拉格朗日乘数法

合集下载

拉格朗日乘数法介绍

拉格朗日乘数法介绍

拉格朗日乘数法在数学最优化问题中,拉格朗日乘数法(以数学家约瑟夫·路易斯·拉格朗日命名)是一种寻找变量受一个或多个条件所限制的多元函数的极值的方法。

这种方法将一个有n 个变量与k 个约束条件的最优化问题转换为一个有n + k个变量的方程组的极值问题,其变量不受任何约束。

这种方法引入了一种新的标量未知数,即拉格朗日乘数:约束方程的梯度(gradient)的线性组合里每个向量的系数。

此方法的证明牵涉到偏微分,全微分或链法,从而找到能让设出的隐函数的微分为零的未知数的值。

目录定义用“拉格朗日乘数法”求极值条件极值点的必要条件解应用问题举例拉格朗日乘数法举例拉格朗日乘数法在消费者均衡原则中的应用定义用“拉格朗日乘数法”求极值条件极值点的必要条件解应用问题举例拉格朗日乘数法举例拉格朗日乘数法在消费者均衡原则中的应用展开定义设给定二元函数z=ƒ(x,y)和附加条件φ(x,y)=0,为寻找z=ƒ(x,y)在附加条件下的极值点,先做拉格朗日函数L(x,y)=ƒ(x,y)+λφ(x,y),其中λ为参数。

求L(x,y)对x和y的一阶偏导数,令它们等于零,并与附加条件联立,即L'x(x,y)=ƒ'x(x,y)+λφ'x(x,y)=0,L'y(x,y)=ƒ'y(x,y)+λφ'y(x,y)=0,φ(x,y)=0由上述方程组解出x,y及λ,如此求得的(x,y),就是函数z=ƒ(x,y)在附加条件φ(x,y)=0下的可能极值点。

用“拉格朗日乘数法”求极值求函数f(x,y,z)在条件φ(x,y,z)=0下的极值方法(步骤)是:1.做拉格朗日函数L=f(x,y,z)+λφ(x,y,z),λ称拉格朗日乘数2.求L分别对x,y,z,λ求偏导,得方程组,求出驻点P(x,y,z)如果这个实际问题的最大或最小值存在,一般说来驻点唯一,于是最值可求.条件极值问题也可以化为无条件极值求解,但有些条件关系比较复杂,代换和运算很繁,而相对来说,“拉格朗日乘数法”不需代换,运算简单一点.这就是优势.条件φ(x,y,z)一定是个等式,不妨设为φ(x,y,z)=m则再建一个函数g(x,y,z)=φ(x,y,z)-mg(x,y,z)=0,以g(x,y,z)代替φ(x,y,z)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 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. 设水箱的长、宽、高分别为 x,y,z,则水箱容积V=xyz 焊制水箱用去的钢板面积为S=2xz+2yz+xy这实际上是求函数 S 在 V 限制下的最小值问题。

拉格朗日乘数法求极值原理

拉格朗日乘数法求极值原理

拉格朗日乘数法求极值原理
格朗日乘数法,即Lagrange Multiplier方法,又称约束最优化方法,一种从满足某种条件的函数的局部最优解或全局最优解中寻找变量的方法。

它是1773年由意大利数学家罗杰拉格朗日提出的,是求解非线性最优化问题的一大利器。

拉格朗日乘数法可以用来求解约束和非约束多元函数极值问题,它利用一种被称作拉格朗日乘数的概念来解决约束最优化问题,该概念是一种把约束和目标函数化简为一个单目标函数的方法,这样就可以使用标准的最优化算法求解该函数的极值。

拉格朗日乘数法的具体原理及步骤:
首先,给定一个函数及对应的约束条件;
其次,将约束条件表示为拉格朗日函数,即将原函数及其约束条件约束到拉格朗日函数中;
第三,求这个拉格朗日函数的极值,并从极值中求出原函数的极值;
最后,得出原函数的极值以及约束条件的结果,即可求出满足约束条件的函数的最优解。

拉格朗日乘数法的实践中,可以通过求和项乘以拉格朗日乘数来形成新的函数即拉格朗日函数,其中,拉格朗日乘数代表了原函数及其约束条件之间的相互影响,其值为新函数的极值点,即求出拉格朗日乘数,就可以得到原函数的极值点。

