第九章 多元函数微分学

目录

开篇引入

本文关键字：偏导数、全微分、链式法则、梯度、多元极值

本文围绕高等数学第九章「多元函数微分学」展开。我们从一元函数求导讲起，一步步扩展到多元世界：偏导数怎么理解、全微分有什么用、复合函数怎么求导、梯度为什么总指向"最陡"的方向、多元函数怎么找极值。全文从零讲起，只要你会一元函数的导数，就能跟上。

很多人学到这里最大的困惑是：偏导数、全微分、梯度，名字一个比一个吓人，它们到底是不是同一件事？往下看，你会发现它们其实是同一个思想在不同方向上的投影——这个思想就是"局部线性化"。

一、从一元到多元：为什么要学偏导数

本章关键词：偏导数、多元函数、冻结变量

先回顾一元函数。y=f(x)y=f(x) 只有一个自变量 xx，导数 f′(x)f'(x) 回答一个问题：当 xx 变化一点点时，yy 跟着变化多少——也就是变化率。

到了多元函数，比如 z=f(x,y)z=f(x,y)，自变量有两个。问题来了：xx 动、yy 不动，zz 变多少？反过来 yy 动、xx 不动呢？一个函数有了多个"方向"，变化率就不止一个了。

偏导数就是"只让一个变量动，把其他变量冻住"时测出的变化率。 比如对 xx 求偏导，就是把 yy 当成常数，像一元函数一样对 xx 求导。

定义长这样（在点 (x0,y0)(x_0,y_0) 处对 xx 求偏导）：

fx(x0,y0)=lim⁡Δx→0f(x0+Δx,y0)−f(x0,y0)Δxf_x(x_0,y_0)=\lim_{\Delta x\to 0}\frac{f(x_0+\Delta x,y_0)-f(x_0,y_0)}{\Delta x}

生活类比：想测量一块操场南北方向和东西方向分别有多陡。站在同一点，沿南北方向走，量出的坡度就是一个"偏导数"；回到原点，沿东西方向走，量出的是另一个"偏导数"。两个坡度互不干扰，就像两个偏导数各管各的方向。

计算规则很简单：求 fxf_x 时把 yy 当常数，其余照常求导。比如 f(x,y)=x2+3xy+y3f(x,y)=x^2+3xy+y^3，则 fx=2x+3yf_x=2x+3y，fy=3x+3y2f_y=3x+3y^2。

⬆ 返回目录

二、全微分：微小变化的叠加

本章关键词：全微分、线性主部、可微

一元函数里，dy=f′(x) dxdy=f'(x)\,dx 表示自变量微小变化 dxdx 引起的 yy 的微小变化。多元函数里，xx 和 yy 都可能动一点，总变化怎么算？

直觉答案：两个方向的变化各自算出来，再加起来。 这就是全微分：

dz=fx(x0,y0) dx+fy(x0,y0) dydz=f_x(x_0,y_0)\,dx+f_y(x_0,y_0)\,dy

其中 dx=Δxdx=\Delta x、dy=Δydy=\Delta y 是自变量的小增量，fxf_x、fyf_y 是偏导数。

几何直觉：曲面在一点附近，可以用一个"切平面"近似。全微分就是这个切平面给出的高度变化，它是对真实变化的线性近似。真实变化与线性近似之间的误差，缩小的速度比 ρ=(Δx)2+(Δy)2\rho=\sqrt{(\Delta x)^2+(\Delta y)^2} 还快——这个"误差小到可以忽略"的性质，就叫可微。

判断可微的实用结论：如果 fxf_x、fyf_y 都在该点连续，那么函数在该点可微（充分条件）。注意：偏导数存在 ≠ 可微。

全微分最大的用处是近似计算。比如算 (3.02)2+(3.99)2\sqrt{(3.02)^2+(3.99)^2}：把它看成函数 z=x2+y2z=\sqrt{x^2+y^2} 在 (3,4)(3,4) 点（此时 z=5z=5）处的微小偏移，用 dz=35×0.02+45×(−0.01)=0.004dz=\frac{3}{5}\times 0.02+\frac{4}{5}\times(-0.01)=0.004，得到近似值 5.0045.004，而真实值是 5.00404…5.00404\ldots——误差不到万分之五。

⬆ 返回目录

三、链式法则：复合函数怎么求导

本章关键词：链式法则、复合函数、路径图

一元函数有链式法则：dydx=dydu⋅dudx\frac{dy}{dx}=\frac{dy}{du}\cdot\frac{du}{dx}。多元函数更复杂：z=f(u,v)z=f(u,v)，而 uu、vv 又各自是 xx、yy 的函数。xx 一变，先影响 uu 和 vv，再间接影响 zz——变化要"传两段路"。

规则：每条影响路径，把各段导数乘起来；不同的路径，再把结果加起来。

比如 z=f(u,v)z=f(u,v)，u=u(x,y)u=u(x,y)，v=v(x,y)v=v(x,y)，则：

∂z∂x=∂z∂u⋅∂u∂x+∂z∂v⋅∂v∂x\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}

记法技巧（路径图）：从 zz 出发画分支到 uu、vv，再分别分支到 xx、yy。要算 ∂z∂x\frac{\partial z}{\partial x}，就把"z→u→xz\to u\to x"和"z→v→xz\to v\to x"两条路径上的导数连乘后相加。路径有几条，式子就有几项，绝不会漏。

生活类比：公司里 CEO 的收入受部门经理影响，部门经理受组长影响。CEO 想评估"组长奖金涨 1 元对自己收入的影响"，得分别走"CEO←经理←组长"等每条影响线，再把各线影响加总——和链式法则一模一样。

