(完整word版)拉格朗日乘数法.doc
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。
条件极值拉格朗日乘数法
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
称为曲面在该点的法线.
法线方程为
x x0 y y0 z z0 Fx ( x0 , y0 , z0 ) Fy ( x0 , y0 , z0 ) Fz ( x0 , y0 , z0 )
法平面方程:
Fy Gy
Fz Gz
x
x0
Fz Gz
Fx Gx
y
y0
Fx Gx
Fy Gy
z
z0
0
例2、求曲线 x2 y2 z2 6 , x y z 0 在点
( 1 ,-2 ,1)处的切线及法平面方程。
解:
2 y 2z
T
1
1
即:
2z 2x ,
11
2x 2y
, 1
1
1, 2 ,1
T
1
,
y
' t
2t
,
z
' t
3t 2
在( 1 ,1 ,1 )点对应参数为 t = 1
T
1
,
2
,
3
切线方程:
x1 y1 z1
1
2
3
法平面方程:( x - 1)+2 ( y - 1 )+( z - 1 )=0
即: x + 2 y + 3 z = 6
2
y x
:
z
x
M0 x0 , y0 , z0
f x ( x0 , y0 )( x x0 ) f y ( x0 , y0 )( y y0 ) z z0 , 曲面在M处的法线方程为
第八章_拉格朗日乘子法
应用力学研究所
第10页
§8.1 Lagrange第一类方程
例8-2 质量为m1的质点A,放在倾角为α、质量
y
B( x2 , y2 )
m1g
A( x1 , y1 )
为m2的三角形楔块的斜边上,楔块又可在水平面
上滑动。不计摩擦,适用Lagrange第一类方程求 质点和楔块的加速度以及它们所受的约束力。 解:系统的约束方程
f1 y2 y1 x1 x2 tan 0
O
h
m2 g
R1
R2
x
f 2 y2 h
f1 1 y2
f 2 1 y2
则
f1 tan x1
f1 1 y1
f 2 0 y1
f1 tan x2
f 2 0 x1
f 2 0 x2
H x, yx , yx F x, yx , yx Gx, yx , yx
其中λ为Lagrange乘子 。使满足上述条件泛函极值问题化为无约束条件的 极值问题 Euler方程为
Hy
d H y 0 dx
由Euler方程边界条件及约束条件可求解及λ值
应用力学研究所
李永强
第13页
§8.2 罗司(Routh)方程
Routh Eq.要解决的问题
1)Lagrange 第一类方程是以直角坐标描述系统运动,各坐标为非
独立;除了要考虑运动约束外还要考虑几何约束; 2)Routh Eq.选用广义坐标,系统的参数减少,坐标独立,可不
考虑几何约束,仅考虑运动约束,减少方程中变量数。
g j M 0
j
1,2,, m; m n
Lagrange乘子法:引进m个拉格朗日乘子λ;建立Lagrange函数
拉格朗日乘数法
拉格朗日乘数法(拉格朗日乘子法)
首先关于φ(x,y)的偏导数:即多元函数对某一变元求导
例如φ(x,y)=
则其对x的偏导数为:=2x+y
其对y的偏导数为:=2y+x
做法:假设限制条件为φ(x,y)=M,目标函数f(x,y)。
则引入新变量使,
则用偏导数方法列出方程:
解出想x、y与,代入目标函数即可得到极值。
那该如何理解:
考虑两个变元的情况,
如上图,当f(x,y)取不同值时,得到一簇曲线,其类似于等高线。
当f(x,y)取不同值时,若f(x,y)和φ(x,y)=M有且只有一个交点时,取得最大值,在该点的法向量共线。
上面的方法就是求这个交点的方法。
原理我也不太清楚。
例题:设x,y为实数,若=1,则2x y的最大值是令f(x,y)= 2x y,φ(x,y)=
F(x,y,)= 2x y+()
求偏导数:=2+(8x+y)=0
=1+(2y+x)=0
两方程联立:可得2x=y,代入方程
解得:y=
则:2x y
令f(x,y)=, φ(x,y)=
F(x,y,)=+()
偏导数:=2x+(8x-5y)
=2y+(8y-5x)