拉格朗日乘数法在优化计算领域中有着广泛应用,它可以用来求
解解析最优化问题,也可以用来求解数值最优化问题,从而得到全局最优解或局部最优解,具有广泛的应用之用。

总之,拉格朗日乘数法是一种用于求解约束及非约束多元函数极值问题的有效算法,所得结果能够更好的满足约束条件,这正是它所独特的优势所在。

它也是经典的非线性最优化方法之一,具有广泛的应用前景。

拉格朗日乘数法的完整证明

拉格朗日乘数法的完整证明

拉格朗日乘数法的完整证明拉格朗日乘数法是一种优化问题的解决方法,而它的核心思想就是将约束条件与目标函数融合在一起。

接下来,我们将深入探讨拉格朗日乘数法的证明,让我们一步步来看。

1. 拉格朗日乘数法的基本概念拉格朗日乘数法是一种优化方法,可以解决带约束条件的数学问题。

在具体的应用中,常常遇到要求函数在特定约束条件下的最优值。

比如说,在生产条件固定的情况下,如何使得产品利润最大化?这时候就需要我们运用拉格朗日乘数法来解决问题。

2. 拉格朗日乘数法的推导过程接下来我们来看拉格朗日乘数法的推导过程。

假设我们有一个带有n个变量的函数f(x),需要满足m个约束条件g(x)≥ 0。

根据一般的函数极值的求法,我们需要使用偏导数来解求问题,而在满足条件的前提下,我们可以将目标函数和约束条件写成这样的形式:L(x) = f(x) - λg(x)。

其中,λ是所谓的拉格朗日乘数,可以看作对约束条件g(x)的权重。

在这个形式下,我们对目标函数求偏导数,并强制使其等于0,得到如下的式子:▽L(x) = ▽f(x) - λ▽g(x) = 0同时,我们也需要满足所有的约束条件,因此:g(x) ≥ 0我们可以将上述公式进一步变形为:▽f(x)/▽x = λ▽g(x)/▽x这个公式的意思就是,当目标函数的一阶偏导数的比值与拉格朗日乘数的一阶偏导数的比值相等时,函数达到了最优解,并且此时满足约束条件。

这样,我们就得到了拉格朗日乘数法的推导公式。

3. 拉格朗日乘数法的证明过程现在,我们可以开始拉格朗日乘数法的证明过程。

首先,我们有一个实函数f(x),其中x是指所有的n个变量,可以看成:f(x) = f(x1, x2, ..., xn)定义一个实函数L(x1, x2, ..., xn, λ1, λ2, ..., λm),其中λ1, λ2, ..., λm 是所谓的拉格朗日乘数,我们将一个m个条件的约束问题,变成了一个 (n+m) 维的函数。

拉格朗日乘数法解方程技巧

拉格朗日乘数法解方程技巧

拉格朗日乘数法解方程技巧
(最新版)
目录
一、拉格朗日乘数法简介
二、拉格朗日乘数法的应用
三、解方程技巧
四、总结
正文
一、拉格朗日乘数法简介
拉格朗日乘数法是一种数学优化方法,用于在给定约束条件下寻找多元函数的极值。

