函数的最大值与最小值
函数的“最佳”点在哪里:你希望达到的最大值,还是需要避免的最小值?这一问题出现在优化、物理、经济学与工程学之中,是微分学的主要应用之一。而关键在于:魏尔斯特拉斯定理保证,如果 f 连续,并且研究对象是一个闭且有界的区间,那么 绝对极值必然存在。由此,问题便转向实践层面:学习如何通过 临界点(f'(x)=0 或不存在)来识别 局部极值,并利用罗尔定理与平均值定理等工具,将“盲目”的搜索转化为清晰、可验证且高效的方法。
学习目标:
- 执行 一个完整的过程,在 [a,b] 上求绝对极值:在区间内部的临界点以及区间端点处计算 f 的值,并通过比较这些值来判定绝对最大值与绝对最小值。
- 对比 必要条件与充分条件的作用:认识到“f'(x_0)=0”并不能保证局部极值的存在,并判断在不同情形下需要哪些附加证据(数值比较、符号分析、局部行为)。
- 确定 针对不同类型问题的最有效策略:紧区间上的绝对极值(魏尔斯特拉斯定理 + 有限次计算)与内部点的局部极值(临界点 + 局部分析),并对策略选择给出合理论证。
内容索引:
最大值与最小值,绝对极值与局部极值
一阶导数判别法
罗尔定理
微分中值定理
函数的增区间与减区间
魏尔斯特拉斯定理指出,如果一个实函数定义在 \mathbb{R} 的某个闭且有界子集上并且是连续的,那么它必然取得最大值和最小值(绝对极值)。寻找函数的最大值和最小值被称为 优化问题,而魏尔斯特拉斯定理保证了在绝对极值意义下解的存在性,只要函数连续且定义域是紧集。在存在性得到保证之后,剩下的任务就是发展能够找到这些解的具体策略。
最大值与最小值,绝对极值与局部极值
在开始回顾 寻找最大值与最小值的策略之前,我们需要清晰地界定我们究竟要寻找的对象。
定义: \left( \forall x \in D \right)\bigl(f(x) \leq f(x_0)\bigr) 则称 f 在该点取得一个 绝对最大值;类似地,若在 x_0 满足: \left( \forall x \in D \right)\bigl( f(x_0) \leq f(x)\bigr) 则称 f 在该点取得一个 绝对最小值。 |
以类似的方式,可以定义局部极值(相对于定义域而言)。
定义: (\exists h>0)\left( \forall x\in [x_0-h, x_0+h] \cap D \right)\bigl(f(x) \leq f(x_0)\bigr) 则称 f 在 x_0 处取得一个 局部最大值;类似地,若满足: (\exists h>0)\left( \forall x\in [x_0-h, x_0+h] \cap D \right)\bigl( f(x_0) \leq f(x)\bigr) 则称 f 在 x_0 处取得一个 局部最小值。 |
由此我们可以表述如下结果:
定理: |
证明: f(x_0 + h)\leq f(x_0) 这等价于: f(x_0 + h) - f(x_0)\leq 0 现在考虑两种情况:
若 f^\prime(x_0) 存在,则当 h\to 0 时,增量商的极限存在,并且必须同时满足上述两种不等式,这就迫使: \displaystyle f^\prime(x_0)=\lim_{h\to 0}\frac{f(x_0 + h) - f(x_0)}{h}= 0 这正是所要证明的结论。 |
需要注意的是,该证明对局部最小值同样成立。在这种情况下,起始条件为:当 |h| 足够小时,有 f(x_0+h)\ge f(x_0)。
一阶导数判别法
我们刚刚回顾的结果 可以概括为如下蕴含关系:
\left\{\begin{matrix}f \text{ 在 }x_0\text{ 处取得}\\ \text{一个局部极值} \end{matrix}\right\} \Longrightarrow \left\{\begin{matrix} \displaystyle f^\prime(x_0) = 0 \\ \\ \vee \\ \\ \text{导数在 }x_0\text{ 处不存在} \end{matrix}\right\}
尽管该蕴含关系的逆命题在一般情况下并不成立,但它在缩小局部极值搜索范围时非常有用。基于这一点,引入了一阶导数的临界点概念。
定义: |
一阶导数的临界点之所以重要,是因为函数取得极值(无论是局部极值还是绝对极值)的任何点,都必须属于临界点的集合:
\left\{\begin{matrix}\text{取得绝对极值的}\\ \text{点}\end{matrix}\right\} \subseteq \left\{\begin{matrix}\text{取得局部极值的}\\ \text{点}\end{matrix}\right\} \subseteq \left\{\begin{matrix}\text{一阶导数的}\\ \text{临界点}\end{matrix}\right\}
这就是我们所称的 一阶导数判别法,其被理解为内点处存在局部极值的一个必要条件。
罗尔定理
我们已经看到,一阶导数临界点的确定 在寻找局部极值的过程中起着关键作用。因此,自然会进一步探究在何种条件下可以保证这些临界点的存在。在这一方向上的重要进展来自罗尔定理。
定理: |
证明:
|
微分中值定理
另一个作为我们刚刚所回顾结果的直接推论,并且为函数研究提供有用信息的结果,是微分学中的中值定理。
定理: f^\prime(c) =\displaystyle \frac{f(b) - f(a)}{b-a} |
证明: F(x) = f(x) - \displaystyle \frac{f(b) - f(a)}{b-a}(x-a) 由于 f 具有相应性质,该函数在 [a,b] 上连续,并在 ]a,b[ 上可导。此外,F(a)=F(b),因此可以应用罗尔定理,从而得出存在某个点 c\in]a,b[,使得 F^\prime(c)=0。 接下来,对 F 求导,得到: F^\prime(x) = f^\prime(x) - \displaystyle\frac{f(b) - f(a)}{b-a} 在 c 处取值,并利用 F^\prime(c)=0: 0=F^\prime(c) = f^\prime(c) - \displaystyle\frac{f(b) - f(a)}{b-a} 因此: f^\prime(c) = \displaystyle\frac{f(b) - f(a)}{b-a} 这正是所要证明的结论。 |
增长区间与递减区间
定理:
|
证明: f^\prime(c) = \displaystyle\frac{f(x_2) - f(x_1)}{x_2 - x_1} 由此可得:
|
研究最大值与最小值不仅仅是“做导数运算”,而是学习如何将一种模糊的搜索转化为一个具有理论保证和明确判据的过程。魏尔斯特拉斯定理告诉你,在紧区间上何时可以确信最优解的存在;而一阶导数判别法、罗尔定理以及微分中值定理则为你提供了一张路线图,用以寻找候选点并论证结论:函数可能在何处取得极值,何时该条件仅是必要的,以及 f' 的符号如何揭示函数的增长与递减。一旦你掌握了这一整套思想链条,便能从凭直觉观察图像,过渡到基于可验证论证的优化求解,这正是“我认为最佳点在这里”与“我知道它必须在这里”之间的本质差别。
