KNOWECON WIKI

ARTICLE

多元微积分

多元微积分 (Multivariable Calculus) 多元微积分（Multivariable Calculus）是微积分学向多变量函数的推广，研究定义在 R^n 空间中的函数及其微分、积分性质。与一元微积分处理单变量函数 y = f(x) 不同，多元微积分处理的是形如 z = f(x, y) 或更一般的 f: R^n R^m 的映射。它在物理学（电磁

浏览 7 更新 2025-10-26

多元微积分 (Multivariable Calculus)

多元微积分（Multivariable Calculus）是微积分学向多变量函数的推广，研究定义在 Rn\mathbb{R}^n 空间中的函数及其微分、积分性质。与一元微积分处理单变量函数 y=f(x)y = f(x) 不同，多元微积分处理的是形如 z=f(x,y)z = f(x, y) 或更一般的 f:Rn→Rmf: \mathbb{R}^n \to \mathbb{R}^m 的映射。它在物理学（电磁场、流体力学）、经济学（最优化、一般均衡）、机器学习（梯度下降、反向传播）等众多领域中具有核心地位。

偏导数与梯度

对于多元函数 f(x1,x2,…,xn)f(x_1, x_2, \ldots, x_n)，偏导数（Partial Derivative）衡量函数在某一点沿某一坐标方向的变化率，定义为：

∂f∂xi=lim⁡h→0f(x1,…,xi+h,…,xn)−f(x1,…,xn)h\frac{\partial f}{\partial x_i} = \lim_{h \to 0} \frac{f(x_1, \ldots, x_i + h, \ldots, x_n) - f(x_1, \ldots, x_n)}{h}

将各偏导数组合为向量即得到梯度（Gradient）：

∇f=(∂f∂x1,∂f∂x2,…,∂f∂xn)\nabla f = \left( \frac{\partial f}{\partial x_1}, \frac{\partial f}{\partial x_2}, \ldots, \frac{\partial f}{\partial x_n} \right)

梯度方向是函数在该点增长最快的方向，其模长等于方向导数的最大值。在机器学习中，梯度下降法（Gradient Descent）正是利用负梯度方向迭代搜索目标函数的局部最小值。海森矩阵（Hessian Matrix）由二阶偏导数构成：

H_f = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1 \partial x_2} & \cdots \\ \frac{\partial^2 f}{\partial x_2 \partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \cdots \\

\vdots \& \vdots \& \ddots

\end{bmatrix}

若 ff 的二阶偏导数连续，则海森矩阵对称（克莱罗定理），用于判断临界点的性质（极大值、极小值或鞍点）。

多重积分

二重积分（Double Integral）将一元积分中曲线下的面积推广为曲面下的体积。对于区域 D⊂R2D \subset \mathbb{R}^2 上的函数 f(x,y)f(x, y)，二重积分记为：

∬Df(x,y) dA\iint_D f(x, y)\, dA

计算时通常化为累次积分（富比尼定理）：若 DD 为矩形区域 [a,b]×[c,d][a,b] \times [c,d]，则：

∬Df(x,y) dA=∫ab∫cdf(x,y) dy dx=∫cd∫abf(x,y) dx dy\iint_D f(x, y)\, dA = \int_a^b \int_c^d f(x, y)\, dy\, dx = \int_c^d \int_a^b f(x, y)\, dx\, dy

对于非矩形区域，可借助变量变换（如极坐标系）简化积分区域：

∬Df(x,y) dx dy=∬D′f(rcos⁡θ,rsin⁡θ) r dr dθ\iint_D f(x, y)\, dx\, dy = \iint_{D'} f(r\cos\theta, r\sin\theta)\, r\, dr\, d\theta

其中雅可比行列式 ∣∂(x,y)/∂(r,θ)∣=r|\partial(x, y)/\partial(r, \theta)| = r 体现了面积元的伸缩因子。三重积分（Triple Integral）类似地扩展至三维空间中的体积分，并可在柱坐标系或球坐标系下计算。

向量微积分

向量微积分是多元微积分在向量场中的重要延伸。对于向量场 F:R3→R3\mathbf{F}: \mathbb{R}^3 \to \mathbb{R}^3，其散度（Divergence）和旋度（Curl）分别定义为：

∇⋅F=∂F1∂x+∂F2∂y+∂F3∂z,\nabla \cdot \mathbf{F} = \frac{\partial F_1}{\partial x} + \frac{\partial F_2}{\partial y} + \frac{\partial F_3}{\partial z}, \qquad

\nabla \times F\mathbf{F} = \begin{vmatrix} i\mathbf{i} \& j\mathbf{j} \& k\mathbf{k} \\ \partial\_x \& \partial\_y \& \partial\_z \\ F1F_1 \& F2F_2 \& F3F_3

\end{vmatrix}

散度衡量向量场的"源"强度，旋度衡量场的旋转强度。三个核心积分定理构成了向量微积分的基石：格林定理（Green's Theorem）将平面区域的二重积分与其边界上的线积分联系起来；斯托克斯定理（Stokes' Theorem）将曲面积分与边界曲线上的线积分联系起来；高斯散度定理（Divergence Theorem）将体积分与包围该体积的封闭曲面上的通量积分联系起来。这些定理统一表达了微分与积分在流形上的对偶关系，是微分几何中广义斯托克斯定理的特例。

隐函数与条件极值

隐函数定理（Implicit Function Theorem）指出，若 F(x,y)=0F(x, y) = 0 在某点满足 Fy≠0F_y \neq 0，则在该点附近可将 yy 表达为 xx 的函数，且：

dydx=−FxFy\frac{dy}{dx} = -\frac{F_x}{F_y}

该定理是经济学中比较静态分析的理论基础。对于约束优化问题，拉格朗日乘数法（Lagrange Multipliers）通过引入乘子 λ\lambda，将条件极值问题转化为无约束问题：

L(x,y,λ)=f(x,y)−λ(g(x,y)−c)\mathcal{L}(x, y, \lambda) = f(x, y) - \lambda(g(x, y) - c)

求解 ∇L=0\nabla \mathcal{L} = 0 得到候选极值点，拉格朗日乘子 λ\lambda 的经济学解释为约束的影子价格（Shadow Price），即约束条件放松一个单位时目标函数的最优值增量。