这种方法由数学家约瑟夫·路易斯·拉格朗日提出,其核心思想是将有约束条件的最优化问题转化为无约束条件的极值问题。

拉格朗日乘数法通过引入拉格朗日乘数,将约束方程的梯度与目标函数的梯度结合起来,从而构造出一个新的函数,称为拉格朗日函数。

求解拉格朗日函数的极值点,即可得到原问题的最优解。

二、拉格朗日乘数法的应用
拉格朗日乘数法广泛应用于各种最优化问题,如线性规划、非线性规划、动态规划等。

在实际问题中,我们通常需要解决带有约束条件的优化问题,例如在给定资源限制下最大化利润、在满足特定条件下最小化成本等。

这些问题可以借助拉格朗日乘数法来求解。

三、解方程技巧
在运用拉格朗日乘数法解方程时,我们需要遵循以下步骤:
1.构造拉格朗日函数:将目标函数和约束条件带入拉格朗日函数的定义式,得到拉格朗日函数。

2.求导:对拉格朗日函数分别对 x 和 y 求一阶偏导数,并令其等于零,得到方程组。

3.解方程组:求解方程组,得到极值点。

4.判断极值性:通过二阶导数检验或梯度检验,判断极值点是极大值、极小值还是鞍点。

5.应用极值点:将极值点代入原目标函数,得到最优解。

四、总结
拉格朗日乘数法是一种强大的数学工具,可以帮助我们在给定约束条件下解决最优化问题。

拉格朗日乘子法

拉格朗日乘子法

拉格朗⽇乘⼦法拉格朗⽇乘数法(Lagrange multiplier)有很直观的⼏何意义。

举个2维的例⼦来说明:假设有⾃变量x和y,给定约束条件g(x,y)=c,要求f(x,y)在约束g下的极值。

我们可以画出f的等⾼线图,如下图。

此时,约束g=c由于只有⼀个⾃由度,因此也是图中的⼀条曲线(红⾊曲线所⽰)。

显然地,当约束曲线g=c 与某⼀条等⾼线f=d1相切时,函数f取得极值。

两曲线相切等价于两曲线在切点处拥有共线的法向量。

因此可得函数f(x,y)与g(x,y)在切点处的梯度(gradient)成正⽐。

于是我们便可以列出⽅程组求解切点的坐标(x,y),进⽽得到函数f的极值。

想法就是:能够碰到极⼤极⼩值点的必要条件是:梯度场与切空间垂直,也就是梯度场不能够有任何流形切空间上的分量,否则在切空间⽅向有分量,在流形上沿分量⽅向⾛,函数值会增加,沿反⽅向⾛,函数值会减少,不可能为局部极⼩或者极⼤值点。

⼀.⼀个基本的例⼦:假设你⽣活在三维欧⽒空间中,z⽅向的坐标数值上代表海拔⾼度。

如果你会飞,那么anyway,你想飞多⾼飞多⾼,所以你的海拔可以任意⾼也可以任意⼩,根本就没有最⼤值。

假定你是⼀个普通⼈类,你在⼀座⼭上,你的⽬标是爬到⼭顶,也就是说你希望⾃⼰的海拔⾜够⾼:当你真正到达⼭腰时,很容易“只缘⾝在此⼭中,不识此⼭真⾯⽬”,这时候如何判断是真的在往上爬呢,还是在往下⾛呢?在⾁眼所能看见的⼩范围内,你可以通过周边的局部地形来判断,假设它⼤概是这样:你就知道应该往⾼处(⼤概为红箭头⽅向)⾛,⽽不是绿箭头⽅向。

