求函数f(x,y)在曲线C上的最大方向导数问题

2023-09-15 16:03:40

方向导数:

在许多问题中,不仅要知道函数在坐标轴方向上的变化率(即偏导数),而且要设法求得函数在某点沿着其他特定方向上的变化率,这就是方向导数

方向导数的定义式和计算公式

  1. 定义式:
    前提:三元函数 u = u ( x , y , z ) u=u(x,y,z) u=u(x,y,z) 在点 P 0 ( x 0 , y 0 , z 0 ) P_0(x_0,y_0,z_0) P0(x0,y0,z0) 的某空间邻域 U ⊂ R 3 U\subset R^3 UR3 内有定义

    l l l 为从点 P 0 P_0 P0 出发的射线, P ( x , y , z ) P(x,y,z) P(x,y,z) l l l 上且在 U U U 内的任一点, t = ( Δ x ) 2 + ( Δ y ) 2 + ( Δ z ) 2 t=\sqrt{(\Delta x)^2+(\Delta y)^2+(\Delta z)^2} t=(Δx)2+(Δy)2+(Δz)2 ,表示 P P P P 0 P_0 P0 之间的距离。则:
    { x − x 0 = Δ x = t cos ⁡ α y − y 0 = Δ y = t cos ⁡ β z − z 0 = Δ z = t cos ⁡ γ \begin{cases}x-x_0=\Delta x=t\cos \alpha \\ y-y_0=\Delta y = t\cos \beta\\ z-z_{0}=\Delta z =t\cos\gamma \end{cases} xx0=Δx=tcosαyy0=Δy=tcosβzz0=Δz=tcosγ
    则函数 u = u ( x , y , z ) u=u(x,y,z) u=u(x,y,z) 在点 P 0 P_0 P0 沿方向 l l l 的方向导数的定义式为:
    ∂ u ∂ l ∣ P 0 = lim ⁡ t → 0 + u ( P ) − u ( P 0 ) t = lim ⁡ t → 0 + u ( x 0 + t cos ⁡ α , y 0 + t cos ⁡ β , z 0 + t cos ⁡ γ ) − u ( x 0 , y 0 , z 0 ) t \dfrac{\partial u}{\partial l}|_{P0} =\lim_{t\rightarrow 0^+} \dfrac{u(P)-u(P_0)}{t}\\ =\lim_{t\rightarrow 0^+} \dfrac{u(x_0+t\cos \alpha,y_0+t\cos \beta,z_0+t\cos \gamma)-u(x_0,y_0,z_0)}{t} luP0=t0+limtu(P)u(P0)=t0+limtu(x0+tcosα,y0+tcosβ,z0+tcosγ)u(x0,y0,z0)
  2. 计算式:
    前提:三元函数 u = u ( x , y , z ) u=u(x,y,z) u=u(x,y,z) 在点 P 0 ( x 0 , y 0 , z 0 ) P_0(x_0,y_0,z_0) P0(x0,y0,z0) 处可微分,即 u = u ( x , y , z ) u=u(x,y,z) u=u(x,y,z) 在点 P 0 P_0 P0 处沿任一方向 l l l 的方向导数都存在

    则函数 u = u ( x , y , z ) u=u(x,y,z) u=u(x,y,z) 在点 P 0 P_0 P0 沿方向 l l l 的方向导数的计算式为:
    ∂ u ∂ l ∣ P 0 = u x ′ ( P 0 ) cos ⁡ α + u y ′ ( P 0 ) cos ⁡ β + u z ′ ( P 0 ) cos ⁡ γ \dfrac{\partial u}{\partial l}|_{P0} =u_x^{'}(P_0)\cos \alpha+u_y^{'}(P_0)\cos\beta+u_z^{'}(P_0)\cos\gamma luP0=ux(P0)cosα+uy(P0)cosβ+uz(P0)cosγ
    其中, cos ⁡ α , cos ⁡ β , cos ⁡ γ \cos\alpha,\cos\beta,\cos\gamma cosα,cosβ,cosγ 为方向 l l l 的方向余弦

方向导数与梯度的关系

函数在某点的梯度是一个向量,它的方向与取得最大方向导数的方向一致,而它的模为方向导数的最大值,
方向导数的计算公式: ∂ u ∂ l ∣ P 0 = u x ′ ( P 0 ) cos ⁡ α + u y ′ ( P 0 ) cos ⁡ β + u z ′ ( P 0 ) cos ⁡ γ \dfrac{\partial u}{\partial l}|_{P0} =u_x^{'}(P_0)\cos \alpha+u_y^{'}(P_0)\cos\beta+u_z^{'}(P_0)\cos\gamma luP0=ux(P0)cosα+uy(P0)cosβ+uz(P0)cosγ
梯度的定义: grad   u ∣ P 0 = ( u x ′ ( P 0 ) , u y ′ ( P 0 ) , u z ′ ( P 0 ) ) \textbf{grad}\ u|_{P_0}=(u_x^{'}(P_0),u_y^{'}(P_0),u_z^{'}(P_0)) grad uP0=(ux(P0),uy(P0),uz(P0))
可知:在 P 0 P_0 P0点,函数沿 l l l的方向导数=(函数在 P 0 P_0 P0点的梯度)点乘( l l l 的方向余弦)

一种题目的问法:求函数f在曲线C上的最大方向导数

原题:已知函数 f ( x , y ) = x + y + x y f(x,y)=x+y+xy f(x,y)=x+y+xy,曲线 C : x 2 + y 2 + x y = 3 C:x^2+y^2+xy=3 C:x2+y2+xy=3,求 f ( x , y ) f(x,y) f(x,y) 在曲线 C C C上的最大方向导数。

