微分中另一个有名的法则是乘法法则或莱布尼兹法则。
定理6
令
A⊂Rn
是开集,
f:A→Rm,g:A→R
是可微函数,那么
gf
是可微的并且对于
x∈A,D(gf)(x):Rn→Rm
为
D(gf)(x)⋅e=g(x)(Df(x)⋅e)+(Dg(x)⋅e)f(x)
,对所有的
e∈Rn
均如此。(注意因为
g(x)∈R,Dg(x)⋅e∈R
,所以这是可行的)
有时我们将上面的结果缩写成
D(gf)=gDf+(Dg)f
但是准确的含义与定理描述的一致。
大家对基本微积分中的乘法法则应该非常熟悉,用元素的角度看待,定理简化为
∂∂xi(gfk)=g(∂fk∂xi)+(∂g∂xi)fk
对于除法而言,我们有相同的结果。如果
g≠0
,那么
D(fg)=(g⋅Df−f⋅Dg)g2
为了证明这个公式,我们可以将定理6中的
g
换成1/g,这里证明从略。
其他的微分法则围绕着
D
是线性展开;即D(f+g)=Df+Df,D(λf)=λDf,其中
λ∈R
是一个常数。
现在我们考虑一下梯度的几何意义,令
f:A⊂Rn→R
是可微的,那么我们得到梯度
grad f(x)=(∂f∂x1,…,∂f∂xn)
从而在
h
方向上的方向导数是
Df(x)⋅h=⟨grad f(x),h⟩=f在点x处h方向上的变化率
现在考虑定义为
f(x)=
常数的面
S
,我们断言grad f(x)与这个面正交(orthogonal)(这是直观上的理解,因为我们对面还没有给出准确的定义——之后会详细介绍),为了证明这个,考虑
S
中切向量为c′(0)的曲线
c(t)
,其中
c(0)=x0
,我们断言
⟨grad f(x0,c′(0))⟩=0
接下里因为
c(t)∈S,f(c(t))=
常数。求微分并利用链式法则可得
Df(c(t)⋅c′(t))=0
令
t=0
并利用
Df(x)⋅h=⟨grad f(x),h⟩
可得出我们所要的结果,如图
???
所示。
图1
注意我们可以将
S
的切平面描述为:在
x0处,因为
⟨grad f(x0),x−x0⟩=0
,(这是由于
grad f(x0)
与
S
正交)所以
f(x)=常数。
从等式
⟨grad f(x0),h⟩=∥grad f(x0)∥cosθ
(其中
∥h∥=1,θ
是
grad f(x0)
与
h
的角度) 中可以很明显的看出grad f(x0) 是
f
变化最快的方向。如果我们将f看成山丘的高度函数,那么
f=
常数就是水平轮廓,为了尽快上坡或下坡,我们应该沿着垂直于水平轮廓的方向走。(如图2)
这些事实就是实际优化控制问题中的值,在这些问题中给定一个函数
f(x1,…,xn)
,问题就是最大化或最优化
f
。 常用的方法是取一个点x0然后沿着
f
的梯度方向进行到一个使得f更大的点然后不断重复。
例1:
找出
x2+y2+z2=3
在
(1,1,1)
处的法向量
解:
这里
f(x,y,z)=x2+y2+z2
在
(1,1,1)
的梯度
grad f=(2x,2y,2z)
是
(2,2,2)
,归一化得到单位法向量是
(1/3√,1/3√,1/3√)
。
例2:
找出
f(x,y,z)=x2ysinz
在
(3,2,0)
处增长速度最快的方向。
例3:
求
x2−y2+xz=2
在
(1,0,1)
处的切平面。
解:
这里
grad f(1,0,1)=(3,0,1)
,所以切平面是
⟨(x−1,y,z−1),(3,0,1)⟩=0
即
3x+z=4
。
图2
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)