拉格朗日法求条件极值-更新
多条件极值 拉格朗日乘数法推导

多条件极值拉格朗日乘数法推导下载提示:该文档是本店铺精心编制而成的,希望大家下载后,能够帮助大家解决实际问题。
文档下载后可定制修改,请根据实际需要进行调整和使用,谢谢!本店铺为大家提供各种类型的实用资料,如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等,想了解不同资料格式和写法,敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!多条件极值问题的拉格朗日乘数法推导1. 引言在数学和经济学等领域,我们经常会遇到多条件下求取函数的极值问题。
最新拉格朗日乘数法

拉格朗日乘数法§4 条件极值(一) 教学目的:了解拉格朗日乘数法,学会用拉格朗日乘数法求条件极值.(二) 教学内容:条件极值;拉格朗日乘数法.基本要求:(1)了解拉格朗日乘数法的证明,掌握用拉格朗日乘数法求条件极值的方法.(2) 较高要求:用条件极值的方法证明或构造不等式.(三) 教学建议:(1) 本节的重点是用拉格朗日乘数法求条件极值.要求学生熟练掌握.(2) 多个条件的的条件极值问题,计算量较大,可布置少量习题.(3) 在解决很多问题中,用条件极值的方法证明或构造不等式,是个好方法.可推荐给较好学生.在许多极值问题中,函数的自变量往往要受到一些条件的限制,比如,要设计一个容积为«Skip Record If...»的长方体形开口水箱,确定长、宽和高, 使水箱的表面积最小. 设水箱的长、宽、高分别为«Skip Record If...»,则水箱容积«Skip Record If...»焊制水箱用去的钢板面积为«Skip Record If...»这实际上是求函数«Skip Record If...»在«Skip Record If...»限制下的最小值问题。
这类附有条件限制的极值问题称为条件极值问题,其一般形式是在条件«Skip Record If...»限制下,求函数«Skip Record If...»的极值条件极值与无条件极值的区别条件极值是限制在一个子流形上的极值,条件极值存在时无条件极值不一定存在,即使存在二者也不一定相等。
例如,求马鞍面«Skip Record If...»被平面«Skip Record If...»平面所截的曲线上的最低点。
请看这个问题的几何图形(x31马鞍面)从其几何图形可以看出整个马鞍面没有极值点,但限制在马鞍面被平面«Skip Record If...»平面所截的曲线上,有极小值 1,这个极小值就称为条件极值。
条件极值的求法

条件极值的求法条件极值是指在一定条件下,函数取得的最大值或最小值。
在解决实际问题时,我们经常需要求解条件极值。
本文将介绍条件极值的求法,包括拉格朗日乘数法、KKT条件法和梯度下降法等。
1. 拉格朗日乘数法拉格朗日乘数法是一种求解有约束条件的极值问题的方法。
其基本思想是将原问题转化为一个无约束条件的最优化问题,然后求解该最优化问题得到原问题的解。
设函数f(x, y)为原问题的目标函数,g(x, y)为约束条件。
则原问题的拉格朗日函数为:L(x, y, λ) = f(x, y) + λ·g(x, y)其中,λ为拉格朗日乘数。
求解原问题的步骤如下:(1) 对目标函数f(x, y)求偏导数,并令偏导数等于0,得到无约束条件的最优化问题;(2) 对约束条件g(x, y)求偏导数,并令偏导数等于0,得到约束条件;(3) 将无约束条件的最优化问题与约束条件联立,求解得到原问题的解。
2. KKT条件法KKT条件法是拉格朗日乘数法的一种推广,可以用于求解更复杂的有约束条件的极值问题。
KKT条件包括:(1) 梯度下降方向:对于无约束条件的最优化问题,梯度下降方向为负梯度方向;对于有约束条件的最优化问题,梯度下降方向为负梯度方向与拉格朗日乘数的比值。