显然易得=时方程成立
解得,==。
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。
多元函数求极值拉格朗日乘数法.docx
第八节多元函数的极值及其求法教学目的:了解多元函数极值的定义,熟练掌握多元函数无条件极值存在的判定方法、求极值方法,并能够解决实际问题。
熟练使用拉格朗日乘数法求条件极值。
教学重点:多元函数极值的求法。
教学难点:利用拉格朗日乘数法求条件极值。
教学内容:一、多元函数的极值及最大值、最小值定义设函数 z f (x, y) 在点( x, y)的某个邻域内有定义,对于该邻域内异于( x0 , y0 ) 的点,如果都适合不等式f ( x, y) f ( x0 , y0 ) ,则称函数 f ( x, y) 在点(x, y)有极大值f ( x, y)。
如果都适合不等式f ( x, y) f ( x0 , y0 ) ,则称函数 f ( x, y) 在点(x, y)有极小值f ( x, y).极大值、极小值统称为极值。
使函数取得极值的点称为极值点。
例 1 函数z3x24y2在点(0,0)处有极小值。
因为对于点(0,0)的任一邻域内异于 (0 ,0) 的点,函数值都为正,而在点(0,0)处的函数值为零。
从几何上看这是显然的,因为点(0,0,0)是开口朝上的椭圆抛物面z 3x24 y2的顶点。
例2函数 zx2y 2 在点( 0,0)处有极大值。
因为在点( 0, 0)处函数值为零,而对于点( 0,0)的任一邻域内异于( 0,0)的点,函数值都为负, 点( 0,0,0)是位于xOy平面下方的锥面zx 2 y 2 的顶点。
例3 函数z xy在点( 0, 0)处既不取得极大值也不取得极小值。
因为在点( 0,0)处的函数值为零,而在点( 0,0)的任一邻域内,总有使函数值为正的点,也有使函数值为负的点。
定理 (1必要条件)设函数 z f ( x, y) 在点 ( x 0 , y 0 ) 具有偏导数,且在点 (x 0 , y 0 )处有极值,则它在该点的偏导数必然为零:证不妨设 zf ( x, y) 在点 ( x 0 , y 0 ) 处有极大值。
多元函数的极值和最值条件极值拉格朗日乘数法
当两种产品产量 为多少时? 可获得利润最大? 最大利润是多少?
解: 收益函数是 Rx, y pAx pB y 10x 9y
利润函数是
Lx, y Rx, y Cx, y
(10x 9 y) [400 2x 3y 0.013x2 xy 3y2 ]
(1)B2 AC 0 时具有极值,当 A 0或C 0时 有极大值, 当 A 0或C 0 时有极小值;
(2) B2 AC 0 时没有极值;
(3)B2 AC 0 时可能有极值,也可能没有极值.
求函数 z=f(x,y)极值的一般步骤:
第一步 解方程组 fx ( x, y) 0, f y ( x, y) 0
f x, y 3y2 6y 0 y
x 1
y1
10或
x 3 2 y2 2
得驻点 1,0, 1,2, 3,0, 3,2
(2)求二阶偏导数
f
x
x
x,
y
6
x
6;
f
yy
x,
y
6
y
6;
f
xy
x,
y
f
yx
减去总广告费, 两种方式的广告费共25千元, 怎样分配两种方式的广告费能使利润最大,最大
利润是多少?
解
约束条件下的利润函数为
Lx, y S 25,
5
具体利润函数为 L(x, y) 40x 20y 5 x 10 y
拉格朗日乘子法
11.2(b)
z Describe how a wavefunction determines the dynamical properties of a system and how those properties may be perdicted.
z 1. In quantum mechanics all dynamical properties of a physical system have associated with them a corresponding operator. The system itself is described by a wavefunction.