当然不⼀定⼀直沿这个⽅向直线式上升,可能还需要⾛到某个地⽅,再次做⼀下这种局部的考察,调整⼀下⽅向,保证⾃⼰能向⾼处⾛。

不过,什么是“⾼”的⼀边?这个概念究竟是如何形成的?我们知道,海拔,我们希望能够找到⼭⾯上的海拔最⾼点(⼭顶)。

梯度关于梯度⼀个很⾃然的结论就是:沿梯度⽅向是f增长最快的⽅向,反⽅向是下降最快的⽅向。

拉格朗日乘数法求解

拉格朗日乘数法求解

拉格朗日乘数法求解
拉格朗日乘数法是一种优化问题的求解方法。

它的基本思想是将约束条件和目标函数合并成一个函数,然后通过求解该函数的极值来得到最优解。

这个函数被称为拉格朗日函数,它的极值问题可以通过拉格朗日乘数法来求解。

拉格朗日乘数法可以用来求解各种类型的问题,如最小化或最大化一个函数,满足一组约束条件。

在这个方法中,我们首先需要建立拉格朗日函数。

它是原始目标函数和所有约束条件的线性组合。

然后,我们需要对它求导,并令导数等于零,得到一组方程。

这些方程的解就是拉格朗日乘数,它们用于确定最优解的位置。

最后,我们需要检查解是否满足所有约束条件,以确定是否为最优解。

拉格朗日乘数法的优点在于它能够解决非线性和不等式约束的
问题。

但是,这个方法也有一些缺点。

首先,它只能找到局部最优解,而不能保证全局最优解。

其次,计算复杂度很高,因为我们需要求解多个方程。

总的来说,拉格朗日乘数法是一种非常有用的工具,可以通过求解一组方程来解决各种最优化问题。

虽然它有一些缺点,但在实际应用中,它仍然是一个非常有效的方法。

- 1 -。

拉格朗日乘数法计算

拉格朗日乘数法计算

拉格朗日乘数法计算拉格朗日乘数法是一种用于求解约束条件下最优化问题的方法。

它的基本思想是将约束条件转化为目标函数的一部分,并引入拉格朗日乘子来构建拉格朗日函数,通过对拉格朗日函数进行求导和求解方程组,得到最优解。

在实际应用中,我们经常会遇到带有约束条件的优化问题。

例如,有一块长方形的围墙,我们想要在围墙上围成一个面积最大的矩形花坛。

这个问题可以用数学表达为:在围墙的一边上放置一些围墙,使得围墙的长度加上围墙的宽度等于固定值,求矩形花坛的最大面积。

这个问题可以用拉格朗日乘数法来解决。

我们定义围墙的一边的长度为L,另一边的宽度为W,矩形花坛的面积为A。

根据题目要求,我们知道L + W = C,其中C为固定值。

我们的目标是求矩形花坛的最大面积A。

根据拉格朗日乘数法,我们要构建拉格朗日函数。

首先,我们定义一个新的函数F(L, W, A) = A + λ(L + W - C),其中λ为拉格朗日乘子。

我们将约束条件L + W = C转化为等式L + W - C = 0,并引入拉格朗日乘子λ来构建拉格朗日函数。

接下来,我们要对拉格朗日函数求偏导数,即求F对L、W、A的偏导数。

偏导数的结果分别为∂F/∂L = 0 + λ,∂F/∂W = 0 + λ,∂F/∂A = 1。

根据拉格朗日乘数法的要求,偏导数的结果应当为0。

我们得到了一个方程组:∂F/∂L = λ = 0∂F/∂W = λ = 0∂F/∂A = 1 = 0由于λ = 0,我们可以得到L + W - C = 0。

这个方程描述了约束条件,即围墙的长度加上围墙的宽度等于固定值C。

解方程组L + W - C = 0,我们可以得到L = C/2,W = C/2。

将L 和W带入矩形花坛的面积公式A = L * W,我们可以得到A = (C/2) * (C/2) = C^2/4。

所以,当围墙的长度和宽度之和等于固定值C时,矩形花坛的最大面积为C^2/4。

这就是我们通过拉格朗日乘数法得到的最优解。

拉格朗日数乘法

拉格朗日数乘法

拉格朗日乘数法专门用来解决带有限制条件的多元函数极值。

我们有连续可导二元函数z=f(x,y)并且有限制条件ϕ(x,y)=0那么我们要求的是z=f(x,y)在该限制条件下的极值。

首先构造函数gg(x,y)=f(x,y)+λϕ(x,y)现在问题变成了类似于我要对g(x,y)求极值,因此就变成了∂g(x,y)∂x=0∂g(x,y)∂y=0∂g(x,y)∂λ=0整理可得{Fx′=fx′(x,y)+λϕx′(x,y)=0Fy′=fy′(x,y)+λϕy′(x,y)=0Fλ′=ϕ(x,y)=0三个方程组联立,就得到了限制条件下的z的极值。

那么问题来了,为什么这种方法是奏效的?推导过程假设我们有函数f(x),并且存在一个限制函数g(x)=0,我们要找f(x)的最大值。

这里x是D维向量。

x=[x1,x2,...,xD]那么限制方程g(x)=0,就是一个D-1维的限制曲面。

(很好理解吧?自由度少了1)考虑在限制曲面上的点x,以及同样位于这个限制曲面上的另一个临近点x+ϵ。

在x处对这个曲面上的临近点进行泰勒展开,则有g(x+ϵ)≈g(x)+ϵT∇g(x)* 一阶泰勒展开就简单理解为物理学的匀速运动方程,s1=s0+vt* ϵT:就是临近点的微小偏移,并且跟x一样是D维的,之所以有转置符号,是为了和后面的梯度做点乘,记住g是一个数* ∇ g(x):我是对g(x)作泰勒展开,这个就是一阶导,即梯度那么我们首先应该注意到,g(x)=0,所以显然g(x)=g(x+ϵ)那么显然ϵT∇g(x)≈0在极限条件||ϵ||→0的情况下,我们有ϵT∇g(x)=0也就是说这俩向量垂直。

