一、核心概念与基本定义1. 多元函数极限与连续性知识点多元函数以二元函数 $z f(x, y)$ 为例的极限要求点 $P(x, y)$以任何方式趋于 $(x_0, y_0)$ 时函数值都趋于同一个常数 $A$。这与一元函数的“左右极限”思想类似但路径从两个方向扩展到了无数条路径。技巧与判断方法证明极限存在通常使用“ε-δ”语言或两边夹定理。证明极限不存在取两条不同的趋近路径如 $y kx$, $y kx^2$若所得极限值不同或与参数 $k$ 有关则极限不存在。# 思想实验判断 f(x, y) xy / (x^2 y^2) 在 (0,0) 处的极限 # 路径1: 沿 y x 趋近即 y x # lim_{x-0} f(x, x) lim_{x-0} (x*x)/(x^2x^2) 1/2 # 路径2: 沿 y 2x 趋近 # lim_{x-0} f(x, 2x) lim_{x-0} (2x^2)/(x^24x^2) 2/5 # 两条路径结果不同故极限不存在。形象的例子与比喻想象一个被风吹拂的山顶旗帜。极限 $A$ 好比是旗杆顶端的固定点。连续性要求无论你从山坡的哪个方向东、西、南、北或任何斜坡无限接近旗杆底部你看到的旗帜高度都平滑地变为旗杆顶端的高度。如果从某个方向接近时旗帜突然消失或出现在另一个高度那么在该点就不连续。2. 偏导数知识点偏导数 $f_x(x_0, y_0)$ 表示在点 $(x_0, y_0)$ 处仅让 $x$ 变化而将 $y$ 固定时函数 $f$ 关于 $x$ 的变化率。计算时将其他变量视为常数进行求导。重要警示即使函数在某点各个偏导数都存在也不能保证函数在该点连续。这是多元与一元微积分的重大区别。形象的例子与比喻观察一个不规则的山丘模型。$f_x$ 相当于你站在山丘上某一点面朝正东方向x轴正方向时脚下地面的坡度。$f_y$ 则是面朝正北方向y轴正方向时的坡度。偏导数只告诉你这两个特定方向的陡峭程度但山丘在这一点整体上可能有个断崖不连续这是仅看两个方向发现不了的。3. 全微分与可微性知识点若函数 $z f(x, y)$ 在点 $(x_0, y_0)$ 处的全增量$\Delta z$ 可以表示为$\Delta z A\Delta x B\Delta y o(\sqrt{(\Delta x)^2 (\Delta y)^2})$则称函数在该点可微。其中线性主部 $A\Delta x B\Delta y$ 称为全微分$dz$且 $A f_x(x_0, y_0)$, $B f_y(x_0, y_0)$。可微、偏导存在、连续三者的关系核心技巧条件能否推出可微形象解释偏导数连续充分条件一定能推出可微。山丘在这一点附近东西和南北方向的坡度都平滑变化没有突变则该点附近的山面可以近似为一个光滑的切平面。偏导数存在必要条件但非充分可微必导致偏导存在但反之不成立。你站在一点东西、南北方向都有明确的坡度偏导存在但山面在此点可能有个尖锥或扭曲导致无法用一个平面很好地近似不可微。函数连续与可微无直接互推关系。山丘在这一点没有断裂连续但依然可能是尖锥不可微。生动比喻“切平面”的可行性。可微的几何意义是曲面在该点存在一个不垂直于底面的切平面。这个切平面就像一块平坦的瓷砖在非常靠近该点的极小区域内可以近乎完美地贴合曲面。偏导数存在只是保证了沿x轴和y轴方向这块瓷砖的边缘线与曲面相切。但如果曲面在该点像圆锥的顶点虽然每个方向都有切线但这些切线不在同一个平面上就无法找到一块平整的瓷砖切平面贴合它因此不可微。二、核心计算方法与应用1. 多元复合函数求导链式法则知识点设 $z f(u, v)$, 而 $u u(x, y)$, $v v(x, y)$则 $z$ 对 $x$ 的偏导为$\frac{\partial z}{\partial x} \frac{\partial z}{\partial u} \cdot \frac{\partial u}{\partial x} \frac{\partial z}{\partial v} \cdot \frac{\partial v}{\partial x}$这如同一张依赖关系网从 $z$ 到 $x$ 的所有路径$z \to u \to x$ 和 $z \to v \to x$的导数都需要乘起来再把不同路径的结果相加。技巧画出变量关系树状图防止漏项。例子$z e^{u}\sin v$, $u xy$, $v x y$。求 $\frac{\partial z}{\partial x}$。# 计算过程 # ∂z/∂u e^u * sin v, ∂z/∂v e^u * cos v # ∂u/∂x y, ∂v/∂x 1 # 代入链式法则 ∂z/∂x (e^u * sin v) * y (e^u * cos v) * 1 e^{xy}[y * sin(xy) cos(xy)]2. 