11.1(b)
z Explain why Planck’s introduction of quantization accounted for the properties of black-body radiation
z 1. explain the energy density distribution of the radiation as a function of wavelength, in particular ,the observed drop to zero as λ 0
∂F ∂x1
=
0
=
∂f ∂x1
+ C1
∂y1 ∂x1
+ C2
∂y2 ∂x1
+ LCm
∂ym ∂x1
L
∂F ∂xn=来自0=∂f ∂xn
+ C1
∂y1 ∂xn
+ C2
∂y2 ∂xn
+ LCm
∂ym ∂xn
z 很显然,这n 个方程式已经巧妙地把约束条件融合到求解的要求之中 了。拉格朗日就是这样把约束条件的信息放到了求解进程中了。
拉格朗日乘数法
拉格朗日乘数法阅读目录2. 数学实例3. 拉格朗日乘数法的基本形态4. 拉格朗日乘数法与KKT条件拉格朗日乘数法(Lagrange Multiplier Method)之前听数学老师授课的时候就是一知半解,现在越发感觉拉格朗日乘数法应用的广泛性,所以特意抽时间学习了麻省理工学院的在线数学课程。
新学到的知识一定要立刻记录下来,希望对各位有些许帮助。
1. 拉格朗日乘数法的基本思想作为一种优化算法,拉格朗日乘子法主要用于解决约束优化问题,它的基本思想就是通过引入拉格朗日乘子来将含有n个变量和k个约束条件的约束优化问题转化为含有(n+k)个变量的无约束优化问题。
拉格朗日乘子背后的数学意义是其为约束方程梯度线性组合中每个向量的系数。
如何将一个含有n个变量和k个约束条件的约束优化问题转化为含有(n+k)个变量的无约束优化问题?拉格朗日乘数法从数学意义入手,通过引入拉格朗日乘子建立极值条件,对n个变量分别求偏导对应了n个方程,然后加上k个约束条件(对应k个拉格朗日乘子)一起构成包含了(n+k)变量的(n+k)个方程的方程组问题,这样就能根据求方程组的方法对其进行求解。
解决的问题模型为约束优化问题:min/max a function f(x,y,z), where x,y,z are not independent and g(x,y,z)=0.即:min/max f(x,y,z)s.t. g(x,y,z)=02. 数学实例首先,我们先以麻省理工学院数学课程的一个实例来作为介绍拉格朗日乘数法的引子。
麻省理工学院数学课程实例]求双曲线xy=3上离远点最近的点。
解:首先,我们根据问题的描述来提炼出问题对应的数学模型,即:min f(x,y)=x2+y2(两点之间的欧氏距离应该还要进行开方,但是这并不影响最终的结果,所以进行了简化,去掉了平方)s.t. xy=3.根据上式我们可以知道这是一个典型的约束优化问题,其实我们在解这个问题时最简单的解法就是通过约束条件将其中的一个变量用另外一个变量进行替换,然后代入优化的函数就可以求出极值。
拉格朗日乘数法 拉格朗日函数
拉格朗日乘数法拉格朗日函数拉格朗日乘数法和拉格朗日函数是高等数学和微积分中的重要概念,其中拉格朗日乘数法是一种求取极值的方法,而拉格朗日函数则是用来描述多元函数的一种数学工具。
下面将就这两个概念作进一步的讲解。
拉格朗日乘数法是求取多元函数的一个局部极值的一种方法,在此情况下,多元函数是具有约束条件的。
这种方法的基本思想是,将问题转化为一个不受约束条件限制的问题来求解。
比如说,我们要求取函数$f(x,y)$在满足条件$g(x,y)=0$的所有点上的极值,那么我们就可以将问题转化成求解函数$L(x,y,\lambda)=f(x,y)-\lambda g(x,y)$的极值,其中$\lambda$是一个未知的系数,称为拉格朗日乘子。
这种方法的根本思想是,在原问题的可行解集和$L(x,y,\lambda)$的可行解集之间建立一种等价关系,使得在新的问题中仍然能够求取目标函数的极值。
而拉格朗日函数则是用来描述多元函数中的一种数学工具。
对于具有一些约束条件的函数$f(x_1,x_2,\cdots,x_n)$,我们可以构造一个类似于拉格朗日乘数法中的函数$L(x_1,x_2,\cdots,x_n,\lambda_1,\lambda_2,\cdots,\lambda_m)$,其中$\lambda_i$是拉格朗日乘子,而$L$则称为拉格朗日函数。
通过对这个函数的求导,我们可以得到一组方程式,其中某些方程式不受拉格朗日乘子所约束,而某些方程式则必须要满足一定的条件。
这些方程式的解就可以告诉我们原函数在约束条件下的最优解。
总的来说,拉格朗日乘数法和拉格朗日函数都是微积分学中非常重要的概念,它们可以帮助我们更加高效地求取多元函数的局部最优解。
