 鞍点 |

极大 | 极小 | 鞍点 |

这就解释了判别式 的来历: 是东西方向的二阶导(弯曲方向), 是南北方向的,而 度量的是「扭曲程度」——扭曲越大,越容易把两个方向的信息搅在一起,从而破坏极值。

判别式三句话

:两个方向的弯曲同号,是真正的峰或谷(再看 的符号定极大极小)。

:两个方向的弯曲不同号,是鞍点。

:至少有一个方向是「平的」( 或 ),二阶信息不足,必须用更高阶的信息判断。

2.3 条件极值:等高线与约束曲线相切

这是本篇最漂亮的一幅图。

考虑「在曲线 上求 的最大值」。把 的等高线和约束曲线画在同一张 平面上。

关键观察:当你沿着约束曲线 走动时,你不断穿越 的不同等高线。只要约束曲线还在「横穿」等高线,你就能继续往 更大的等高线走(因为横穿意味着可以朝更高的一侧移动)。

什么时候停下来? 当约束曲线不再横穿某条等高线,而是与它相切的那一刻。此时你沿着约束曲线无论往哪个方向走,都只能「滑过」这条等高线,无法进入更高的一侧。

所以条件极值的几何条件是:约束曲线与等高线相切。

而「两曲线相切」= 「两曲线的法向量平行」= 「两梯度平行」:

这就是拉格朗日乘数法的几何来源。

一句话记住拉格朗日乘数法

要在地图的某条路(约束曲线)上找最高点,就在「路与等高线相切」的地方找。

相切的代数表达是「两曲线的法向量平行」,而 的等高线法向量是 ,约束曲线 的法向量是 ,所以条件是 。

再看乘数 的意义: 是「约束放宽一点,最优值能提高多少」的度量——即影子价格(shadow price)。严格地说,(若约束写成 的形式),其中 是最优值。这个解释在经济学中极其重要(拉格朗日乘数 = 约束的影子价格)。

2.4 「相切」的一个具体例子

求「单位圆上 的最大值」。

  • 的等高线是直线族 (斜率为 的平行直线);
  • 约束是单位圆 ;
  • 沿着圆走,直线 的 值不断变化;
  • 最大值出现在直线与圆相切的位置——即 取到「直线刚好碰到圆」的那个值。

相切时,直线的法向量 与圆在切点处的法向量(沿半径方向 )平行:

结合 得 。代入 :

  • 在 :(最大);
  • 在 :(最小)。

几何上: 是斜率 的直线中「刚好碰到单位圆」的那条——它与圆相切于第一象限的 点。

2.5 用等高线图预判极值的位置与类型

给你一张等高线图,怎么快速找出极值点?

等高线特征 | 对应的点 | 类型

---|---|---

一圈圈闭合曲线收缩到一点,越往内标号越大 | 山峰 | 极大值点

一圈圈闭合曲线收缩到一点,越往内标号越小 | 谷底 | 极小值点

两组双曲线状曲线以两条相交直线为渐近线 | 山口 | 鞍点

等高线突然变得极密 | 陡坡 | 梯度很大(不是极值点)

等高线在某处消失 | 可能在边界上 | 需先判断是否在定义域内

规则:极值点必是等高线「收缩点」或「鞍点」,而这两种都可以从图上直接看出来。这也解释了为什么 是必要条件——在等高线收缩或十字交叉的地方,切平面必然是水平的。

三、性质与定理

3.1 极值的必要条件

定理 8.1(极值的必要条件)

若函数 在点 处取得极值,且在该点处两个偏导数都存在,则

即 , 是驻点。

证明 设 是极大值点。取足够小的 ,使邻域内一切点都有 。特别地,对满足 的 ,取 ,得

这说明一元函数 在 处取得极大值。由一元极值的必要条件(费马定理),即 。

同理(取 )得 。极小值情形同理。

适用条件 ① 要求偏导数存在。偏导数不存在的点也可能是极值点(如 在原点,见例题 11)。② 这只是必要条件,驻点不一定是极值点(如 在原点)。

求无条件极值的「完整嫌疑点清单」

一元里嫌疑点是「驻点 + 不可导点 + 端点」。多元里对应的是:

① 驻点();

② 偏导数不存在的点(如锥顶、折脊);

③ 若在有界闭区域上求最值,还要加上边界上的点。

只找驻点会漏掉解——这是初学者最常见的失误。

3.2 极值的充分条件(二阶判别法)

定理 8.2(二元函数极值的充分条件, 判别法)

设 在驻点 的某邻域内有二阶连续偏导数,记

则

① 若 ,则 是极值点:

当 (等价于 )时, 是极小值;

当 (等价于 )时, 是极大值。

② 若 ,则 不是极值点( 是鞍点)。

③ 若 ,判别法失效,需要用其他方法(配方法、泰勒展开、沿特殊路径考察等)判定。

证明思路(核心是泰勒展开) 在 处 ,由二阶泰勒公式( 充分小):

记二次型 。配方:

- 若 且 :右端两项都 ,且当 时严格 ,即 正定,故 ,是极小值。

- 若 且 :同理 负定,是极大值。

- 若 且 :取 得 (符号由 定),取 得 (符号与 相反),故 在两条直线上符号相反,不定,是鞍点。

的情形可用对称的配方(对 配方)或直接看 :若 则不定;若 则 半定,属于情形 ③。

适用条件

① 必须先确认 是驻点(否则判别式无意义);

② 要求二阶偏导连续(保证 ,从而 对称,判别式的结论才成立);

③ 时不能下任何结论——既不能说有极值,也不能说没有。

定理 8.3( 元情形的判别法:海森矩阵的正定性)

设 在驻点 处有二阶连续偏导, 是海森矩阵。则

① 正定 是极小值点;

② 负定 是极大值点;

③ 不定 不是极值点;

④ 半定(有零特征值) 判别法失效。

判断正定性的实用方法(西尔维斯特准则): 正定 各阶顺序主子式全为正

负定的判据是「奇数阶主子式为负、偶数阶为正」。

二元情形的对应: 且 就是「一阶主子式 、二阶主子式 」,正是西尔维斯特准则。

3.3 有界闭区域上求最值的定理依据

定理 8.4(有界闭区域上连续函数的最值)

若 在有界闭区域 上连续,则 在 上必取得最大值与最小值(见 8-1-多元函数的概念与极限连续 定理 8.9)。

求法 最值一定出现在以下三类点中:

① 的内部的驻点或偏导不存在的点;

② 的边界上的极值点(转化为条件极值,常用拉格朗日乘数法或参数化);

③ 的边界曲线上的角点(如多边形区域的顶点)。

证完后必须比较所有候选点的函数值,取最大与最小。注意:极值点不一定是取值最大的点,也不能因为「区域内部只有一个驻点」就断定它是最大值点——必须先有最大值存在的保证(定理 8.4),再比较所有候选点。