(2) 边界条件:当梯度下降方向指向可行域外时,需要满足一定的边界条件。
常见的边界条件有:梯度下降方向与可行域边界的交点处的梯度必须大于等于零;梯度下降方向与可行域边界的交点处的拉格朗日乘数必须大于等于零。
(3) 非负约束:对于有非负约束的问题,需要满足非负约束条件。
即目标函数的值必须大于等于零。
3. 梯度下降法梯度下降法是一种迭代求解无约束条件的最优化问题的方法。
其基本思想是通过计算目标函数在当前点的梯度,沿着梯度的负方向进行搜索,直到找到局部最优解或满足停止准则。
梯度下降法的迭代公式为:x(k+1) = x(k) - α·∇f(x(k))其中,x(k)表示第k次迭代的解,α为学习率,∇f(x(k))表示目标函数在x(k)处的梯度。
拉格朗日条件极值的方程组怎么解

拉格朗日条件极值的方程组怎么解拉格朗日条件极值的方程组怎么解在微积分中,我们经常会遇到求极值的问题。
当我们要求一个函数在一定条件下取得最大值或最小值时,就需要用到拉格朗日乘数法。
拉格朗日乘数法是一种利用拉格朗日乘数来处理带有约束条件的极值问题的方法,它的核心是通过引入拉格朗日乘数,将带有约束条件的问题转化为无约束条件的问题。
在实际应用中,求解拉格朗日条件极值的方程组是一个非常重要的问题,下面我将对这个问题进行全面评估,并撰写一篇有价值的文章来帮助你更好地理解这个问题。
一、概念解析1. 拉格朗日乘数法我们先来了解一下拉格朗日乘数法的基本概念。
拉格朗日乘数法是用来求解带有约束条件的最优化问题的一种常用方法。
通常情况下,约束条件可以写成g(x, y, z) = k的形式,其中k为常数。
而最优化问题的目标就是极小化或者极大化一个多元函数f(x, y, z)。
利用拉格朗日乘数法,我们可以通过构造拉格朗日函数L(x, y, z, λ)来转化求极值的问题。
其中,λ为拉格朗日乘数,通过对L(x, y, z, λ)对x, y, z, λ分别求偏导,然后解方程组来求得极值点。
这就是拉格朗日乘数法的基本思想。
2. 拉格朗日条件在应用拉格朗日乘数法求解极值问题时,我们需要考虑拉格朗日条件。
拉格朗日条件是指,对于最优化问题的解,约束条件和目标函数的梯度(或导数)应当在最优解点成比例。
这个条件在数学上可以用方程组来表示,通常称为拉格朗日条件方程组。
解这个方程组就是求解拉格朗日条件极值的方程组,是非常重要的一步。
二、具体示例为了更好地理解拉格朗日条件极值的方程组怎么解,我们来看一个具体的示例。
假设我们要求函数f(x, y) = x^2 + y^2在条件g(x, y) = x + y - 1 = 0下的极小值。
这个问题可以通过拉格朗日乘数法来解决。
我们构造拉格朗日函数L(x, y, λ) = f(x, y) + λg(x, y),其中λ为拉格朗日乘数。
用拉格朗日乘数法求极值步骤

用拉格朗日乘数法求极值步骤全文共四篇示例,供读者参考第一篇示例:拉格朗日乘数法是一种常用的数学工具,用于求解带有约束条件的极值问题。
在实际问题中,很多情况下都会存在一些条件限制,而拉格朗日乘数法正是针对这种情况而提出的一种解决方法。
下面我们将详细介绍使用拉格朗日乘数法求极值的步骤。
我们先来看一个简单的例子,假设我们要求函数f(x, y) = x^2 +y^2 在条件g(x, y) = x + y = 1下的最小值。
这个问题可以用如下的拉格朗日函数表示:L(x, y, λ) = f(x, y) - λg(x, y) = x^2 + y^2 - λ(x + y - 1)λ为拉格朗日乘数。
接下来的步骤就是通过对L(x, y, λ) 求偏导数来确定函数f(x, y) 在条件g(x, y) 下的极值点。
步骤一:计算L(x, y, λ) 对x, y的偏导数,并令其等于0,即求解以下方程组:步骤二:解方程组得到极值点,并判断是否为极值点。