由于ϵ平行于限制曲面,那么∇g只能正交(垂直)于曲面。

接下来寻找限制曲面的一点x∗,使得f(x)最大。

那么我们假想一下,如果我们找到了这个x∗,在这个平面上f(x)是最大的,那么在这一点上,∇f(x)一定也正交于此限制曲面。

如果这个性质不满足,那么就余地让x∗稍微沿着梯度上升方向再挪那么一点,使得f(x)更大。

  1. 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. 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. 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)。

设 L( x, y, z, ) 2(xy yz xz) (xyz V )
L x 2( y z) yz 0,
并令 L y 2( x z) L z 2( x y)
xz 0, 解得 x y z 3 V
xy 0,
L xyz V 0,
故体积一定而表面积最小的长方体是正立方体 .
3.求空间一点 ( x0 , y0 , z0 ) 到平面 Ax By Cz D 0 的最短距离 .
D)
.
所以
C. 2
( x x0 ) 2 ( y y0 ) 2 (z z0 ) 2
1 2 ( A2 B 2 C 2 ) 4
Ax0 By0 Cz0 D A2 B 2 C 2
故d
Ax0 By0 Cz0 D
为所求最短距离 .
A2 B 2 C 2
4.证明 : 在 n 个正数的和为定值条件 x1 x 2
x n a 下 ,这 n 个正数的乘积 x1x2 x n 的
解 : 由 题 意 , 相 当 于 求 f (x, y, z) d 2 ( x x0 ) 2 ( y y0 ) 2 ( z z0 ) 2 在 条 件
Ax By Cz D 0 下的最小值问题 .由几何学知 ,空间定点到平面的最短距离存在 .
设 L( x, y, z, ) f ( x, y, z) ( Ax By Cz D ) 且
k1
n
于是, f 在条件
x
2 k
k1
n
1
n
a 2 下的最大值为 a(
a
2 k
)
2
.

f
在条件
x
2 k
k1
k1
1 下的最大值为
0
sup a
n
1
( 1k
1
ak2 ) 2
n
1
( ak2 ) 2.
k1
(注此题也可用柯西不等式,方法更简。 ) 6.求函数
f (x1, x 2 , x n ) x12 x22
xn2
xn , )
n
ak xk
k1
n
(
x
2 k
a 2 )( 0
a
1)
k1
L xk

解得
xk
ak 2 xk 0(k 1,2, , n)
n
L
xk a2 0

k1
n
1
ak a /( ak ) 2 )(k 1,2, , n),
k1
此时,有
1
(
n
1
ak2 ) 2 .
2a k 1
n
ak xk
k1
n
1
a( ak2 ) 2 .
Lx1 x1 x2 xn x1
0,
Lx2 x1 x2 xn x2
0,
解得 x1 x2
Lxn x1x2 xn xn
0,
L x1 x2
xn a 0, (4)
由题意知 ,最大值在唯一稳定点取得 .
所以 f 最大
aa
a an
f( , , nn
,) n
nn .
a xn
n
故 n x1 x2
xn
an
n
nn
a x1 x2
x1
x
6
2 x1
x
6
6
1
1
y
,y
,y
6
6
2 ,y
6
2
1
1
z
z
z
z
6
6
6
又 f (x, y, z) xyz 在有界闭集
1x 6
1 ,y
6
2 z
6
1x 6
2 y
6
1 z
6
1
6 2
.
6 1
6
{( x, y, z) | x 2 y 2 z2 1, x y z 0}
上连续 ,故有最值 .因此 ,极小值为
f( 1 , 1 , 2 ) f ( 2 , 1 , 1 )
n
n
xn
因此 n x1 x2
xn
x1 x2
xn .
n
5.设 a1 , a 2, a n 为已知的 n 个正数,求
n
f ( x1, x2 , xn )
ak xk
k1
在限制条件
x12 x22
xn2 1
下的最大值。
n