3.4 拉格朗日乘数法(一个约束)

定理 8.5(拉格朗日乘数法,一个约束方程)

设 、 在点 的某邻域内有一阶连续偏导数,,且

若 是 在约束条件 下的极值点,则存在实数 ,使得

即

证明(用隐函数求导) 由 ,不妨设 。由隐函数存在定理(见 8-3-多元复合函数与隐函数求导),约束曲线 在 附近可表示为 ,且

把 代入 ,得一元函数 。由于 是约束下的极值点, 在 处取极值,由费马定理 。用链式法则(结构 II):

即

这说明两个向量 与 的对应分量成同一比例,故存在 使

即 。(若 ,则由 知 ,上面的推导直接得到 与 ,结论相同。)

适用条件(关键)  不能省。 若 ,约束曲线的切向量可能退化(奇点),此时条件极值可能出现在「非正则点」上而不满足 (见例题 15)。

定理 8.6(拉格朗日乘数法,多个约束)

若求 在两个约束

下的极值,且 与 线性无关(即两约束曲面在该点横截相交),则存在 使

即构造 ,解五个方程

(其中 、 就是两个约束)。

适用条件  与 线性无关(即 ),否则要单独检查那些「约束退化」的点。

拉格朗日乘数法只给必要条件

是必要条件,不是充分条件。用它可以找出所有候选点,但候选点究竟是不是极值点、是极大还是极小,必须另外判断:

① 若问题是实际应用题且已知最值存在,则可直接根据实际意义下结论;

② 若有多个候选点,比较函数值;

③ 严密的话可以用加边海森矩阵(bordered Hessian)判定,但那属于高等内容,自学阶段知道「有这个方法」即可。

考试中最常用的做法是 ① 和 ②。

3.5 消元法 vs 拉格朗日乘数法

同一个条件极值问题,有两种解法:

方法一:消元法。 从约束 中解出 ,代入 得一元函数 ,再求 。

方法二:拉格朗日乘数法。 构造 ,解方程组。

对比项 | 消元法 | 拉格朗日乘数法

---|---|---

优点 | 概念简单,化为一元问题 | 不需要解出 ,适用面广,约束复杂时优势明显

缺点 | 有时解不出 (隐函数无显式解) | 多一个未知数 ,方程组可能非线性

何时用 | 约束简单、能明显解出变量 | 约束复杂、变量多于两个、多个约束

关系 | 两者数学上等价(定理 8.5 的证明就是「消元 + 费马定理」) | 同左

实用建议

考试中若约束很好解(如 可以直接令 ),消元法更快;若约束含平方项(如 )或多个变量,用拉格朗日乘数法。

注意:消元法要求解出的表达式在整个约束范围内有效(不能只在局部),否则会漏解。

四、计算方法与步骤

4.1 求无条件极值的标准流程

Step 1 求偏导 、。

Step 2 解方程组

得到所有驻点。(别忘了检查偏导数不存在的点。)

Step 3 求二阶偏导 、、,在每个驻点处算出 、、。

Step 4 用判别式 :

  • 且 :极小值;
  • 且 :极大值;
  • :鞍点,不是极值;
  • :判别法失效,转 Step 5。

Step 5(失效时) 用以下方法之一:

  • 配方法(最常用):把 配方成「平方和」或「平方差」的形式;
  • 沿特殊路径考察:若沿某两条路径得到相反的符号变化,则是鞍点;若沿所有考察过的路径都同号,再想办法证明;
  • 高阶泰勒展开:看三阶、四阶项。

Step 6 写出结论(含每个极值点的坐标与极值)。

4.2 求有界闭区域上最值的标准流程

Step 1 画区域 ,明确边界。

Step 2 求 内部的驻点与偏导不存在的点,算出函数值。

Step 3 求 边界上的最值:

  • 若边界是直线段:把它参数化(如 ,),代入 得一元函数,求一元最值;
  • 若边界是曲线:用条件极值(拉格朗日乘数法)或参数化(如圆用 、)。

Step 4 别忘了边界曲线的角点(多边形的顶点)。

Step 5 把所有候选点的函数值列表比较,最大者就是最大值,最小者就是最小值。

为什么必须先确认最值存在

定理 8.4 只对有界闭区域保证最值存在。若区域是开的或无界的,可能根本没有最值(如 在 上),此时「比较候选点」就毫无意义。答题时要先写一句「由 在有界闭区域 上连续,故最值存在」——这是解题的合法性依据。

4.3 拉格朗日乘数法的标准流程

Step 1 把约束写成 的形式(所有项移到一边)。

Step 2 构造 。

Step 3 解方程组

Step 4 (关键技巧)消去 :把前两式整理成

这样就把 消掉了,得到关于 的一个方程。再与 联立求解。

Step 5 把每个候选点代入 ,比较大小,结合实际意义下结论。

解方程组的三个实用技巧

① 先消 :用 (交叉相乘得 ),比直接解 快;

② 利用约束的对称性:若 与 关于 对称,则最优解很可能满足 ,可以先试探,再用它化简;

③ 两边相除:若两式形如 ,可以直接相除得 。注意:相除时要讨论分母为零的情形,别丢解。

4.4 应用题建模的四个步骤

条件极值的应用题(几何、物理、经济)占考试的大头,建模流程是:

Step 1 设变量。 明确每个符号的含义与单位。

Step 2 写目标函数。 要最大化/最小化的量(面积、体积、成本、距离……)。

Step 3 写约束条件。 题目中「固定的量」构成约束(周长固定、体积固定、总预算固定、点在某曲面上……)。

Step 4 用拉格朗日乘数法求解,并结合实际意义判断极大/极小。

建模时的两个常见错误

① 约束写成不等式:如「总面积不超过 」,若已知最优时会把资源用尽,则可写成等式;若不确定,需要讨论边界与内部两种情况。

② 变量取值范围被忽略:如「边长为正」,求解后要检查得到的点是否落在允许范围内。

五、例题

例题 1(计算:基本无条件极值)

求 的极值。

思路 标准四步:求驻点 → 求二阶偏导 → 判别 → 结论。

解

第 1 步:求驻点。

唯一驻点 。

第 2 步:二阶偏导。

故 、、。

第 3 步:判别。

故 是极小值点。

第 4 步:求极值。

第 5 步:配方法验证。

这是两个平方之和,显然在 处取最小值 ✓。

结论  在 处取得极小值 (而且它是全局最小值,因为配方后是两个平方和)。注意:这是个特例,一般函数的极小值只是局部的。

例题 2(计算:有鞍点的情形)

求 的极值。

思路 这是国内教材的经典例题。注意它有两个驻点,且其中一个可能是鞍点。

解

第 1 步:求驻点。 先求偏导:

令它们为零:

代入得 ,即 ,。故 或 。

  • ,得 ;
  • ,得 。

第 2 步:二阶偏导。

第 3 步:判别 。

故 不是极值点(是鞍点)。

第 4 步:判别 。

又 ,故 是极小值点。

第 5 步:求极值。

第 6 步:验算 是鞍点。 沿 :。在 接近 时, 且小时 ; 且小时 ——沿这条线总是负的。沿 :。同一个点附近既有 的点(沿 )又有 的点(沿 ),故 是鞍点 ✓,与判别式结论一致。

结论  在 处取得极小值 ; 是鞍点不是极值点。

例题 3(计算:判别式失效 + 配方法)

求 的极值,并说明判别法在何处失效。

思路 这个函数的判别式在驻点处为零,必须用配方法。

解

第 1 步:求驻点。

唯一驻点 。

第 2 步:二阶偏导并计算判别式。

在 处:、、,故

判别法失效。

第 3 步:用配方法(其实是观察法)。

对一切 成立,等号仅在 处(因为 且 要求 )。

第 4 步:结论。 在 处取得极小值 (而且是全局最小值)。

第 5 步:为什么会失效。 判别式失效的原因是 ——沿 方向的二阶导为零(函数沿 方向的弯曲是四阶的)。二阶信息不足以判断,需要更高阶的信息。 本例中 这一项提供了「向上弯」的四阶信息,所以仍是极小。

结论  在 处取极小值 ,判别法失效(),靠配方/观察得结论。

例题 4(反例构造:判别式失效时既可能极小、也可能极大、也可能是鞍点)

分别举例说明:当 时,驻点可能是①极小值点;②极大值点;③鞍点。

思路 要构造三个在原点处判别式为零、但类型不同的函数。

解

第 1 步:极小值的例子。 取

(这就是例题 3。)在原点:、、,。由 ,原点是极小值点。

第 2 步:极大值的例子。 取

在原点同样的 、、,。由 ,原点是极大值点。

第 3 步:鞍点的例子。 取

在原点:、,都是 ✓ 是驻点;、、,故 。

检验类型:沿 轴():();沿 轴():,当 时为正,当 时为负。

所以在原点附近既有 的点(如 与 ),又有 的点(如 )。故 是鞍点,不是极值点。

结论 三个例子汇总:

函数 | | | | | 类型

---|---|---|---|---|---

| | | | | 极小值

| | | | | 极大值

| | | | | 鞍点

这证明了「 时判别法失效」不是一句空话——三种可能都会发生,必须另行判断。 考试中遇到这种情形,标准做法是配方法或沿特殊路径考察。

例题 5(计算:有界闭区域上的最值)

求 在区域 上的最大值与最小值。

思路 按 4.2 的流程:内部驻点 + 边界(两段:半圆弧 + 直径段)。

解

第 1 步:内部驻点。 在 的内部(,)求驻点:

由第二式, 时 ,即 。代入第一式:,,取 ()。

候选点:、。都在 内 ✓。

第 2 步:半圆弧边界。 ()。用参数化:

代入:

记 ,则 :

这是 的二次函数,开口向上,顶点在 。

端点: 时 ; 时 。

所以圆弧上的最大值为 (在 ,即点 处),最小值为 (在 ,即 处的两点)。

第 3 步:直径段边界。 、。此时

在 上,最小值为 (在 ),最大值为 (在 )。

第 4 步:比较所有候选值。

位置 | 函数值

---|---

内部驻点 |

圆弧上 |

圆弧上 处两点 |

圆弧端点 |

直径段内部 |

第 5 步:结论。 最大值 (在 取得),最小值 (在 取得)。

结论  在 上的最大值为 ,最小值为 。要点:① 边界必须分段处理(圆弧 + 直线段);② 圆弧上的最值通过参数化化为一元问题;③ 最后必须比较所有候选值,不能只看内部驻点。

例题 6(计算:拉格朗日乘数法求距离)

求原点到平面 的最短距离。

思路 目标函数是距离(为方便可取距离的平方),约束是平面方程。

解

第 1 步:设目标与约束。 点 到原点的距离平方为

约束为 。(用距离的平方而不是距离,是为了避免根号,且不影响最值点——因为平方函数在 上单调递增。)

第 2 步:构造拉格朗日函数。

第 3 步:列方程组。

第 4 步:解方程组。 由前三式得

代入约束:,故

第 5 步:求距离。

第 6 步:用点到平面距离公式复核。 点 到平面 的距离:

结论 最短距离为 ,最短距离点为 。几何验证:这个点正是平面在第一卦限的「中心」,而原点到平面的垂足就是它 ✓。

例题 7(计算:乘积最大的问题)

设 且 。求 的最大值。

思路 经典的条件极值问题,也是 AM-GM 不等式的分析证明。这里既可以用消元法,也可以用拉格朗日乘数法。

解

方法一(拉格朗日乘数法)。

第 1 步:构造。

第 2 步:方程组。

第 3 步:消去 。 由前两式:,因 得 。由第二、三式:,因 得 。故

代入约束得 。

第 4 步:求值。

方法二(消元法)。 由 代入:

对其求偏导并令零:

(在区域内部 处。)由第一式 ,第二式 ,两式相减得 ,再代回得 ,, ✓。

第 5 步:判断是最大值(而非最小值)。 在区域 、 的边界上(如 ),。而内部驻点的值 ,故它是最大值。(也可用二阶判别:,、、,在 处 、、, 且 ,故为极大值 ✓。)

结论 最大值为 ,在 处取得。这正是 AM-GM 不等式 的等号情形。一般化:、 时 的最大值为 ,在 处取得。

例题 8(概念辨析:驻点未必是极值点)

判断:① 若 是 的极值点,则 ;② 若 ,则 是 的极值点;③ 极值点一定是最大值点或最小值点。

思路 逐条检验定义与定理 8.1、8.2。

解

第 1 步:① 需要补条件。 定理 8.1 要求「偏导数存在」。反例: 在原点取最小值 (因为 ),但 、 都不存在(见 8-2-偏导数与全微分 例题 11),故 无意义。所以正确的说法是:「若 是极值点且偏导存在,则 」。

第 2 步:② 错误。 反例:。,在 处为零,故 是驻点。但沿 :();沿 :。附近既有比 大的点,也有比它小的点,故 不是极值点(是鞍点)。用判别式检验:、、, ✓。