在本例中,解方程组可得x = y = 1/2,λ = 1。
代入原函数f(x, y) = x^2 + y^2 可得最小值为1/2。
问题的解是f(x, y) = 1/2。
上面是一个简单的例子,下面我们将详细介绍拉格朗日乘数法求极值的一般步骤:步骤一:建立带有约束条件的拉格朗日函数。
假设我们要求函数f(x1, x2, ..., xn) 在条件g(x1, x2, ..., xn) = 0下的极值,那么其对应的拉格朗日函数为:步骤二:求解拉格朗日函数的梯度,令其等于零。
即求解以下方程组:∂L/∂x1 = ∂f/∂x1 - λ∂g/∂x1 = 0∂L/∂x2 = ∂f/∂x2 - λ∂g/∂x2 = 0...∂L/∂xn = ∂f/∂xn - λ∂g/∂xn = 0g(x1, x2, ..., xn) = 0步骤三:解方程组得到极值点,并判断是否为极值点。
解方程组可能有多个解,需要通过二阶导数判断哪一个是极值点。
条件极值与拉格朗日乘数法

§4条件极值一、何谓条件极值在讨论极值问题时,往往会遇到这样一种情形,就是函数的自变量要受到某些条件的限制。
决定一给定点),,(000z y x 到一曲面0),,(=z y x G 的最短距离问题,就是这种情形。
我们知道点),,(z y x 到点),,(000z y x 的距离为202020)()()(),,(z z y y x x z y x F -+-+-=.现在的问题是要求出曲面0),,(=z y x G 上的点),,(z y x 使F 为最小.即问题归化为求函数),,(z y x F 在条件0),,(=z y x G 下的最小值问题.又如,在总和为C 的几个正数n x x x ,,21的数组中,求一数组,使函数值22221n x x x f +++= 为最小,这是在条件C x x x n =+++ 21 )0(>i x 的限制下,求函数f 的极小值问题。
这类问题叫做限制极值问题(条件极值问题).例1 要设计一个容积为V 的长方体形开口水箱 . 确定长、宽和高 , 使水箱的表面积最小 .分别以x 、y 和z 表示水箱的长、宽和高 , 该例可表述为 : 在约束条件V xyz =之下求函数xy yz xz z y x S ++=)(2),,(的最小值 .条件极值问题的一般形式是在条件组)(,,2,1,0),,,(21n m m k x x x n k <== ϕ限制下, 求目标函数),,,(21n x x x f y =的极值.对这种问题的解法有: 化为无条件极值. 例 1 由V xyz =解出 xyVz =, 并代入函数),,(z y x S 中, 得到xy xy V y x F ++=)11(2),(, 然后按)0,0(),(=y x F F , 求出稳定点32V y x ==, 并有3221V z =, 最后判定在此稳定点上取的最小面积3243V S =.然而, 在一般情形下条件组中解出m 个变元并不总是可能的.下面介绍的拉格朗日乘数法就是一种不直接依赖消元而求解条件极值问题的有效方法. 二、条件极值的必要条件设在约束条件0),(=y x ϕ之下求函数=z ),(y x f 的极值 . 当满足约束条件的点),(00y x 是函数),(y x f 的条件极值点 , 且在该点函数),(y x ϕ满足隐函数存在条件时, 由方程0),(=y x ϕ决定隐函数)(x g y =, 于是点0x 就是一元函数())( , x g x f z =的极限点 , 有0)(='+=x g f f dx dzy x .代入 ),(),()(00000y x y x x g y x ϕϕ-=', 就有 0),(),(),(),(00000000=-y x y x y x f y x f y x y x ϕϕ,即 x f -y ϕy f x ϕ0= , 亦即 (x f , y f ) (⋅y ϕ ,x ϕ-)0= .