第13 章最优化和线性化

13.1 最优化(Optimization)

13.1.1 一个简单的最优化例子

涉及最优化时, 通常我们关心的是全局最大值和最小值.

13.1.2 最优化问题：一般方法

13.1.3 一个最优化的例子

假设只有300 英尺长的篱笆可供使用, 并且农场主想要围成一个直角三角形的农场, 并且使新圈出的地的面积(下图绿色三角形区域)尽可能地大. 那么这块地的周长和面积分别为多少？

(1) 首先要识别出一些变量. 设三角形的底边为 b, 高为 h, 斜边为H, 并且面积 A. 限制条件篱笆的长度 h+H, 目标最大化 A;

(2) 由题意可知 0<=b<=300, 0<=H<=300, 0<=h<=150;

(3) 列出方程组 A=bh/2, h+H=300, b^2+h^2=H^2;

(4) 消去 b 和 H 得到 A 的方程;

(5) 求导 dA/dh=45(100−h)√900−6h

(6) 求得 h=100 时候, A = 5000√3, 并进行验证

(7) 得到结论.

使用导数去估算特定的量. 例如想要估计 √11 的值. 设 f(x)=√x, x≥0 , 并且绘制出通过点 (9,3) 的切线, 记为 y=L(x).

观察图形可以看到在 x=9 附近 L(x)非常接近于曲线 y=f(x) , 这意味着切线 L(11) 是对 f(11)=√11很好的近似.

现在来计算出 L(11). 线性函数 L(x) 通过点(9,3), 并且它与曲线 f(x) 在 x=9 处相切, 所以 L(x) 的斜率为 f'(9)=1/6, 于是方程为 y-3=16(x-9) , 将 11 带入可得到结论 √11≈4/3

13.2.1 线性化问题：一般方法

如果想要估算某个量, 首先试着把它写成某个适当的函数 f(x) 的值. 在上述例子中, 我们想要估算 √11, 就设函数 f(x)=√x

接下来, 我们选某个与 x 很接近的数 a, 并使得 f(a) 容易计算.

再次, 已知函数 f 和特殊值 a, 我们找出通过曲线 y = f(x) 上点(a, f(a)) 的切线. 这条切线的斜率为 f'(a), 其方程为 y-f(a)=f'(a)(x-a), 如果设切线为 y=*L*(x), 则

这个线性函数L 被称为 f 在 x = a 处的线性化:

13.2.2 微分(The differential)

定义 △x=x-a , 将上面公式变为

量df 被称为 f 在 x=a 处的微分, 它是当 x 从 a 变化为 a+△x 时 f 的变化量的近似. 这意味着 x 的微小变化会引起 y 的变化, 而后者的变化量约为前者的 f'(x) 倍.

假设想要估算 (6.01)^2 , 设 f(x)=x^2且 a=6, 则 f'(x)=2x, 所以 f(6)=12. 如果想知道当 x 从 6 增加 0.01时候, f(x)的变化, 于是有

所以 (6.01)^2≈36+0.12=36.12

13.2.4 近似中的误差(The error in our approximation)

用 L(x) 代替 f(x) 相差越小, 近似就越精确, 误差:

其中如果函数 f 的二阶导数存在, 至少在 x 和 a 之间存在, 那么对于 r(x) 就有公式:

13.3 牛顿法(Newton's Method)

要解一个形为f(x) = 0 的方程, 但不容易直接求出, 则猜测该方程有一个解, 并把它记为 a, 然后进行迭代来改善估算的结果.

牛顿法假设a 是对方程 f(x) = 0 的解的一个近似. 如果令 b = a - f(a)/f′(a). 则在很多情况下, b 是个比 a 更好的近似.

有时牛顿法也会不起作用. 下面是失效的四种不同情况(图形请查看书)

(1) f'(a) 的值接近于0.

(2) 如果f(x) = 0 有不止一个解, 可能得到的不是你想要的那个解.

(3) 近似可能变得越来越糟.

(4) 可能陷入一个循环(完)

「予人玫瑰, 手留余香」

转发既是支持帮助[遇见数学]更快发展, 非常感谢!