第 3 步:③ 错误。 反例:。它的驻点:;。两个驻点 。

判别:、、。

  • 在 :、、,,,极小值 ;
  • 在 :、、,,鞍点。

所以 是极小值点,但 在全平面无下界( 时 ),故它不是最小值点。同理 型的极大值也不一定是最大值。更简单的一元类比: 在 处取局部极小值 ,但全局下确界是 。

结论 ① 需要补「偏导存在」的条件;② 错( 的反例);③ 错(极值是局部概念)。记住三句话:极值点必是驻点(若偏导存在);驻点未必是极值点;极值未必是最值。

例题 9(计算:判别式失效时的配方法)

求 的极值。

思路 先按标准流程走,发现判别式失效,用配方法。

解

第 1 步:求驻点。

由 得 。代入 :,得 ,故 。

唯一驻点 。

第 2 步:二阶偏导。

在 处:、、,

判别法失效。

第 3 步:配方法。

第 4 步:分析。 这是两个非负项之和,且它们不能同时为零(除非 ):

  • ,等号当且仅当 ;
  • ,等号当且仅当 。

若 ,则需 且 ,即 。所以对一切 ,

第 5 步:结论。 在 处取得极小值 (且是全局最小值)。

结论 极小值 ,判别法失效后靠配方成功判断。配方法的要点:把 整理成「若干个平方项之和」或「平方项之差」的形式。若是平方和(且同时为零只在 发生),则为极小;若是平方差,则为鞍点;若配方后出现奇次项(如 ),则需要沿路径考察。

例题 10(概念辨析:条件极值与无条件极值)

求 在约束 下的最小值。并回答:能否直接令 求解?

思路 对比两种方法的适用性。

解

第 1 步:尝试直接令 。

但 不满足约束 ()。所以无条件驻点不在可行集上,直接令 完全无效。

第 2 步:用拉格朗日乘数法。 令 ,构造

方程组:

由前两式得 ,代入第三式得 ,即 。

第 3 步:求最小值。

第 4 步:用消元法复核。 由 得 ,这是开口向上的二次函数,最小值在 处,值为 ✓。

第 5 步:几何解释。 直线 上离原点最近的点是 ,距离为 ,距离平方为 ✓。这里「等高线(同心圆)与直线相切」的位置正是 。

结论 约束下最小值为 ,在 处取得。关键认识:条件极值不能用 ,必须用 。 只有当无条件驻点恰好落在约束曲线上时,两者才会重合。

例题 11(概念辨析:极值点在偏导数不存在的点)

求 的极值点,并说明为什么它不在「」的候选点里。

思路 这是「嫌疑点清单第 ② 类」的典型例子。

解

第 1 步:判断原点的类型。 对一切 成立,故 是极小值点(而且是最小值点),极小值为 。

第 2 步:求驻点。 当 时,

令它们为零,得 且 ,但 处这两个表达式无定义。所以在定义域 内, 没有驻点。

第 3 步:检查原点的偏导数。

左右极限分别为 与 ,不存在。同理 不存在。

第 4 步:结论。

极值点是 (极小值 ),但 不存在——它属于「偏导数不存在的极值点」这一类。

第 5 步:几何图像。 曲面 是一个圆锥面(顶点在原点,半顶角 )。原点是锥顶,是一个尖点:曲面在这里不光滑(没有切平面),所以不可能有「水平切平面」—— 无从谈起。但尖点显然是整个锥面的最低点。

结论 极小值点 ,极小值 ,但该点偏导数不存在。教训:求极值时,除了驻点,还必须检查偏导数不存在的点。一元里的类比是 在 处取极小值但不可导。这是「必要条件」而非「充要条件」的另一个体现。

例题 12(计算:两个约束的拉格朗日乘数法)

求 在约束

下的最大值与最小值。

思路 单个约束,三元函数。可以用拉格朗日乘数法,也可以用柯西不等式。

解

方法一(拉格朗日乘数法)。

第 1 步:构造。

第 2 步:方程组。

第 3 步:解。 由前三式:

代入约束:

故 。

第 4 步:求两组解。 取 :

取 :

第 5 步:求函数值。 在 处:

在相反点处 。

方法二(柯西不等式复核)。

故 ,等号当且仅当 且 ,即 ✓。

结论 最大值为 (在 处),最小值为 (在相反点处)。几何含义: 是常向量与单位球面上点的点积,最大值出现在「同向」的位置,值等于该向量的模 ——这正是柯西不等式的等号条件。

例题 13(计算:几何应用——体积最大的长方体)

在表面积为 ()的所有长方体中,求体积最大者的尺寸。

思路 设三边长为 ,表面积约束 ,目标 。

解

第 1 步:设变量与约束。 三边 ;表面积

目标 。

第 2 步:构造拉格朗日函数。 为简化计算,取对数目标 (为什么可以取对数: 单调递增,所以 与 在同一个点取最大;而 的导数形式更简单)。

第 3 步:方程组。

第 4 步:消去 。 由前两式:

因 ,得 。

同理比较第一、三式得 。故

第 5 步:求值。 代入约束:,故 。

第 6 步:用 AM-GM 复核。 由 与 AM-GM:

故 ,即 ,等号当且仅当 ,即 ✓。

结论 体积最大的长方体是正方体,边长为 ,最大体积 。这是「等周问题的对偶版本」:表面积固定时,正方体体积最大——这与二维的「周长固定时正方形面积最大」完全平行。

例题 14(概念辨析:为什么 且 是极大)

从泰勒展开出发,解释为什么 时, 的符号决定了极大还是极小。

思路 考察二阶泰勒展开的二次型。

解

第 1 步:写出二阶泰勒展开。 在驻点 处 ,故

其中 、、。

第 2 步:分析二次型 。 把它写成矩阵形式:

第 3 步: 意味着什么。 对称矩阵 的两个特征值之积等于行列式 ,之和等于迹 。

说明两个特征值同号(乘积为正)。又 与它们同号。于是:

  • 若 :迹 (因为由 知 与 同号,故 ),两个特征值都为正, 正定,(),故 ,极小值。
  • 若 :同理 ,两个特征值都为负, 负定,,极大值。

第 4 步:为什么「 的符号」就够用。 因为 已经保证 与 同号,所以只需看 (或 )一个的符号。

第 5 步: 时。 两个特征值异号, 在一条特征方向上为正、在另一条上为负,故在 的任意邻域内既有 的点又有 的点,不是极值点。

结论  是海森矩阵的行列式, 是它的(1,1)元。行列式为正说明「两个特征值同号」, 的符号说明「同为正还是同为负」,从而定下极值的类型。这就是判别法的完整逻辑。

例题 15(定理理解:拉格朗日乘数法前提失效的反例)

求 在约束 下的极值,并说明拉格朗日乘数法在何处失效。

思路 约束曲线 在原点有一个尖点,而 ——约束的梯度为零,正是定理 8.5 的前提失效之处。

解

第 1 步:直接分析约束曲线。 由 得 。且 (对 的偶函数,关于 轴对称,在原点有尖点)。

在约束上,,且当 时 。

所以约束下 的最小值为 ,在 处取得; 无最大值( 时 )。

第 2 步:试用拉格朗日乘数法。

方程组:

由第一式: 或 。

  • 若 :第二式变成 ,矛盾;
  • 若 :由约束得 ,代入第二式得 ,矛盾。

方程组无解! 拉格朗日乘数法找不到任何候选点,而最小值确实存在(在原点)。

第 3 步:诊断原因。 在极小值点 处,

约束的梯度为零,违反了定理 8.5 的前提「」。

第 4 步:几何解读。 约束曲线 在原点有一个尖点(cusp):由 得 ,在 上 ,当 时 ——曲线在原点处切线竖直,左右两支以竖直方向的切线汇合。而 的等高线是水平直线 ,沿约束曲线往原点走时 单调减小,最小值就落在那个尖点上。由于该点处约束的梯度退化为零向量,定理 8.5 所要求的「两曲线相切」这一条件在此处根本无法写出,于是拉格朗日乘数法把解漏掉了。

第 5 步:正确的做法。 用拉格朗日乘数法时,必须额外把所有满足 的点列入候选。这里 只在 成立,且 满足约束(),故 是一个候选点, 确为最小值。

结论  在约束 下的最小值为 (在 处),但拉格朗日乘数法自身的方程组无解,因为该点处 (约束退化)。这说明了「」这个前提的必要性。 实践中遇到这种情形,必须单独检查所有使 的点(称为约束的奇点),把它们作为额外的候选点。

例题 16(计算:条件极值证明不等式)

用条件极值证明:对任意实数 ,

并指出等号成立的条件。

思路 把右边固定为 (约束 ),求左边 的最大值。

解

第 1 步:设定问题。 固定 ,在约束 下求 的最大值。

第 2 步:拉格朗日乘数法。

第 3 步:消去 。 当 时,两式相除:

第 4 步:求函数值。 代入约束:

  • :,;
  • :同理 。

(还需检查 或 的情形:此时 ,不是最值。)

第 5 步:结论。 在圆 上, 的最大值为 ,最小值为 。因此

等号成立当且仅当 (即 )。

第 6 步:用代数法复核。 由 得 ;由 得 。合并即得结论 ✓。

结论 不等式成立,等号在 时取得。这个例子的意义:它展示了「用条件极值证不等式」的通用套路——把要证的不等式看成「在某约束下求某量的最值」。后面还会遇到更复杂的例子(如证明 型的不等式)。

例题 17(计算: 且需要沿路径考察)

求 的极值。

思路 先按流程走,判别式失效后,用因式分解看出真相。

解

第 1 步:求驻点。

令 : 或 。令 : 或 。

分情况:

  • 且 :得 ;
  • 且 :仍是 ;
  • 且 :得 ,即 ;
  • 且 :自动满足,即直线 上的一切点都是驻点!

于是驻点集合是 ——无穷多个驻点。

第 2 步:因式分解。 注意到

这是一个完全平方! 故 对一切 成立,且 当且仅当 ,即 。

第 3 步:结论。 在直线 与 上的每一点, 都取得极小值 (而且是全局最小值);其他点处 。

第 4 步:为什么判别式会失效。 在驻点 (1,1) 处计算:

判别式失效——而这正是「有一整条直线上的驻点」的必然结果:沿着这条直线方向,函数是「平的」(四阶的),二阶信息为零。

结论  在两条直线 上处处取得(全局)极小值 ,判别式在所有这些点都失效。要点:遇到判别式失效,先试试因式分解或配方——很多时候因式分解能把真相一目了然地摆出来。这个例子还说明:极值点可以有无穷多个(不必是孤立点)。

六、应用

6.1 几何最值问题

多元极值在几何中的应用极其广泛,通用套路是:

问题类型 | 目标函数 | 约束条件

---|---|---

距离最短(点到曲面) | | 曲面方程

体积最大(表面积固定) | |

表面积最小(体积固定) | |

面积最大(周长固定) | |

内接长方体最大体积(椭球内) | |

经典结论汇总(都可以用拉格朗日乘数法证明):

  • 周长固定时,正方形面积最大(或:面积固定时正方形周长最小);
  • 表面积固定时,正方体体积最大(例题 13);
  • 体积固定时,正方体表面积最小;
  • 给定斜边时,等腰直角三角形的面积最大;
  • 椭球 内接长方体的最大体积为 。

6.2 经济学:效用最大化与成本最小化

效用最大化问题。 消费者有两种商品,价格 ,收入 ,效用函数 :

拉格朗日乘数法给出

经济含义:每花一元钱在两种商品上带来的边际效用相等。这正是「消费者均衡条件」。

的含义。 是「收入增加一元时效用增加多少」——即收入的边际效用,在经济学中就是影子价格。更一般地,拉格朗日乘数就代表「约束的影子价格」。

6.3 最小二乘法(线性回归)

给定数据点 (),要用直线 拟合。定义残差平方和

要最小化 。令

这两个方程(正规方程,normal equations)给出唯一的驻点;再由二阶条件( 是 的二次函数,且 、判别式 )知它是极小值点。

这就是最小二乘法的全部数学——一个二元函数的无条件极值问题。而这正是「多元极值最有用的应用之一」:机器学习的线性回归、数据拟合全靠它。

6.4 用 numpy 求极值

本示例只用 numpy。

import numpy as np

def f(x, y):
    return x**3 + y**3 - 3*x*y

def grad(x, y):
    return np.array([3*x**2 - 3*y, 3*y**2 - 3*x])

def hess(x, y):
    return np.array([[6*x, -3], [-3, 6*y]])

for p in [(0.0, 0.0), (1.0, 1.0)]:
    g = grad(*p)
    H = hess(*p)
    det = np.linalg.det(H)
    print(f"点 {p}: 梯度 = {g}, 海森行列式 = {det:.4f}, f = {f(*p):.4f}")

输出形如:

点 (0.0, 0.0): 梯度 = [0. 0.], 海森行列式 = -9.0000, f = 0.0000
点 (1.0, 1.0): 梯度 = [0. 0.], 海森行列式 = 27.0000, f = -1.0000

读法:两个点的梯度都是零(都是驻点),但海森行列式分别为 (负 ⟹ 鞍点)与 (正 ⟹ 极值点),与例题 2 的结论一致。用脚本快速检验判别结果非常方便。

6.5 用数值方法验证条件极值

import numpy as np

# 在 x + y = 1 上求 f = x^2 + y^2 的最小值(例题 10)
t = np.linspace(-5, 5, 200001)      # 参数化 x = t, y = 1 - t
vals = t**2 + (1 - t)**2
i = np.argmin(vals)
print(f"数值最小点: x = {t[i]:.6f}, y = {1 - t[i]:.6f}, f = {vals[i]:.6f}")
print(f"解析结果:  x = 0.5, y = 0.5, f = {0.5**2 + 0.5**2:.6f}")