先求 f 在条件
xi2 a 2 (0 a 1) 下的条件最大值。为此,设
i1
L(x1, x2 ,
.故函数必在唯一稳定点处
Lx 1 Ly 1
yzt 0, xzt 0,
Lz 1 xyt 0, Lt 1 xyz 0, L xyzt c4 0,
解方程组得 x y z t c. 由于当 n 个正数的积一定时 ,其和必有最小值 ,故 f 一定存在唯
一稳定点 (c, c ,c, c)取得最小值也是极小值 ,所以极小值 f(c, c ,c, c)=4c .
Lx 2(x x0 ) A 0, (1) L y 2( y y0 ) B 0, (2) Lz 2(z z0) C 0, (3) L Ax By Cz D 0, (4)
由(1),(2),(3) 得 x x0
A , y y0
B , z z0
2
2
代入 (4) 解得
2( Ax0 By0 Cz0 A2 B2 C 2
1.
k1
解 (1) 设 L( x, y, ) x 2 y2 ( x y 1) 对 L 求偏导数 ,并令它们都等于 0,则有
Lx 2x
0,
Ly 2y
0,
Lz x y 1 0.
解之得 x y 1 ,
1.由于当 x
,y
2
11 取得极小值 , 极小值 f ( , )
1.
22 2
时, f
(2) 设 L (x, y, z, t, ) x y z t ( xyzt c 4 ) 且
a
2 k
)
1(k
1,2,
, n),
k1
依题意,相当于求 n 维空间中原点到超平面
n
akxk
k1
1 的最短距离。由几何知,最短距离
存在,而稳定点只有一个,故一定在唯一稳定点处取得最小值,故
f 最小
n
n
f [(
a
2 k
)
1 a1 ,(
a
2 k
)
1a2,
k1
k1
n
,(
a
2 k
)
1an ]
k1
n
(
a
2 k
)
最大值为
an nn
.并由 此 结果 推出
n 个正数的几何中值不大于算术中值
n x1 x2 x n
x1 x 2
xn .
n
证: 设 f ( x1, x 2, x n ) x1x 2 x n ,
L( x1 , x2 , xn , ) f (x1, x2 , xn ) ( x1 x2
xn a) , ( x1, x2 , , xn 0) ,
(3) 设 L( x, y, z, ,u) xyz ( x 2 y2 z2 1) u( x y z) ,并令
Lx yz 2 x u 0, L y xz 2 y u 0, Lz xy 2 z u 0, L x 2 y 2 z 2 1 0, Lu x y z 0,
解方程组得 x, y, z的六组值为 :
xyz ,限制条件为 2( xy
yz
xz)
2
a。
设 L( x, y, z, ) xyz [ 2(xy yz xz) a 2 ]
L x yz 2 ( y z) 0,
L y xz 2 ( x z) 0,
并令
L z xy 2 ( x y) 0,
L 2(xy yz xz) a 2 0,
解得 x y z
a

6
66 6
6 66
极大值为
1, 36
1 12
211
1
f(
,
, ) f( ,
,)
.
6 66
6 6 6 36
2.(1) 求表面积一定而体积最大的长方体; (2)求体积一定而表面积最小的长方体。
解:( 1)设长方体的长、宽、高分别为 x, y, z ,表面积为 a 2 (a 0) ,
则体积为 f ( x, y, z)
因此求长方体体积有最大值,且稳定点只有一个,所以最大值 故表面积一定而体积最大的长方体是正立方体 .
a aa
a3
f( , , )

6 6 6 66
(2)设长方体的长、 宽、高分别为 x, y, z,体积为 V ,则表面积 f ( x, y, z) 2( xy yz xz) ,
限制条件 : xyz V .
在条件
n
ak xk
k1
1(a k
0, k 1,2, , n)
下的最小值。 解设
L ( x1, x2 , xn , ) f (x1, x2, xn )
n
( ak x k 1 ),
k1
Lxk 2xk ak 0(k 1,2, , n)

n
, 解得
L
ak xk 1 0k1nxk(
a
2 k
)
1ak ,
k1
n
2(
1. 应用拉格朗日乘数法,求下列函数的条件极值:
(1) f ( x, y) x2 y 2 ,若 x y 1 0;
(2) f ( x, y, z,t ) x y z t, 若 xyzt c4 (其中 x, y, z,t , 0, c 0 );
相关文档
最新文档