多元函数的极值分析

作者: PrivateEye_zzy | 来源:发表于2019-07-09 13:46 被阅读0次

本章涉及知识点：

1、无条件极值

2、Hessian矩阵

3、有条件极值

4、数学分析角度

5、几何角度

6、知识点1：牛顿迭代法求多元函数驻点

7、知识点2：数值微分求解多元函数高阶偏导数

8、案例演示

一、无条件极值

我们从二元函数 $f(x,y)$ 开始研究其极值问题

$f(x,y)$ 除自身定义域D外，没有别的条件约束，这类问题我们称为多元函数的无条件极值问题

设 $f(x,y)$ 的驻点为 $(x_{0},y_{0})$ ，且 $f(x,y)$ 各个自变量的一阶偏导数均存在，则

必要条件

特别注意的是：此时 $(x_{0},y_{0})$ 不一定是 $f(x,y)$ 的极值点

例如： $f(x,y) = x^4 + y^4 - 4xy + 1$

其一阶偏导数为： $f_{x}(x,y) = 4x^3 - 4y$ ， $f_{y}(x,y) = 4y^3 - 4x$

可以看到 $(x_{0},y_{0})=(0,0)$ 是 $f(x,y)$ 其中一个驻点，而我们画出函数图像和其等值线图像

函数图像

函数等值线

从函数等值线上可以看出： $(x_{0},y_{0})=(0,0)$ 不是函数极值点，而只是一个鞍点

结论：驻点是 $f(x,y)$ 取极值的必要条件，即 $f(x,y)$ 取极值的点一定是驻点，但是驻点不一定是 $f(x,y)$ 的极值点

所以我们不能只凭一阶偏导数求驻点来判定多元函数的极值点，还需要分析 $f(x,y)$ 二阶偏导数的情况

我们将 $f(x,y)$ 在极值点 $(x_{0},y_{0})$ 处进行二阶Taylor展开，得

二阶泰勒公式

由极值点的必要条件，因为 $(x_{0},y_{0})$ 是 $f(x,y)$ 的驻点，即

极值点的必要条件

则上式二阶Taylor可写为

二阶泰勒公式

我们将上式写为矩阵方程形式，即

二阶泰勒矩阵形式

显然这是一个关于 $\begin{bmatrix}x - x_{0}\\ y - y_{0}\end{bmatrix}$ 的二次型方程，则记

$X = \begin{bmatrix}x \\ y \end{bmatrix}$ ， $X_{0} = \begin{bmatrix}x_{0}\\ y_{0}\end{bmatrix}$

$H(x_{0}, y_{0}) = H(X_{0})= \begin{bmatrix}f_{xx}(X_{0}) & f_{xy}(X_{0})\\ f_{yx}(X_{0}) & f_{yy}(X_{0})\\\end{bmatrix}$

则上式矩阵方程可写为

二阶泰勒矩阵形式

分类讨论：

（1）如果 $H(X_{0})$ 是正定矩阵，则

极小值

说明：对于在驻点 $(x_{0}, y_{0})$ 的某邻域内，任何 $(x, y)$ 的函数值均大于驻点的函数值。

即：驻点 $(x_{0}, y_{0})$ 是 $f(x,y)$ 的极小值点

（2）如果 $H(X_{0})$ 是负定矩阵，则

极大值

说明：对于在驻点 $(x_{0}, y_{0})$ 的某邻域内，任何 $(x, y)$ 的函数值均大于驻点的函数值。

即：驻点 $(x_{0}, y_{0})$ 是 $f(x,y)$ 的极大值点

（3）如果 $H(X_{0})$ 是不定矩阵，则

鞍点

说明：对于在驻点 $(x_{0}, y_{0})$ 的某邻域内，存在某个具体的点 $(x_{1}, y_{1})$ ，该点的函数值大于驻点的函数值；还存在某个具体的点 $(x_{2}, y_{2})$ ，该点的函数值小于驻点的函数值。

即：驻点 $(x_{0}, y_{0})$ 不是 $f(x,y)$ 的极值点，而是其一个鞍点

综上讨论：驻点 $(x_{0}, y_{0})$ 是否是 $f(x,y)$ 的极值点，正比于 $H(X_{0})$ 的正负定

二、Hessian矩阵

对于二元函数 $f(x,y)$ ，其在驻点 $(x_{0}, y_{0})$ 的Hessian矩阵为

二元函数的Hessian矩阵

我们记： $A = f_{xx}(x_{0}, y_{0})$ ， $B = f_{xy}(x_{0}, y_{0}) = f_{yx}(x_{0}, y_{0})$ ， $C = f_{yy}(x_{0}, y_{0})$

则 $f(x,y)$ 的Hessian矩阵为： $H(x_{0}, y_{0}) = \begin{bmatrix}A& B\\ B & C \\\end{bmatrix}$