输出形如:

数值最小点: x = 0.500000, y = 0.500000, f = 0.500000
解析结果:  x = 0.5, y = 0.5, f = 0.500000

读法:沿约束曲线扫描得到的数值最小值与拉格朗日乘数法的结果一致。当你对答案不确定时,这种「参数化 + 扫描」的办法能快速给你信心。

七、易错点

易错点 1:只找驻点,漏掉偏导数不存在的点

错在哪 求 的极值时,算出 、,发现「没有驻点」(除原点外处处非零,而原点处偏导不存在),于是答「无极值」。

正确是什么 极值点是 (极小值 )。偏导数不存在的点也可能是极值点——必须单独检查。

为什么 定理 8.1 是必要条件,前提是「偏导数存在」。前提不满足时,定理不提供任何信息。一元里也有同样的情况: 在 处取极小值但不可导。

易错点 2:认为驻点一定是极值点

错在哪 求出驻点就直接说「极值点为……」,不验证判别式。

正确是什么 必须用 判别(或配方法)。 时驻点是鞍点,不是极值点。

为什么 定理 8.1 只是必要条件。 在 有 ,但沿 是正的、沿 是负的,是典型的鞍点。

易错点 3:判别式为零时下结论

错在哪 算出 ,就写「不能确定,所以不是极值点」或「所以是极值点」。

正确是什么  时判别法失效,必须换方法(配方法、因式分解、沿路径考察、高阶展开)。

为什么 例题 4 给出了三个反例:(极小)、(极大)、(鞍点),三者的 完全相同( 对应前两个),判别式都是 ,结论却完全不同。

易错点 4:条件极值里用

错在哪 求「 下 的最小值」时,令 、,得 ,然后发现 不满足约束,答「无解」。

正确是什么 条件极值必须用拉格朗日乘数法(或消元法)。正确答案是 ,最小值 。

为什么 约束把可行点限制在一条曲线上,而无条件驻点一般不在曲线上。 与「沿约束曲线方向的方向导数为零」是完全不同的要求。

易错点 5:拉格朗日乘数法忘了带约束方程

错在哪 只解 、,忘了 。

正确是什么 必须解三个方程(三元情形是四个),其中 就是约束本身。

为什么 少了约束方程,解出的 甚至可能不满足约束(如易错点 4 中的 )。记忆法:拉格朗日乘数法是把「有约束问题」变成「多一个变量 的无约束问题」,变量多一个,方程也要多一个。

易错点 6:忘了检查约束的奇点( 的点)

错在哪 用拉格朗日乘数法解出候选点后就直接下结论,不考虑 的点。

正确是什么 必须额外检查使 的点(约束曲线的奇点),它们可能是极值点(例题 15 中最小值就在这样的点上,而乘数法完全找不到它)。

为什么 定理 8.5 的前提是 。前提不满足时,极值点可能不满足 。

易错点 7:求有界闭区域上的最值时只看内部驻点

错在哪 在圆盘上求最值,只算了内部的驻点,没有处理边界。

正确是什么 必须分三步:内部驻点、边界上的极值、边界的角点,最后比较所有候选值。

为什么 最值常常取在边界上(如例题 5 的最大值 就在圆弧上,不在内部驻点 处)。注意:边界上的点不是「极值点」(极值只在内点定义),但它们可以是「最值点」。

易错点 8:把条件极值的乘数 当成答案的一部分

错在哪 把 的值当作最终答案写出来,或者试图给 一个「物理意义」而忘了求 的极值。

正确是什么  是辅助变量,最终答案应该是极值点的坐标与极值。 只在解释「影子价格」时才有独立意义。

为什么 题目问的是「求最大值/最小值」,答 不回答问题。不过在解题过程中, 是消元的关键——通常先用它把方程整理好,再解出 。

易错点 9:在无界或无界闭性的区域上「比较候选点」

错在哪 在 上求 的最值时,算出驻点 ,就答「最小值为 」。

正确是什么  不是有界闭区域,最值未必存在。 在全平面无最大值也无最小值。

为什么 「比较候选点」这个动作只在最值存在的前提下有意义,而存在性由定理 8.4(有界闭区域 + 连续)保证。答题时先写一句「由 在有界闭区域上连续,最值存在」是必要的。

八、练习题

A 组(基础)

  1. 求 的极值。
  2. 求 的极值。
  3. 求 的极值(注意判别式是否失效)。

B 组(概念与反例)

  1. 判断正误并说明理由:① 若 是极值点,则 ;② 若 ,则 是极值点;③ 若 ,则驻点必为极值点;④ 若 ,则驻点不是极值点。
  2. 举出三个在原点处 的函数,分别使原点是极小值点、极大值点、鞍点。
  3. 求 在约束 下的最小值,并说明拉格朗日乘数法在这里为什么失效。

C 组(提高)

  1. 求 在区域 上的最大值与最小值。
  2. 用拉格朗日乘数法求椭球 内接长方体的最大体积(长方体各面平行于坐标平面)。

答案在哪

本篇练习的详细解答(出处 / 考点 / 思路 / 分步解 / 答案 / 易错点)见 10-微积分-08-多元函数微分学;分章导航见 00-总索引。

九、常见问题 FAQ

Q1:为什么极值的必要条件只是「必要」?

因为「极值」是一个比较性的概念(比周围的点都大/都小),而「」是一个局部线性的条件(一阶变化率为零)。一阶导数为零只说明「切平面是水平的」,不能说明曲面在附近是往上弯还是往下弯——那需要二阶信息。

类比:一元里 也只说明切线水平,可能是极大、极小(如 、),也可能是拐点(如 )。多元的鞍点就是「拐点」的二维版本。

Q2: 这个判别式是怎么记住的?

它其实是海森矩阵的行列式:

而海森矩阵是二阶泰勒展开的系数矩阵。所以「判别式」的来历是:二阶项构成的二次型是否正定/负定/不定。

记忆法:

  • 行列式 :两个特征值同号 ⟹ 「碗」⟹ 极值(再看 定上下);
  • 行列式 :两个特征值异号 ⟹ 「马鞍」⟹ 鞍点;
  • 行列式 :有零特征值 ⟹ 二阶信息不足。

注意次序:判别式是 ,不是 ,也不是 (有些教材用 表示 的两倍,记号不同)。建议每次做题时先写下自己用的是哪个约定。

Q3:条件极值一定要用拉格朗日乘数法吗?