可见向量(x f , y f )与向量(y ϕ , x ϕ-)正交. 注意到向量(x ϕ , y ϕ)也与向量(y ϕ , x ϕ-)正交, 即得向量(x f , y f )与向量(x ϕ , y ϕ)线性相关, 即存在实数λ, 使 (x f , y f ) + λ(x ϕ , y ϕ)0=.亦即 ⎩⎨⎧=+=+. 0, 0y yx x f f λϕλϕ三、 Lagrange 乘数法:由上述讨论可见 , 函数=z ),(y x f 在约束条件0),(=y x ϕ之下的条件极值点应是方程组⎪⎩⎪⎨⎧==+=+.0),(, 0),(),(, 0),(),(y x y x y x f y x y x f y y x x ϕλϕλϕ 的解.引进所谓Lagrange 函数),(),(),,(y x y x f y x L λϕλ+=, ( 称其中的实数λ为Lagrange 乘数 )则上述方程组即为方程组⎪⎩⎪⎨⎧===.0),,( , 0),,( , 0),,(λλλλy x L y x L y x L y x下面以三元函数 , 两个约束条件为例介绍Lagrange 乘数法的一般情况 . 例2 求函数xyz f = 在条件0,1222=++=++z y x z y x 下的极值。
(2021年整理)拉格朗日乘数法与条件极值
拉格朗日乘数法与条件极值编辑整理:尊敬的读者朋友们:这里是精品文档编辑中心,本文档内容是由我和我的同事精心编辑整理后发布的,发布之前我们对文中内容进行仔细校对,但是难免会有疏漏的地方,但是任然希望(拉格朗日乘数法与条件极值)的内容能够给您的工作和学习带来便利。
同时也真诚的希望收到您的建议和反馈,这将是我们进步的源泉,前进的动力。
本文可编辑可修改,如果觉得对您有帮助请收藏以便随时查阅,最后祝您生活愉快业绩进步,以下为拉格朗日乘数法与条件极值的全部内容。
淮北煤炭师范学院信息学院2005 级学士学位论文拉格朗日乘数法与条件极值系别:数学系专业:数学与应用数学学号: 200518440039姓名: 刘志华指导教师:陈昊指导教师职称: 讲师2009年 04月 05日拉格朗日乘数法与条件极值刘志华(淮北煤炭师范学院信息学院,淮北,235000)摘要拉格朗日乘数法是数学分析中的基本方法。
在数学分析中,它作为一种基本方法在计算中起着非常重要的作用,在解决实际问题过程中,它对一些实际问题的分析、并利用微积分这一工具去解决问题,具有重要实际意义。
众所周知,在现实生活中,许多实际问题都归结为极值问题,解决条件极值有许多种方法,而拉格朗日乘数法是解决条件极值的一个有效工具.正文的内容部分包括:第一章是引言部分;第二章、第三章介绍了拉格朗日乘数法定理和条件极值的概论及它们在数学中的应用;第四章主要介绍了用拉格朗日乘数法去解决实际生活中的条件极值问题.关键词拉格朗日乘数法,条件极值,多元函数Lagrange Multiplier Method and the Conditional ExtremeLiu Zhihua(Huaibei Coal Industry Teachers College Information Institute, Huaibei,235000)AbstractLagrange multiplier method is a basic method of the mathematical analysis。
条件极值拉格朗日乘数法
F (x, y) x2 2 y2 (x2 y2 1)
则 Fx 2x 2x 0 Fy 4 y 2y 0
x2 y2 1 0
解得可能条件极值点为 (0,1)(, 0,1)(, 1,0)(, 1,0)
计算出 f (0,1) f (0,1) 2, f (1,0) f (1,0) 1,
曲面上通过M 的一切曲线在点M 的切线都在同一
平面上,这个平面称为曲面在点M 的切平面.