则通过上述分析， $f(x,y)$ 在驻点 $(x_{0}, y_{0})$ 的极值情况为：

（1）如果 $A>0$ ，且 $AC-B^2>0$ ，则 $f(x,y)$ 在 $(x_{0}, y_{0})$ 处取极小值

（2）如果 $A>0$ ，且 $AC-B^2>0$ ，则 $f(x,y)$ 在 $(x_{0}, y_{0})$ 处取极大值

（3）如果 $AC-B^2<0$ ，则 $f(x,y)$ 在 $(x_{0}, y_{0})$ 处无极值

更一般的，我们从二元函数的极值判定，可以推广到多元函数的极值判定

对于多元函数 $f(x_{1},x_{2},...,x_{n})$ ，其在驻点 $(a_{1}, a_{2},...,a_{n})$ 的Hessian矩阵为

多元函数的Hessian矩阵

同理， $f(x_{1},x_{2},...,x_{n})$ 极值的判定条件取决与 $H(a_{1}, a_{2},...,a_{n})$ 的正负定

三、有条件极值

在实际问题中，我们会遇到 $f(x,y)$ 需要满足某个或者某几个约束条件 $g(x,y) =0$ 下的极值问题，称之为有条件的极值问题，即

有条件极值

通常，我们称函数 $f(x,y)$ 为目标函数，方程 $g(x,y) =0$ 为约束条件，自变量x、y称为决策变量

分析这类问题，需要将有条件极值问题转化为无条件极值问题，下面我们从数学分析角度和几何角度来处理有条件极值

四、数学分析角度

设 $(x_{0}, y_{0})$ 满足约束条件 $g(x_{0}, y_{0}) =0$ ，且是 $f(x,y)$ 的极值点

则由隐函数存在定理，在 $x_{0}$ 的某邻域内可以确定一个具有连续可导的隐函数：

隐函数

则二元函数的有条件极值问题，就转化为一元函数的条件极值问题，即

有条件极值

由一元函数取极值的必要条件：一阶导数为0，得

一元函数取极值

我们对条件约束方程： $g(x, y(x)) = 0$ ，两边同时对 $x$ 求导，得

隐函数导数

将 $(x_{0}, y_{0})$ 带入上式，得

隐函数导数

将上式代入一元函数取极值的方程，得

一元函数取极值

我们令： $\lambda_{0} = \frac{-f_{y}(x_{0},y_{0})}{g_{y}(x_{0},y_{0})}$ ，则可以推导出：

有条件极值

不要忘却约束条件： $g(x_{0}, y_{0}) = 0$ ，加上约束条件，则我们推导出二元函数 $f(x,y)$ 的有条件极值的解法：

有条件极值的解法

观察上式关系，我们可以用一个统一的函数：拉格朗日函数 $L(x, y, \lambda )$ 来描述

拉格朗日函数

而求 $L(x, y, \lambda )$ 的无条件极值，就等价于求 $f(x,y)$ 的有条件极值，即

求拉格朗日函数的无条件极值

结论：二元函数 $f(x,y)$ 在 $g(x,y) =0$ 约束下求有条件极值问题，可以等价转化为拉格朗日函数 $L(x, y, \lambda )$ 求无条件极值问题（ $\bigtriangledown L(x_{0}, y_{0}, \lambda_{0} ) = 0$ ）

我们称上述算法为：拉格朗日乘子法（SVM算法中引用）

五、几何角度

我们画出 $f(x,y)$ 的等值线

二元函数的等值线变化

图中黑圈指 $f(x,y)$ 投影在平面上的等值线，蓝色的曲线是 $g(x,y) =0$ 的约束函数图像，则容易知：等值线与约束函数图像相交的点，就是 $f(x,y)$ 满足约束条件的点

下面分析极值点可能出现的位置？极值点只能出现在 $f(x,y)$ 和 $g(x,y) =0$ 相交或者相切的位置

证明：如果极值点出现在交点，那么沿着 $g(x,y)$ 的图像继续向前或向后走，一定还有其它的 $f(x,y)$ 等值线与 $g(x,y)$ 相交，也就是 $f(x,y)$ 的值还能变大和变小，所以交点一定不是极值点，极值点只能出现在切点位置

且 $f(x,y)$ 与 $g(x,y)$ 在切点（极值点）处的梯度平行且反向，用数学语言描述即

切点处的梯度平行且反向

至此，我们得到了和数学分析方法一样的结果

六、知识点1：牛顿迭代法求多元函数驻点

为了后面代码演示，我们使用牛顿迭代法求二元函数 $f(x,y)$ 的驻点

牛顿迭代法算法为

牛顿迭代法

对于二元函数 $f(x,y)$ 求驻点，即所求解的方程组是

二元函数求驻点

则将牛顿迭代法改为

牛顿迭代法

为此，我们需要计算 $\frac{\partial }{\partial x}f(x_{k}, y)$ 、 $\frac{\partial }{\partial y}f(x, y_{k})$ 、 $\frac{\partial^2 }{\partial x^2}f(x_{k},y)$ 和 $\frac{\partial^2 }{\partial y^2}f(x,y_{k})$ 四个一阶和二阶的偏导数值，注意不是偏导数表达式，牛顿迭代法里我们只需要偏导数值，为此我们采用数值微分近似算法