不一定。三种方法都可以:

① 消元法:约束简单时最快(如 直接令 );

② 参数化法:约束是圆或椭圆时,用 、 参数化,化为一元问题(例题 5 的边界处理就是这个方法);

③ 拉格朗日乘数法:约束复杂、变量多于两个、有多个约束时最通用。

选择建议:看约束能不能「轻易解出一个变量」。能就用消元;不能就用拉格朗日。考试中如果题目没有指定方法,用拉格朗日乘数法总是安全的(虽然计算量可能大一些),因为它不依赖「解得出隐函数」这个条件。

Q4:拉格朗日乘数 到底代表什么?

两个层面的含义:

数学层面: 是「 的梯度与 的梯度之间的比例因子」,是一个纯辅助量,本身没有几何意义。

应用层面: 是约束的影子价格——它表示「约束放宽一个单位时,最优值的改善量」。例如在经济学的效用最大化问题中, 就是「收入的边际效用」;在工程设计问题中, 表示「多给一点资源能带来多少收益」。

严格表述(了解即可):若约束写成 ,最优值为 ,则 。这解释了为什么在灵敏度分析中 很重要。

Q5:有界闭区域上求最值,边界怎么处理最省事?

按边界的类型分三种情况:

① 直线段:把直线方程解出一个变量代入 ,化成一元最值(还要检查端点);

② 圆弧或椭圆弧:参数化(、),化成一元最值(注意 的范围);

③ 一般曲线:用拉格朗日乘数法(或直接解出隐函数)。

关键:边界一定要分段处理,特别是由多段曲线围成的区域(如「半圆盘」要分成圆弧与直径两段)。最后把所有候选值(内部 + 各段边界 + 角点)列成表格比较——这是最不容易漏项的做法。

Q6:为什么「求最大值」的题目里,找到唯一的候选点就能下结论?

因为那是应用题:题目描述的实际情境(如「给定表面积的容器」)已经隐含了最值存在。若区域是有界闭的(或由物理意义保证最值存在),而候选项唯一,那么它必然就是最值点,不需要再验证二阶条件。

但要小心两个陷阱:① 若候选项有多个,必须比较函数值;② 若区域无界(如「求 在 上的最大值」但没限制符号),要检查最值是否真的存在。养成习惯:答题时先写一句「最值存在(由定理 8.4 / 由实际意义),故只需比较候选点」。

十、国内教材对照(浙大《微积分》/ 考研大纲)

10.1 术语与记号对照

本篇用法 | 浙大《微积分》(苏德矿等编) | 同济《高等数学》 | 英文教材(MIT 18.02 / Banner)

---|---|---|---

极值 / 极值点 | 极值 / 极值点 | 极值 / 极值点 | local extremum / local maximum, minimum

驻点 | 驻点(稳定点) | 驻点 | stationary point / critical point

判别式 | 的符号判别 | 判别法 | second derivative test / Hessian test

海森矩阵 | 二阶偏导数矩阵 | 海森矩阵 | Hessian matrix

条件极值 | 条件极值 | 条件极值 | constrained extremum / optimization with constraints

拉格朗日乘数法 | 拉格朗日乘数法 | 拉格朗日乘数法 | method of Lagrange multipliers

拉格朗日函数 | 拉格朗日函数 | 拉格朗日函数 | Lagrangian

目标函数 | 目标函数 | 目标函数 | objective function

约束条件 | 约束条件(约束方程) | 约束条件 | constraint

记号差异(重要):国内不同教材对判别式的写法不统一。有的写 (同济版),有的写 (并相应调换结论中的不等号方向)。做题时一定要先看清楚自己教材的约定。 本库统一采用 : 为极值, 为鞍点。

另一处差异:英文教材普遍用海森矩阵的特征值或正定性来描述判别法(特别是三元及以上),而国内教材在二元情形用 ,三元情形多要求「先用 判断一部分变量,再逐一讨论」或直接使用海森矩阵。

10.2 国内更强调的部分

  1. 判别式的机械计算。国内教材和考研对「求给定函数的极值」这类题的训练量极大,要求能熟练求出驻点、算判别式、得结论。国外教材(MIT 18.02)也会讲,但训练强度明显较低。
  2. 有界闭区域上求最值的完整流程。这是国内(尤其考研)的重点大题,要求会处理「内部 + 边界(直线段 + 曲线段 + 角点)」的完整分类讨论。国外教材讲得较少,通常只做无约束或简单约束的问题。
  3. 条件极值的应用题。国内教材配备了大量的几何应用题(体积最大、距离最短、表面积最小),并总结了一批「经典结论」(如「表面积固定时正方体体积最大」)。国外教材也有,但更倾向于让学生自己建模。
  4. 判别式失效的处理技巧。国内教材会给出「配方法」「因式分解」等具体手段(本篇例题 4、9、17)。国外教材一般只说「需要用其他方法」,不专门训练。
  5. 用条件极值证明不等式。如「用拉格朗日乘数法证明 」,这是国内教材的特色题型。

10.3 国外教材更强调的部分

  1. 海森矩阵与二次型的语言。MIT 18.02 用矩阵的正定性(特征值符号)统一描述极值判别,并把它与线性代数中的二次型理论联系起来。这个视角在三元及以上情形优势明显(本篇定理 8.3)。
  2. 条件极值的几何解释。国外教材会用大量图形展示「约束曲线与等高线相切」,把 的几何含义讲透。本篇「二、几何直观」的 2.3、2.4 节采用了这一讲法。
  3. 拉格朗日乘数的经济学含义(影子价格)。国外(尤其经济学、运筹学方向)教材会专门讲 的灵敏度解释。国内教材一般在数学层面止步。
  4. 数值优化算法。国外教材会把梯度下降、牛顿法、共轭梯度法等与极值理论挂钩,形成「理论—算法」的完整链条。国内教材基本只讲手算方法(除少数工科专业教材)。

10.4 考研大纲要求(数学一)

考研数学一大纲对「多元函数极值」的要求包括:多元函数的极值、极值的必要条件与充分条件、二元函数极值的判别法、条件极值与拉格朗日乘数法、多元函数的最大值与最小值。常考题型:

  1. 解答题(最高频):求给定二元函数的极值(完整流程:驻点 → 判别式 → 结论),可能出现判别式失效的情形;
  2. 解答题(高频):求有界闭区域上的最大值与最小值(内部驻点 + 边界分段处理 + 比较候选值);
  3. 解答题:条件极值的应用题(几何最值、经济最值),要求建模 + 拉格朗日乘数法;
  4. 证明题:用条件极值证明不等式(如 AM-GM 型);
  5. 概念选择题:驻点与极值点的关系、必要条件与充分条件的辨析。