切平面方程为
Fx (x0 , y0 , z0 )(x x0 ) Fy (x0 , y0 , z0 )( y y0 ) Fz (x0 , y0 , z0 )(z z0 ) 0
通过点M ( x0 , y0 , z0 )而垂直于切平面的直线
2 y
2z,2z
2 x,2 x
2
y 1,2,1
2 3,0,3 61,0,3
切线方程:
x1 y2 z1
1
0
1
法平面方程: x - z = 0
(Tangent plane and normal line of surface)
1 设曲面方程为
F(x, y, z) 0
n
T
在曲面上任取一条通
0
z02 c2
1
0
y0
b, 3
z0
c 3
当切点坐标为 (a,b,c
)时,
333
四面体的体积最小Vmin
3 abc. 2
多元函数的极值
(取得极值的必要条件、充分条件)
无条件极值
多元函数的最值
条件极值
拉格朗日乘数法
11.4 微分法在几何上的应用
(Applications of differential calculus in geometry)
拉格朗日条件极值的方程组怎么解
拉格朗日条件极值的方程组1. 引言拉格朗日条件是数学中求解极值问题的一种重要方法。
它由法国数学家约瑟夫·路易斯·拉格朗日在18世纪末提出,用于求解带有约束条件的极值问题。
拉格朗日条件极值的方程组是通过拉格朗日乘数法得到的一组方程,用于求解约束条件下的极值。
在本文中,我们将详细介绍拉格朗日条件极值的方程组的求解方法,并通过一个具体的例子来说明其应用。
2. 拉格朗日条件的推导考虑一个带有约束条件的极值问题,即在一定的约束条件下,求解目标函数的最大值或最小值。
假设目标函数为f(x1,x2,...,x n),约束条件为g(x1,x2,...,x n)=0。
为了求解该问题,我们引入拉格朗日乘数λ,构建拉格朗日函数L(x1,x2,...,x n,λ):L(x1,x2,...,x n,λ)=f(x1,x2,...,x n)+λg(x1,x2,...,x n)其中,λ是拉格朗日乘数,用于将约束条件引入目标函数中。
3. 拉格朗日条件极值的方程组为了求解目标函数在约束条件下的极值,我们需要满足以下两个条件:1.目标函数的梯度与约束函数的梯度成比例,即∇f=λ∇g;2.约束条件必须成立,即g(x1,x2,...,x n)=0。
将条件1转化为方程形式,我们得到拉格朗日条件极值的方程组:∂L ∂x1=∂f∂x1+λ∂g∂x1=0∂L ∂x2=∂f∂x2+λ∂g∂x2=0...∂L ∂x n =∂f∂x n+λ∂g∂x n=0g(x1,x2,...,x n)=0这组方程称为拉格朗日条件极值的方程组。
4. 求解拉格朗日条件极值的方程组为了求解拉格朗日条件极值的方程组,我们需要先计算目标函数和约束函数的偏导数。
假设目标函数为f (x 1,x 2,...,x n ),约束条件为g (x 1,x 2,...,x n )=0,我们分别计算它们的偏导数:∂f ∂x 1,∂f ∂x 2,...,∂f ∂x n∂g ∂x 1,∂g ∂x 2,...,∂g ∂x n然后,我们将偏导数代入拉格朗日条件极值的方程组中,得到一组方程。
拉格朗日约束条件求极值
拉格朗日约束条件求极值拉格朗日乘数法是一种求解约束问题的方法,它通过添加一个拉格朗日乘数来将约束条件转化为限制条件,从而得到极值问题的一组等价的条件和方程。
具体来讲,我们设要求解的函数为f(x),经过变换后它的约束条件为g(x)=0。
此时,我们可以将约束条件转化为一个限制条件,即加入拉格朗日乘数k来把f(x)和g(x)结合起来,即构造一个新函数L(x,k)=f(x)+k*g(x)。
接下来我们利用这个新函数的极值条件来求解x的最优解,从而实现优化求解。
根据拉格朗日乘数法的理论,我们需要先对L(x,k)分别对x和k求偏导,然后将偏导数等于零,解出x和k的值,从而获得最优解。
具体来讲,我们有以下步骤:1. 构造新函数L(x,k)=f(x)+k*g(x)2. 对L(x,k)分别对x和k求偏导数,得到以下的两个方程组:∂L/∂x=∂f/∂x+k*∂g/∂x=0∂L/∂k=g(x)=03. 解方程组,得到x和k的取值:∂f/∂x+k*∂g/∂x=0k=-∂f/∂g/∂x4. 将解出的x和k代入原函数f(x),求得函数的最优值。
需要注意的是,用拉格朗日乘数法求解约束问题时,一定要确认约束条件的充分性条件是否满足。
如果约束条件不满足,或者充分条件不满足,则拉格朗日乘数法会出现不可行解或无界解等问题。
因此在实际应用中,我们需要严格考虑约束条件是否满足,并使用其他方法来进行调整和特化,以保证求解的正确性和高效性。
总之,拉格朗日乘数法是一种非常有用的约束问题求解方法,它能够通过加入拉格朗日乘数来将约束条件转化为限制条件,从而实现高效的求解和优化。
在实际应用中,我们需要综合考虑问题的约束条件、充分性条件和求解方法,从而进行权衡和调整,以得到最优的求解结果。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
1原问题:函数()12,n f x x x ,在满足()12,0n g x x x = 情况下的极值点满足什么条件?