如果您对这些概念还不是很熟悉,可以从基础的微积分学开始学习,逐步掌握各种计算方法,以提高您在这方面的能力。
拉格朗日乘数法解方程技巧
拉格朗日乘数法解方程技巧(原创实用版3篇)目录(篇1)1.引言2.拉格朗日乘数法的基本原理3.拉格朗日乘数法解方程的步骤4.拉格朗日乘数法解方程的优点和限制5.结论正文(篇1)一、引言拉格朗日乘数法是一种常用的数学方法,用于解决包含一个或多个约束条件的优化问题。
该方法起源于18世纪法国数学家约瑟夫·拉格朗日(Joseph-Louis Lagrange)的研究成果,具有广泛的实用价值。
二、拉格朗日乘数法的基本原理拉格朗日乘数法的基本思想是将约束条件转化为等式,并通过求解优化问题的函数来求解方程。
这种方法基于一个基本公式:对于一个包含n 个变量和m个约束条件的优化问题,其目标函数可以表示为:f(x1, x2, ..., xn) = f(x1, x2, ..., xn, lambda1, lambda2, ..., lambdam)其中,lambda1, lambda2, ..., lambdam是约束条件。
通过求解这个函数,可以得到一组方程,这些方程包含了变量和约束条件的信息。
三、拉格朗日乘数法解方程的步骤1.定义目标函数和约束条件。
2.将约束条件转化为等式,并添加到目标函数中。
3.求解目标函数,得到一组方程。
4.解方程得到变量的取值。
5.检查解是否满足约束条件。
如果不满足,则重新求解目标函数,直到得到满足约束条件的解。
四、拉格朗日乘数法解方程的优点和限制1.优点:拉格朗日乘数法提供了一种简洁的方法来处理包含约束条件的优化问题。
这种方法允许我们在优化过程中同时考虑约束条件,避免了传统方法中需要额外求解子问题的缺点。
此外,拉格朗日乘数法还可以处理具有多个变量和约束条件的复杂问题。
2.限制:拉格朗日乘数法虽然可以处理包含多个约束条件的优化问题,但它的计算复杂度较高。
对于大规模的问题,可能需要使用数值优化算法来加速计算过程。
此外,对于一些特殊类型的约束条件,例如非线性约束条件,拉格朗日乘数法可能无法直接应用。
拉格朗日乘数法 拉格朗日函数
拉格朗日乘数法引言拉格朗日乘数法是一种用于求解含有约束条件的优化问题的方法。
该方法由法国数学家约瑟夫·路易斯·拉格朗日于18世纪提出,通过引入拉格朗日函数将约束条件转化为目标函数的一部分,从而将原始问题转化为无约束的优化问题。
本文将详细介绍拉格朗日乘数法的基本原理和应用。
基本原理在求解带有约束条件的优化问题时,拉格朗日乘数法将问题转化为如下形式:目标函数:f(x) 约束条件:g(x) = 0其中x为优化变量,f(x)为目标函数,g(x)为约束条件。
为了将约束条件转化为目标函数的一部分,引入拉格朗日函数L(x,λ):L(x,λ) = f(x) + λg(x)其中λ为拉格朗日乘数。
拉格朗日函数L(x,λ)的极值点满足以下条件:1.梯度为零:∇L(x,λ) = 02.约束条件:g(x) = 0通过求解以上方程组,即可得到原始问题的最优解。
求解步骤使用拉格朗日乘数法求解含有约束条件的优化问题一般需要经历以下步骤:步骤1:建立拉格朗日函数根据原始问题的目标函数和约束条件,构造拉格朗日函数。
拉格朗日函数是目标函数和约束条件的线性组合,通过引入拉格朗日乘数得到。
步骤2:求解梯度为零的条件对拉格朗日函数求梯度,并令其为零。
这一步是为了找到拉格朗日函数的极值点。
步骤3:求解约束条件将求解得到的梯度为零的条件带入到约束条件中,得到约束条件的解。
步骤4:验证条件验证约束条件的解是否满足约束条件。
如果满足,则为原始问题的最优解;否则,返回步骤1重新构造拉格朗日函数。
应用举例下面通过一个简单的例子来说明拉格朗日乘数法的应用。
假设有一个求解最小周长的矩形的问题,已知矩形的面积为A,要求确定矩形的长和宽。
根据矩形的性质可知,矩形的周长为2L+2W,其中L为矩形的长,W为矩形的宽。
根据题目要求求解最小周长,可以建立如下优化问题:最小化周长:f(L, W) = 2L + 2W 约束条件:g(L, W) = LW - A = 0根据拉格朗日乘数法,构造拉格朗日函数:L(L, W, λ) = f(L, W) + λg(L, W) = 2L + 2W + λ(LW - A)对拉格朗日函数求梯度,并令其为零:∇L(L, W, λ) = [∂L/∂L, ∂L/∂W, ∂L/∂λ] = [2 + λW, 2 + λL, LW - A] = 0解上述方程,可以得到以下结果: 1. λ = -2/W 2. λ = -2/L 3. LW = A将以上条件带入约束条件,可以解得L和W的值。
(完整word版)拉格朗日乘数法
(2)设长方体的长、宽、高分别为 ,体积为 ,则表面积 ,
限Hale Waihona Puke 条件: .设并令 解得
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 到平面 的最短距离.