数学二、数学三:数学二不考条件极值的应用题(但考无条件极值);数学三要求掌握条件极值与拉格朗日乘数法,且常与经济应用结合。具体范围以当年最新大纲为准。

一句话总结对照

国内教材:重 的机械计算、重有界闭区域上最值的完整分类讨论、重判别式失效的配方法、重不等式的条件极值证明;国外教材:重海森矩阵与二次型的统一语言、重「等高线与约束曲线相切」的几何解释、重拉格朗日乘数的影子价格含义、重与数值优化算法的接口。考试按国内要求准备,理论框架按国外的矩阵视角建立,具体以授课教材为准。

本篇小结

小结:从「水平切平面」到「相切的两条曲线」

一句话 无条件极值的嫌疑点是 (以及偏导不存在的点),是否为极值由海森矩阵(二维即 )判定;条件极值的嫌疑点是「约束曲线与等高线相切」的位置,代数形式是 ——注意这两者都只是必要条件,都只负责「找出候选点」,最后必须靠比较函数值或实际意义定论。

① 必须记住的结论清单

  1. 极值定义:存在邻域,使邻域内一切点 (极大)或 (极小)。极值是局部概念。
  2. 极值的必要条件:若 是极值点且偏导存在,则 ,即 。
  3. 嫌疑点有三类:驻点、偏导数不存在的点、边界点(求最值时)。
  4. 充分条件( 判别法):记 、、。 且 ⟹ 极小; 且 ⟹ 极大; ⟹ 鞍点; ⟹ 失效。
  5. 就是海森矩阵的行列式;判别法的本质是二次型的正定性。
  6. 时的对策:配方法、因式分解、沿特殊路径考察、高阶展开。
  7. 有界闭区域上连续函数必有最值(定理 8.4)。求法:内部驻点 + 边界(分段)+ 角点,最后比较所有候选值。
  8. 条件极值不能令 ,要用拉格朗日乘数法:构造 ,解 。
  9. 等价说法: ⟺ 等高线与约束曲线相切。
  10. 多约束:,条件是 (要求 、 线性无关)。
  11. 前提「」不能省:约束曲线的奇点要单独检查(例题 15)。
  12. 拉格朗日乘数法只给必要条件; 是影子价格(约束放宽一个单位带来的最优值改善)。
  13. 消元法与拉格朗日乘数法等价,选哪个看约束是否容易解出变量。

② 最容易混淆的几组概念对照表

概念 A | 概念 B | 关键区别 | 例子

---|---|---|---

极值点 | 最值点 | 前者局部,后者整体 | 在 有极小值但不是最小值

驻点 | 极值点 | 前者是后者的必要条件(偏导存在时) | 在原点:驻点但是鞍点

极大值 | 最大值 | 前者可能有多个,不保证是全局最大 | 在 方向有极大但整体无最大值

| | 前者极值,后者鞍点 | ()与 ()

| 判别法失效 | 三种可能都会发生 | (极小)、(极大)、(鞍点)

无条件极值 | 条件极值 | 后者必须用 | 下 的最小值在

| | 前者是后者的特例( 可取坐标函数) | 有约束时必须用后者

拉格朗日乘数 | 极值 | 前者是辅助量(影子价格),后者是答案 | 题目问的是极值,不是

③ 通往后面章节的接口表

本篇概念 | 在哪里被升级 | 升级成什么

---|---|---

极值的必要条件 | 9-3-曲线积分 | 保守场与势函数: 时曲线积分与路径无关

拉格朗日乘数法 | 9-1-二重积分 | 积分区域的极值边界问题;用重积分求体积后再优化

海森矩阵与二次型 | 线性代数 / 数值分析 | 正定性判别(西尔维斯特准则)、牛顿法

条件极值的影子价格 | 运筹学 / 经济学 | 线性规划的对偶变量、KKT 条件

有界闭区域上的最值 | 9-1-二重积分 | 二重积分的积分区域(同样是有界闭区域)

梯度下降(数值极值) | 机器学习 / 数值优化 | 随机梯度下降、Adam 等优化算法

用极值证明不等式 | 数学分析 | AM-GM 不等式的分析证明、凸性方法(Jensen 不等式)

极值与凹凸性 | 4-5-凹凸性与拐点 | 一元凹凸性 ⟹ 多元的凸函数与海森矩阵半正定

相关笔记

  • 8-2-偏导数与全微分 — 本篇的直接前置:极值的必要条件用一阶偏导,充分条件用二阶偏导,判别式就是海森矩阵的行列式。
  • 8-4-方向导数与梯度 — 的几何含义(没有上升方向)由那里的理论给出;拉格朗日乘数法就是「两个梯度平行」。
  • 8-3-多元复合函数与隐函数求导 — 拉格朗日乘数法的一种证明依赖隐函数求导;约束曲线的参数化也用到那里的方法。
  • 4-4-单调性与极值 — 一元极值的完整理论(必要条件、第一/第二充分条件),本篇是它的二维推广。
  • 4-5-凹凸性与拐点 — 一元凹凸性对应多元的凸函数(海森矩阵半正定),是极值理论的重要补充。
  • 8-1-多元函数的概念与极限连续 — 有界闭区域上连续函数的最值定理(定理 8.9)是「求区域上最值」的理论依据。
  • 9-1-二重积分 — 积分区域也是有界闭区域,最值问题与积分问题常常结合出现。
  • 3-7-相关变化率 — 一元优化问题(最大最小)的应用背景,与多元极值的应用题思路一致。

参考来源

  • Banner, The Calculus Lifesaver: The Complete Guide to Calculus and Its Applications(《普林斯顿微积分读本》)——多元部分讲极值、鞍点与拉格朗日乘数法的直观。教材本身,无 URL。对应 frontmatter 中 sources 第 1 条。
  • MathWorld, "Lagrange Multiplier" ——拉格朗日乘数法的定义、几何解释与例子:https://mathworld.wolfram.com/LagrangeMultiplier.html 。对应 frontmatter 中 sources 第 2 条。
  • MIT OpenCourseWare, 18.02SC Multivariable Calculus, Fall 2010 ——Unit 2 中讲二阶判别法与约束优化(含「约束曲线与等高线相切」的几何讲法),本库参考其讲法:https://ocw.mit.edu/courses/18-02sc-multivariable-calculus-fall-2010/ 。对应 frontmatter 中 sources 第 3 条。
  • 同济大学数学系《高等数学》下册,多元函数微分法及其应用一章的「多元函数的极值及其求法」一节——国内标准叙述,含 判别法、条件极值与拉格朗日乘数法。教材本身,无 URL。
  • 浙江大学《微积分》(苏德矿、吴明华等编)下册,多元函数微分学中「极值与条件极值」部分——定义与例题的编排以该书为准。教材本身,无 URL。
  • 《全国硕士研究生招生考试数学考试大纲》(数学一)——多元函数极值、条件极值与最大最小值的考查要求。以当年最新大纲为准,本库不保证逐年版次细节。