1.1注意:该问题的极值不一定满足
()
12,0n k
f x x x x ∂=∂ ,举例来说,
()22,f x y x y y =++,约束条件为(),0g x y x y =-=。
显然原问题等价于求()22z x x x =+的极值,
14104
z x x x ∂-=+=⇒=∂,根据(),0g x y x y =-=得到1
4
y -=
所以:
()
()()()
()()()11,,1144,,4
411,,1144,,4
4,20
,210
x y x y x y x y f x y x x f x y y y ⎛⎫=-- ⎪⎛⎫⎝⎭
=--
⎪⎝⎭
⎛⎫=-- ⎪⎛⎫⎝⎭
=--
⎪⎝⎭
∂=≠∂∂=+≠∂
1.2该问题的极值满足的条件分析
极值点满足:
设()12,0n g x x x = 确定的隐函数为()12n x x x ψ= ,原问题等价于求无约束函数
()()22,n n z f x x x x ψ= 的极值,函数()()22,n n z f x x x x ψ= 的极值点满足:
0k
z
x ∂=∂,即{}102,3,k k f f k n x x x ψ∂∂∂+==∂∂∂
1.2.1隐函数求导方法1:
由()12,0n g x x x = 确定的函数()12n x x x ψ= 求导计算: 在()12,0n g x x x = 情况下:()()121,0n
n k k k
g
g x x x x o x ρ=∂∆=∆+=∂∑
对于()12,0n g x x x = ,
把23,n x x x 作为自变量,把1x 作为因变量,
1
2
x x ∂∂的意思是在3n x x 不变的情况下,2x 的
变化2x ∆引起1x 的变化1x ∆之间的如下数学式子值21
02
lim x x x ∆→∆∆,在3n x x 不变、2x 变化的情
况下,
(
)
121
12
22
1111
211
,012122n
n k k k
g
g g
g x x x x o x x o x x x g g
o x x x
g g g g x x x x x x x g
x g x =∂∂∂∆=∆+=
∆+∆+=⇒
∂∂∂∂∂∆∂∂=--=--=
∂∂∂∂∆⋅∆⋅∆∂∂∂∂∂∂--
∂∂∑ 222200111lim lim 12x x g g x x x g g x x x ∆→∆→⎛∂∂ ∆∂∂=-+
=- ∂∂∆
∂∂ ⎪⎝
⎭
对于()12,0n g x x x = 确定的隐函数()12n x x x ψ= 有:2
2
11g
x x
g x x ∂∂∂=-∂∂∂
同理:01
lim
1
k k x k
g x x g x x ∆→∂∂∆=-∂∆∂ 即对于()12,0n g x x x = 确定的隐函数()12n x x x ψ= 有:{}12,31k
k
g x x
k n g x x ∂∂∂=-∈∂∂∂ ,
即
{}1
2,3k k
g x k n g x x ψ
∂∂∂=-∈∂∂∂
1.2.2隐函数求导方法2(来自参考书)
问题:设()12n x x x ψ= 是由等式()12,0n g x x x = 确定的函数,试求
{}2,3k
k n x ψ∂∈∂ 。
解:()12n x x x ψ= 是由等式()12,0n g x x x = 确定的函数,即把任意2,n
x x 带入方程()12,0n g x x x = 解出的1x 满足()12n x x x ψ= ,或者说对于任意
2,n x x ,把()12,n x x x ψ= 带入()12,n g x x x 能使得()12,0n g x x x = ,即对于任意2,n x x 有()()22,,,0n n g x x x x ψ= 成立。
所以如果我们设()()()222,,,n n n f x x g x x x x ψ= ,那么对于任意2n
x x 有()20n f x x = 成立。
所以
()()222323022
,,,,lim 0n n x f x x x x f x x x f
x x ∆→+∆-∂==∂∆ 而根据复合函数求导法则:
2122
f g g x x x x ψ∂∂∂∂=+∂∂∂∂, 所以:
122
0g g
x x x ψ∂∂∂+=∂∂∂
所以:
22
1g x x x ψ