解:由题意,相当于求 在条件 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 且
由(1),(2),(3)得 , , .
1.应用拉格朗日乘数法,求下列函数的条件极值:
(1) 若
(2) 若 (其中 );
(3) ,若 .
解(1)设 对L求偏导数,并令它们都等于0,则有
解之得 由于当 时, .故函数必在唯一稳定点处取得极小值,极小值
(2)设 且
解方程组得 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 .
(3)设 ,并令
解方程组得 的六组值为:
, , , , .
又 在有界闭集
上连续,故有最值.因此,极小值为
极大值为
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 ,表面积为 ,
则体积为 ,限制条件为 。
设
并令
解得 。
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 。
代入(4)解得 .
所以
故 为所求最短距离.
4.证明:在 个正数的和为定值条件 下,这 个正数的乘积 的最大值为 .并由此结果推出 个正数的几何中值不大于算术中值 .
证:设 ,
, ,
拉格朗日乘数法
拉格朗⽇乘数法拉格朗⽇乘数法通常我们求函数极值的时候,通常我们会求导,并求出导函数等于0时变量的取值,例如求⼀下函数的极值:f(x)=x2+x求导得:f′(x)=2x+1使f′(x)=0f′(x)=2x+1=0x=−1 2所以当x=−12时,f(x)有最值。
但如果在约束条件下求最值呢?例如在双曲线xy=3上找出距离原点最近的点。
⽬标函数为f(x,y)=√x2+y2,约束条件为g(x,y)=xy=3注意:这两个函数的变量之间是不独⽴的,也就是说他们之间存在某种关系,从⽽限制了各变量的取值,例如这⾥的函数g=3就限制了各变量的取值我们现在要求f的最⼩值,因为x2+y2恒⾮负,所以我们可以求f(x,y)=x2+y2的最⼩值。
当f取不同的值时,与g会有不同的交点,或者没有交点。
当f与g相切时,f就能取最⼩值。
看其中⼀个交点因为f与g相切,所以他们的法向量是互相平⾏的,在这些法向量中,其中⼀个就是函数在该点的梯度。
在这⾥,蓝⾊为f在该点的梯度,红⾊为g在该点的梯度。
∵\therefore \triangledown f= \lambda \triangledown g\therefore \frac{\partial f}{\partial x}=\lambda \frac{\partial g}{\partial x}\frac{\partial f}{\partial y}=\lambda \frac{\partial g}{\partial y}即2x=\lambda y2y=\lambda x结合约束条件xy=3解得(-\sqrt{3}, -\sqrt{3}),(\sqrt{3}, \sqrt{3})(\lambda可以为负,只是这⾥正好\lambda为负是⽆解⽽已)这种⽅法具有⼀般性吗?证明:举三个变量的例⼦。
在g=c这⼀⽔平集上(我不知道为什么称为⽔平集,因为它并不⽔平,只是表⽰g=c这⼀曲⾯)的⼀动点P,当P保持横坐标不变时,\frac{\partial f}{\partial x}也是不变的,那么当\frac{\partial f}{\partial y}=0时,该点就是这⼀曲线上的最值,如果我们把极值连成⼀曲线,再求导数(即\frac{\partial f}{\partial x})为0的点,不就是曲⾯的极值吗?当然,这⾥只是简单地讲了x,y两个⽅向,动点P在曲⾯运动时可以取⽆数个⽅向(就像零向量有⽆数个⽅向),这些⽅向都与曲⾯相切(切平⾯),当P任⼀⽅向(\widehat{u})的偏导数都为0时,P就是我们要求的点。
拉格朗日乘数法