隐函数求导知识点由方程 $F(x, y, z) 0$ 确定的隐函数 $z z(x, y)$其偏导数可通过方程两边直接对 $x$ 或 $y$ 求偏导得到将 $z$ 视为 $x, y$ 的函数。技巧牢记“$z$ 是 $x, y$ 的函数”遇到 $z$ 时要用链式法则。例子方程 $x^2 y^2 z^2 - 3xyz 0$ 确定 $z$ 为 $x, y$ 的函数求 $\frac{\partial z}{\partial x}$。# 方程两边对 x 求偏导y视为常数z视为z(x,y) # ∂/∂x (x^2) 2x # ∂/∂x (y^2) 0 # ∂/∂x (z^2) 2z * (∂z/∂x) # 链式法则 # ∂/∂x (-3xyz) -3y * [x*(∂z/∂x) z*1] # 乘积法则 # 得到2x 2z*(∂z/∂x) - 3y*(x*(∂z/∂x) z) 0 # 整理求解∂z/∂x (3yz - 2x) / (2z - 3xy)3. 方向导数与梯度知识点方向导数 $\frac{\partial f}{\partial \vec{l}}$ 表示函数在点 $P$ 沿某一方向 $\vec{l}$单位向量的变化率。梯度 $abla f (f_x, f_y)$ 是一个向量。核心关系重要技巧方向导数等于梯度在该方向单位向量上的投影$\frac{\partial f}{\partial \vec{l}} abla f \cdot \vec{l}^0 |abla f| \cos\theta$其中 $\theta$ 是梯度与方向 $\vec{l}$ 的夹角。结论与比喻梯度方向是函数值增加最快的方向反方向是减少最快的方向。沿与梯度垂直的方向方向导数为0函数值变化最慢。形象比喻梯度 $abla f$ 就像山丘上某一点的最陡上坡方向指示箭头。它的方向指向坡度最陡的上坡路它的模长 $|abla f|$ 代表了这条最陡路的陡峭程度。如果你拿着一个指南针方向 $\vec{l}$方向导数就是指南针所指方向的上坡坡度。显然当指南针指向梯度方向时坡度最大。4. 多元函数极值知识点必要条件找驻点可微函数在极值点处必有 $f_x 0$ 且 $f_y 0$。满足此条件的点称为驻点。充分条件判别驻点类型设 $A f_{xx}(x_0, y_0)$, $B f_{xy}(x_0, y_0)$, $C f_{yy}(x_0, y_0)$令 $\Delta AC - B^2$。条件结果$\Delta 0$ 且 $A 0$极小值$\Delta 0$ 且 $A 0$极大值$\Delta 0$不是极值点鞍点$\Delta 0$方法失效需用其他方法判定技巧解方程组 $\begin{cases} f_x 0 \ f_y 0 \end{cases}$ 求得所有驻点再逐点计算 $A, B, C, \Delta$ 进行判别。形象例子“马鞍面”$z x^2 - y^2$。在驻点 $(0,0)$ 处沿x轴方向$y0$看$zx^2$是极小形状沿y轴方向$x0$看$z-y^2$是极大形状。因此该点既非极大也非极小是一个鞍点$\Delta 0$。5. 条件极值拉格朗日乘数法知识点求函数 $z f(x, y)$ 在约束条件 $\varphi(x, y) 0$ 下的极值。方法构造拉格朗日函数 $L(x, y, \lambda) f(x, y) \lambda \varphi(x, y)$然后解方程组$\begin{cases}L_x f_x \lambda \varphi_x 0 \L_y f_y \lambda \varphi_y 0 \L_\lambda \varphi(x, y) 0\end{cases}$解出的 $(x, y)$ 即为可能的条件极值点。技巧引入的 $\lambda$ 是辅助变量解方程后通常不需要求出其具体值。生动比喻想象你在一个山谷函数 $f$ 的图形里行走但被规定必须沿着一条蜿蜒的小路约束条件 $\varphi0$前进。你的目标是找到这条小路上的最高点或最低点。拉格朗日乘数法相当于告诉你在小路的极值点处山谷的等高线$f$的梯度与小路的切线方向$\varphi$的梯度必须是平行的。$\lambda$ 就是这两个梯度向量的比例系数。参考来源高等数学练习册讲解12 第九章 多元函数微分法及其应用高等数学上册 第九章 多元函数微分法及其应用 知识点总结_将fxy转化成参数方程-CSDN博客第九章 多元函数微分法及其应用各种知识点计算一览.pdf-原创力文档