∂∂∂=-∂∂ 同理:
{}1
2,3k k
g x k n g x x ψ
∂∂∂=-∈∂∂∂
注意:这里()12,0n g x x x = 并不是说对于任意12,,n x x x 都有
()12,0n g x x x = 成立,这里的()12,0n g x x x = 是个约束条件,即这里的
()12,0n g x x x = 是12,,n x x x 需要满足的等式。
比如()123123,,0g x x x x x x =++=,
并不是说对于任意123,,x x x 都有()123
123,,0g x x x x x x =++=成立,而是说
()123123,,0g x x x x x x =++=是一个约束条件,是123,,x x x 需要满足的等式,但是
如果我们通过这个等式解出()()12323,x x x x x ψ==-+,我们发现对于任意23,x x 有()()()232323,,,,0f x x g x x x x ψ==成立。
1.2.3:求解原问题取极值时满足的必要条件
结合
{}102,3,k k
f f
k n x x x ψ∂∂∂+==∂∂∂
所以:
{}1102,3,k
k g x f f k n g x x x
∂⎛⎫ ⎪∂∂∂ ⎪-+==∂∂∂ ⎪ ⎪∂⎝⎭
即:
{}112,3,k
k
f f
x x k n g g x x ∂∂∂∂==∂∂∂∂
即在满足()10200,0n g x x x = 情况下函数()12,n f x x x 的极值点满足:
{}112,3,k
k
f f
x x k n g g x x ∂∂∂∂==∂∂∂∂ 。
2原问题用拉格朗日方法求条件极值:
设函数
()()()121212,,,,n n n L x x x f x x x g x x x λλ=-
设()102000,,n x x x λ 是函数()12,,n L x x x λ 的极值点,那么()10200,n x x x 就是函数
()12,n f x x x 的极值点,且满足()10200,0n g x x x =
为什么呢?
因为()102000,,n x x x λ 是函数()12,,n L x x x λ 的极值点,所以
()
()()
{}()()()121020001210200012,,,,12,,,,,,01,2,,0n n n n n k x x x x x x n x x x x x x L x x x k n x L x x x λλλλλλλ==⎧∂=∈⎪
∂⎪⎨
∂⎪=⎪∂⎩
即:
()()()(){}()()()12102000121020001212,,,,12,,,,,,01,2,0n n n n n n k k x x x x x x n x x x x x x f x x x g x x x k n x x g x x x λλλλλ==⎧∂∂⎛⎫
-=∈⎪ ⎪⎪∂∂⎝
⎭⎨⎪
=⎪⎩
即:
()
()()
()()(){}
()()()12102000121020001210200012,,,,12
,,,,12,,,,,1,2,,0
n n n n n n n k
x x x x x x n k
x x x x x x n x x x x x x f x x x x k n g x x x
x g x x x λλλλλλλ===⎧∂⎪
∂⎪=∈⎪∂⎨⎪∂⎪
⎪=⎩
显然,
()
()()
()
()()
{}1
2
102000
1
2
102000
12,,,,12,,,,,1,2, n
n n
n n k
x x x x
x x n k
x x x x
x x f x x x x k n g x x x x λλλλλ==∂∂=∈∂∂ 跟{}
112,3,k
k
f f
x x
k n g g x x ∂∂∂∂==∂∂∂∂ 是等价的。
所以如果()102000,,n x x x λ 是函数()12,,n L x x x λ 的极值点,那么()10200,n x x x 就满足
()12,0n g x x x = 情况下函数()12,n f x x x 的极值点条件{}112,3,k
k
f f
x x
k n g g x x ∂∂∂∂==∂∂∂∂ ,
且()10200,0n g x x x = 。