拉格朗日乘数法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)解应用问题举例例1抛物面被平面截成一个椭圆. 求该椭圆到坐标原点的最长和最短距离.例3求函数在条件下的极小值. 并证明不等式 , 其中为任意正常数 .现在就以上面水箱设计为例,看一看拉格朗日乘数法求解条件极值的过程解:这个问题的实质是求函数在条件下的最小值问题,应用拉格朗日乘法,令L='2*(x*z+y*z)+x*y+v*(x*y*z-V)';dLdx=diff(L,'x')dLdy=diff(L,'y')dLdz=diff(L,'z')dLdv=diff(L,'v')dLdx =2*z+y+v*y*zdLdy =2*z+x+v*x*zdLdz =2*x+2*y+v*x*ydLdv =x*y*z-V令L的各偏导等零,解方程组求稳定点s1='2*z+y+v*y*z';s2='2*z+x+v*x*z';s3='2*x+2*y+v*x*y';s4='x*y*z-V';[v,x0,y0,z0]=solve(s1,s2,s3,s4)v =[ -2*2^(2/3)/V^(1/3)][ -8*(-1/4*2^(1/3)*V^(1/3)+1/4*i*3^(1/2)*2^(1/3)*V^(1/3))^2/V][ -8*(-1/4*2^(1/3)*V^(1/3)-1/4*i*3^(1/2)*2^(1/3)*V^(1/3))^2/V] x0 =[ 2^(1/3)*V^(1/3)]y0 =[ 2^(1/3)*V^(1/3)]z0 =[ 1/2*2^(1/3)*V^(1/3)]这里显然只有实数解才有意义,所以L的稳定点只有下面一个又已知所求的问题确实存在最小值,从而解出的稳定点就是最小值点,即水箱长宽与为高的2倍时用钢板最省。
拉格朗日乘数法
拉格朗日乘数法拉格朗日乘数法 要找函数(,)z f x y =在附加条件(,)0x y ϕ=下的可能极值点,可以先作拉格朗日函数(,)(,)(,)L x y f x y x y λϕ=+其中λ为参数.求其对x 与y 的偏导数,并使之为0.即联立方程组:00L x L yL λ⎧∂=⎪∂⎪∂⎪=⎨∂⎪⎪∂=⎪∂⎩由这个方程组解出,x y 及λ,这样得到的(,)x y 就是函数(,)f x y 在附加条件(,)0x y ϕ=下的可能极值点.例1. 求表面积为2a 而体积为最大的长方体的体积.解 设长方体的三条棱长分别为,,x y z ,则问题转化为求在条件2(,,)2220x y z xy yz xz a ϕ=++−=下,函数(0,0,0)V xyz x y z =>>>的最大值.作拉格朗日函数2(,,)(222)L x y z xyz xy yz xz a λ=+++−对,,x y z 和λ分别求偏导数,有22()02()02()02220x y z L yz y z L xz x z L xy x y L xy yz xz a λλλλ=++=⎧⎪=++=⎪⎨=++=⎪⎪=++−=⎩ 解得6x y z a ===这是唯一可能的极值点.所以,表面积为2a 的长方体中,体积最大的长方体的体积为336a . 例2. (2009年全国高中数学联赛新疆预赛试题)曲线22231x xy y −−=上的点到坐标原点的距离的最小值为 .解 作拉格朗日函数2222(,)(231)L x y x y x xy y λ=++−−−对,,x y λ分别求偏导数并令其等于0,有22222022602310x y L x x y L y x y L x xy y λλλλλ⎧=+−=⎪=−−=⎨⎪=−−−=⎩ 由前两个式子可以得到,3x y x y x y−=+,即2240x xy y +−=,再因式分解,得[(2][(2]0x y x y ++=即(2x y =−+①或2)x y =−②①式代入条件222310x xy y −−−=,有22221(104y x y y +=⇒+=+= ②式代入条件,有20y =< 这显然不可能,故(,)f x y 有唯一可能的极值点00(,)x y ,且满足220014x y += 故曲线22231x xy y −−=.。
数学实验教程_实验17(拉格朗日乘数法)
实验17 拉格朗日乘数法实验目的通过二维情形Lagrange 乘数法的几何观察,帮助学生理解Lagrange 乘数法,并掌握利用数学软件求解带等式约束条件的极值问题。
预备知识条件极值、Lagrange 乘子法实验内容Lagrange 乘数法是解有约束最优化问题的一种方法。