解题思路:可转化为求解梯度的模的条件极值问题

原来的错误想法:函数f在某点增长最快的方向是梯度方向,但这题问的是求f在曲线C上的最大方向导数,也就是要沿着曲线C切向量的方向的最大方向导数。那么就有一个问题,如何才能保证C上有这么一个点,其切向量的方向就是f的梯度方向呢

解答:想复杂了。函数f在曲线C上每一点都有无数个方向导数,其中方向向量模最大的那个就死活梯度,也就是函数f在曲线C上每一点都有一个梯度,求的是这些梯度中最大的那个。并不是一定要沿着C的方向(那要是这么说,沿着C还有两个方向呢)。所以这里的曲线C,只是用来限定函数f的自变量 ( x , y ) (x,y) (x,y)的取值范围的,直接将f的梯度表达式列出来,然后取条件为C的极值即可。

原题是15年题目

更多推荐

ref和reactive区别

使用区别reactive定义引用数据类型,ref定义基本类型reactive定义的变量直接使用,ref定义的变量使用时需要.value模板中均可直接使用,vue帮我们判断了是reactive还是ref定义的(通过__v_isRef属性),从而自动添加了.value。//定义letcount=ref(0);letobj=

好用的记笔记app选哪个?

当你在日常生活中突然获得了一个灵感,或者需要记录会议的重要内容,或者是学校课堂上的笔记,你通常会拿出手机,因为它总是在你身边,随时可用。这时候,一款好的记笔记App可以让你事半功倍。敬业签是一款全面的云端备忘记事软件,支持在Windows/Web/Android/iOS/Mac/HarmonyOS等端口同步和编辑记事内

机器学习技术(十)——决策树算法实操,基于运营商过往数据对用户离网情况进行预测

机器学习技术(十)——决策树算法实操文章目录机器学习技术(十)——决策树算法实操一、引言二、数据集介绍三、导入相关依赖库四、读取并查看数据1、读取数据2、查看数据五、数据预处理1、选择数据2、数据转码六、建模与参数优化1、训练模型2、评估模型3、调参优化七、模型可视化八、决策树实操总结一、引言决策树部分主要包含基于py

django_model_一对一映射

settings相关配置#settings.py...DATABASES={'default':{'ENGINE':'django.db.backends.mysql','NAME':'djangos','USER':'root','PASSWORD':'990212','HOST':'localhost','PORT

【TCP】滑动窗口、流量控制 以及拥塞控制

滑动窗口、流量控制以及拥塞控制1.滑动窗口(效率机制)2.流量控制(安全机制)3.拥塞控制(安全机制)1.滑动窗口(效率机制)TCP使用确认应答策略,对每一个发送的数据段,都要给一个ACK确认应答。收到ACK后再发送下一个数据段。这样做有一个比较大的缺点,就是性能较差。尤其是数据往返的时间较长的时候。既然这样一发一收的

大厂超全安全测试--关于安全测试的分类及如何测试

安全测试(总结)1.jsonNP劫持(其实json劫持和jsonNP劫持属于CSRF跨站请求伪造)的攻击范畴,解决方法和CSRF一样定义:构造带有jsonp接口的恶意页面发给用户点击,从而将用户的敏感信息通过jsonp接口传输到攻击者服务器json语法规则:数据在名称/值对中、数据由逗号分隔、花括号保存对象、方括号保存

循环神经网络——中篇【深度学习】【PyTorch】【d2l】

文章目录6、循环神经网络6.4、循环神经网络(`RNN`)6.4.1、理论部分6.4.2、代码实现6.5、长短期记忆网络(`LSTM`)6.5.1、理论部分6.5.2、代码实现6.6、门控循环单元(`GRU`)6.6.1、理论部分6.6.2、代码实现6、循环神经网络6.4、循环神经网络(RNN)6.4.1、理论部分原理

18.3 【Linux】登录文件的轮替(logrotate)

18.3.1logrotate的配置文件logrotate主要是针对登录文件来进行轮替的动作,他必须要记载“在什么状态下才将登录文件进行轮替”的设置。logrotate这个程序的参数配置文件在:/etc/logrotate.conf/etc/logrotate.d/logrotate.conf才是主要的参数文件,至于l

Android官方推荐 无需向应用授予的照片选择器工具

官网链接Photopicker|AndroidDevelopers不能跳转链接看这Photopicker照片选择器对话框会显示在您的设备上的媒体文件中。选择一张照片与应用程序分享。图1.照片选择器提供了一个直观的用户界面,用于与您的应用程序分享照片。照片选择器提供了一个可浏览、可搜索的界面,向用户呈现了他们的媒体库,按

个人电脑(windows、mac)安装Docker Desktop

目录什么是Docker?DockerDesktop在个人电脑上的作用安装DockerDesktop在学习大数据、人工智能等技术时,常常需要安装相应软件来支持我们的学习和实践。然而,很多这样的软件更适合在Linux环境下进行部署和运行。通过在个人电脑安装DockerDesktop可以解决该类问题,在个人电脑上轻松地搭建软

[hive]搭建hive3.1.2hiveserver2高可用可hive metastore高可用

参考:Apachehive3.1.2从单机到高可用部署HiveServer2高可用Metastore高可用hiveonsparkhiveserver2webUI高可用集群启动脚本_薛定谔的猫不吃猫粮的博客-CSDN博客没用里头的hiveonspark,测试后发现版本冲突一、Hive集群规划(蓝色部分)ck1ck2ck3

热文推荐