⬆ 返回目录

四、方向导数与梯度：往哪个方向变化最快

本章关键词：方向导数、梯度、最陡方向

偏导数只盯着 xx 轴、yy 轴两个方向。可站在山坡上，你关心的往往是"朝东南方向走，海拔变化多快"。任意方向上的变化率，叫方向导数。

设单位方向向量 l=(cos⁡α,cos⁡β)\mathbf{l}=(\cos\alpha,\cos\beta)，函数 ff 在点 P0P_0 处沿 l\mathbf{l} 的方向导数为：

fl′(P0)=fx(P0)cos⁡α+fy(P0)cos⁡βf_{\mathbf{l}}'(P_0)=f_x(P_0)\cos\alpha+f_y(P_0)\cos\beta

梯度的定义：把两个偏导数拼成一个向量：

∇f(P0)=(fx(P0), fy(P0))\nabla f(P_0)=\big(f_x(P_0),\,f_y(P_0)\big)

神奇的事情发生了：方向导数恰好等于梯度与单位方向向量的点积。学过点积就知道，两个向量方向一致时点积最大——所以：

  • 梯度方向 = 函数增长最快的方向；
  • 梯度反方向 = 下降最快的方向；
  • 与梯度垂直的方向，方向导数为 0（函数值不变）。

生活类比：下雨时，山上的水流总是沿着最陡的坡往下流——水流方向就是"负梯度方向"。梯度就像一个永远指向"最陡上升"的指南针。

等高线视角：沿等高线走，海拔不变，方向导数为 0，说明梯度垂直于等高线。这也是登山者看地图时"等高线越密越陡"的数学来源。

⬆ 返回目录

五、多元极值：如何找到山峰与山谷

本章关键词：驻点、极值判别法、鞍点、条件极值

5.1 必要条件：先找驻点

一元函数找极值，先求 f′(x)=0f'(x)=0 的驻点。多元函数同理：可微函数的极值点处，两个偏导数必须同时为 0：

fx(x0,y0)=0,fy(x0,y0)=0f_x(x_0,y_0)=0,\qquad f_y(x_0,y_0)=0

满足这两个方程的点叫驻点。注意：驻点只是"候选"，不一定是极值点——山顶、山脚、鞍部都先被圈进来，再逐个甄别。

5.2 充分条件：AC−B² 判别法

设 A=fxxA=f_{xx}，B=fxyB=f_{xy}，C=fyyC=f_{yy}（三个二阶偏导数，都在驻点处取值），记 Δ=AC−B2\Delta=AC-B^2，判别规则如下：

条件 结论 直觉
Δ>0\Delta>0 且 A>0A>0 极小值 碗底、谷底
Δ>0\Delta>0 且 A<0A<0 极大值 山峰
Δ<0\Delta<0 不是极值（鞍点） 马鞍正中间
Δ=0\Delta=0 判别法失效 需另想他法

为什么叫鞍点：马鞍中间那个点，沿马背方向看是"凸"的（像极大），沿马腹方向看是"凹"的（像极小）——两个方向结论相反，所以不是极值。

5.3 条件极值：拉格朗日乘数法

很多时候极值还带着约束，比如"在圆周 x2+y2=1x^2+y^2=1 上，z=x+yz=x+y 的最大值是多少"。这类条件极值问题，标准做法是拉格朗日乘数法：构造辅助函数

L=f(x,y)+λ φ(x,y)L=f(x,y)+\lambda\,\varphi(x,y)

其中 φ(x,y)=0\varphi(x,y)=0 是约束条件，然后对 xx、yy、λ\lambda 分别求偏导并令其为 0，解方程组即可。它把一个"带约束的最优化问题"转化成了"无约束的驻点问题"，是多元微分学里最实用的工具之一。

⬆ 返回目录

思考题

  1. 【★★☆】偏导数都存在，函数就一定可微吗？试试 f(x,y)=xyx2+y2f(x,y)=\frac{xy}{\sqrt{x^2+y^2}}（原点处定义为 0）：它在原点两个偏导数都是 0，但沿 y=xy=x 方向接近原点时，函数值与 ρ=x2+y2\rho=\sqrt{x^2+y^2} 之比并不趋于 0。这说明什么？
    提示：回看第二章"可微"的定义，对比"偏导数存在"与"增量能被线性主部近似"两个条件谁强谁弱。
  2. 【★★★】用方向导数的公式证明：梯度方向垂直于等高线。
    提示：沿等高线走，函数值不变，方向导数必须为 0；把方向导数写成梯度与切线方向的点积，想一想两个向量点积为 0 意味着什么。
  3. 【★★☆】若 z=f(u,v,w)z=f(u,v,w)，而 u,v,wu,v,w 都同时依赖 x,yx,y，请写出 ∂z∂x\frac{\partial z}{\partial x} 的完整表达式，并数一数它有几项。
    提示：先画路径图，数一数从 zz 到 xx 有几条路径。
  4. 【★★★】在 Δ=0\Delta=0 时判别法失效，请构造两个例子说明：同样满足 Δ=0\Delta=0，一个函数在原点取极值，另一个不取。
    提示：比较 z=x4+y4z=x^4+y^4 与 z=x3+y3z=x^3+y^3 在原点附近的行为。
  5. 【★★☆】动手验证：取 z=x2+y2z=x^2+y^2，在点 (1,1)(1,1) 处梯度为 (2,2)(2,2)。用计算器或 Python 沿几个不同方向各走一小步（如 Δs=0.01\Delta s=0.01），比较各方向的函数增量，验证"沿梯度方向增长最快"。
    提示：理论值是方向导数公式 fl′=∇f⋅lf_{\mathbf{l}}'=\nabla f\cdot\mathbf{l}，数值结果应接近它。

⬆ 返回目录