问题的形式为:最大化(或最小化) (,)f x y ;约束条件 (,)0g x y =。
【步骤】:为了具体,我们考察如下问题:最大化(或最小化) 2(,)f x y y x =-;约束条件 22(,)10g x y x y =+-=。
【Step1】:画出约束曲线和2(,)f x y y x =-的一些等值线,观察可能的最优值:图 17-1 等值线与可行域图从图中观察,要得到最优值,需要寻找约束曲线和等值曲线相切时的等值曲线值和它们的交点。
【程序】:Mathematica 程序constrainpic=Plot[{Sqrt[1-x^2],-Sqrt[1-x^2]},{x,-1,1},AspectRatio Automati实验17 拉格朗日乘数法 - 99 -c,Axes True,PlotStyle {{Thickness[0.01],RGBColor[0,0,1]}}];f[x_,y_]:=y-x^2;fpic=ContourPlot[f[x,y],{x,-1.4,1.4},{y,-1.4,1.4},ContourShading False]; Show[{constrainpic,fpic}]【Step2】: 寻找曲线之间相切的点由于(,)g x y 的梯度是垂直于约束(,)0g x y =的(因为(,)0g x y =是(,)g x y 的等值曲线),而且2(,)f x y y x =-的梯度是垂直于2(,)f x y y x =-的等值曲线的,因此当两个梯度互为倍数关系时,这两条曲线就相切了。
我们要做的就是解关于变量,,x y λ的方程组:(,)(,)(,)0f x yg x y g x y λ∇=∇⎧⎨=⎩ 我们可以利用Mathematica 来解这个方程组。
- 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. 应用拉格朗日乘数法,求下列函数的条件极值:
(1) f ( , )
x 2
y 2
,
若 x y 1 0;
x y
(2) f ( x, y, z,t ) x y z t, 若 xyzt c 4 (其中 x, y, z,t , 0, c 0 );
(3) f ( x, y, z) xyz ,若 x 2 y 2 z 2
1, x y z
0 .
解 (1) 设 L( x, y,
) x 2 y 2
( x y 1) 对 L 求偏导数 ,并令它们都等于 0,则有
L x 2x 0, L y 2 y
0,
L z
x y 1 0.
解之得
x y 1 , 1.由于当 x
, y
时 ,
f
.故函数必在唯一稳定点处
2 1 1 1
取得极小值 , 极小值 f ( ,
2 ) .
2 2
(2) 设 L (x, y, z, t,
) x y z
t
( xyzt c 4 ) 且
L x 1 yzt 0, L y 1
xzt 0, L z
1 xyt 0, L t 1
xyz 0,
L
xyzt c 4
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 .
(3) 设 L( x, y, z, ,u)
xyz
( x 2 y 2
z 2 1) u( x
y z) ,并令
L x yz 2 x u 0, L y xz 2 y u 0, L z xy 2 z u 0,
L x 2 y 2
z 2 1
0,
L u
x y z 0,
解方程组得
x, y, z 的六组值为 :
1 2 1 1 1 x
1 x
x
x
x
x
6
6 6 6 6 6
1 1
2 1 , y
2 2 y , y , y , y
y
.
6 6 6
6
6
6
2 1 1 2 1 z
1 z
z z z z
6
6
6
6 6
6
又 f (x, y, z) xyz 在有界闭集
{( x, y, z) | x 2 y 2 z 2
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 )
3 1 ,
6 6
6
6
6
6
6
极大值为
f (
1 , 1 ,
2 ) f ( 2
, 1 , 1 ) 3 1 .
6
6
6
6
6
6
6
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) xyz ,限制条件为 2( xy yz xz) a 2 。
设 L( x, y, z, )
xyz
[ 2(xy
yz
xz) a 2 ]
L x yz 2 ( y z) 0, 并令
L y xz 2 ( x z)
0,
L z
xy 2 ( x y) 0,
L
2(xy yz xz) a 2
0,
解得 x
y z
a 。
6
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
.
f ( a , a , a
) a 3 。
6
6
6
6 6
(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 .
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) xz 0,
解得 x y z 3 V L z 2( x y) 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.
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
L x 2(x x0 ) A 0, (1)
L y 2( y y0 ) B 0, (2)
L z 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 C .
2 2 2
代入 (4) 解得2( Ax0 By0 Cz0 D)
.
A2 B 2 C 2
所以
( x x0 ) 2 ( y y0 ) 2 (z z0 ) 2 1 2( A2 B 2 C 2 ) Ax0 By0 Cz0 D
4 A2 B 2 C 2
故 d Ax0 By0 Cz0 D
A2 B 2 C 2
为所求最短距离 .
4. :
在n 个正数的和为定值条件x1 x2 x n a 下 ,这n个正数的乘积x1 x2 x n 的
证明
最大值为a
n
. 并由此结果推出n个正数的几何中值不大于算术中值n n
n x1 x2 x n x1 x2
n x n .
证: 设f ( x1, x2, x n ) x1x2 x n,
L( x1 , x2 , x n , ) f (x1 , x2 , x n ) ( x1 x2 x n a) , ( x1 , x2 , , x n 0) ,
L
x1 x1 x2 x n x1 0,
L
x2 x1 x2 x n x2 0, a
解得
x1 x2 x n
L
x n x1x2 x n x n 0,
n L x1 x2 x n a 0, (4)
由题意知 ,最大值在唯一稳定点取得 .
f ( a
,
a
, ,
a
)
n
所以 f 最大
a
n . n n n n
故n x1 x2 x n n a n a x1 x2 x n n n n n
因此n x1 x2 x n x1 x2
x
n . n
5.设a1, a2, a n为已知的 n 个正数,求
n
f ( x1 , x2 , x n ) a k x k
k 1
在限制条件
x2 x2 x2 1
1 2 n
下的最大值。
n
解先求 f 在条件x i2 a2 (0 a 1) 下的条件最大值。
为此,设
i 1
n n
x k2 a 2 )(0 a 1) L(x1 , x2 , x n , ) a k x k (
k 1 k 1
L x k a k 2 x k 0(k 1,2, , n)
令
L
n
x k a 2 0
,k 1
解得
n 1
x k a k a /( a k ) 2 )(k 1,2, , n),
k 1
1
n 1 ( a k2 ) 2 .
2a k 1 此时,有
n n 1
a k x k a( a k2 ) 2 .
k 1 k 1
n n 1 n
于是, f 在条件x k2 a 2下的最大值为a( a k2 ) 2 .故f在条件x k2 1 下的最大值为k 1 k 1 k 1
sup n 1 n 1
a k2 ) 2 a k2 ) 2 .
( (
0 a 1 k 1 k 1
(注此题也可用柯西不等式,方法更简。
)
6.求函数
f (x1, x2 , x n ) x12x22x n2
在条件
n
a k x k 1(a k 0, k 1,2, , n)
k 1
下的最小值。
解设
n
L ( x1 , x2 , x n , ) f (x1 , x2 , x n ) ( a k x k 1 ),
k 1
L x k 2x k ak 0(k 1,2, , n)
令n , 解得
L a k x k 1 0
k 1
n
a k2 ) 1 a k , n
a k2 ) 1 (k
x k ( 2( 1,2, , n), k 1 k 1
n 维空间中原点到超平面n
a k x k
1
的最短距离。
由几何知,最短距离
依题意,相当于求
k 1
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n n n
f最小 f [( a k2 ) 1 a1 ,( a k2 ) 1 a2 , , ( a k2 ) 1 a n ]
k 1 k 1 k 1
n
a k2 ) 1 .
(
k 1。