KNOWECON WIKI

ARTICLE

雅可比矩阵

雅可比矩阵（Jacobian Matrix）是多元微积分中描述向量值函数局部线性逼近的核心工具，也是连接多元函数局部行为与线性代数的桥梁。对于一个从 R^n 映射到 R^m 的函数 f( x) = (f_1(x_1, ,x_n), , f_m(x_1, ,x_n)) ，其雅可比矩阵是一个 m n 矩阵，第 i 行第 j 列的元素为 f_i / x_j ，即第

浏览 4 更新 2025-11-08

雅可比矩阵（Jacobian Matrix）是多元微积分中描述向量值函数局部线性逼近的核心工具，也是连接多元函数局部行为与线性代数的桥梁。对于一个从 Rn \mathbb{R}^n 映射到 Rm \mathbb{R}^m 的函数 f(x)=(f1(x1,…,xn),…,fm(x1,…,xn)) \mathbf{f}(\mathbf{x}) = (f_1(x_1,\ldots,x_n), \ldots, f_m(x_1,\ldots,x_n)) ，其雅可比矩阵是一个 m×n m \times n 矩阵，第 i i 行第 j j 列的元素为 ∂fi/∂xj \partial f_i / \partial x_j ，即第 i i 个输出分量关于第 j j 个输入变量的偏导数。这一矩阵以德国数学家卡尔·雅可比（Carl Gustav Jakob Jacobi）命名，是单变量函数导数概念在多变量情形的自然推广，在微分几何、动力系统、最优化理论、机器人学、经济学和机器学习等众多领域发挥着基础性作用。

一、核心概念与几何直观

雅可比矩阵的本质是多元函数在给定点处的最佳线性近似。在单变量情形中，函数 f f 在点 a a 处的导数 f′(a) f'(a) 给出了该点附近函数变化的最佳线性逼近。推广到多变量时，一个向量值函数在点 p \mathbf{p} 附近的行为可以近似为一个线性变换，而这个线性变换的矩阵表示就是雅可比矩阵 Jf(p) J\mathbf{f}(\mathbf{p}) 。具体而言，对于 x \mathbf{x} 在 p \mathbf{p} 附近的微小变动 h \mathbf{h} ，有近似关系：

f(p+h)≈f(p)+Jf(p)⋅h\mathbf{f}(\mathbf{p} + \mathbf{h}) \approx \mathbf{f}(\mathbf{p}) + J\mathbf{f}(\mathbf{p}) \cdot \mathbf{h}

从几何角度看，雅可比矩阵将输入空间中的向量映射到输出空间中的向量。它的列向量对应于每个输入变量方向上的偏导向量，刻画了函数在该点的方向导数信息。当函数是 Rn→Rn \mathbb{R}^n \to \mathbb{R}^n 的方形系统时，雅可比矩阵的行列式（称为雅可比行列式）衡量了函数在局部区域上的体积变化率——这是重积分换元法中换元公式的理论基础。例如，在极坐标系下，面积元由 dxdy dxdy 变为 rdrdθ r dr d\theta ，其中的因子 r r 就是极坐标变换的雅可比行列式的绝对值。

二、形式化定义与计算方法

设向量值函数 f:Rn→Rm \mathbf{f}: \mathbb{R}^n \to \mathbb{R}^m 的分量形式为 f(x)=(f1(x),f2(x),…,fm(x)) \mathbf{f}(\mathbf{x}) = (f_1(\mathbf{x}), f_2(\mathbf{x}), \ldots, f_m(\mathbf{x})) ，若所有分量函数的一阶偏导数均存在，则定义其雅可比矩阵为：

J\mathbf{f} = \begin{bmatrix} \frac{\partial f_1}{\partial x_1} & \frac{\partial f_1}{\partial x_2} & \cdots & \frac{\partial f_1}{\partial x_n} \\ \frac{\partial f_2}{\partial x_1} & \frac{\partial f_2}{\partial x_2} & \cdots & \frac{\partial f_2}{\partial x_n} \\

\vdots \& \vdots \& \ddots \& \vdots \\

\frac{\partial f_m}{\partial x_1} & \frac{\partial f_m}{\partial x_2} & \cdots & \frac{\partial f_m}{\partial x_n} \end{bmatrix}

计算雅可比矩阵的核心步骤是依次求出每个输出分量关于每个输入变量的偏导数。以二维极坐标变换为例，由 x=rcos⁡θ x = r\cos\theta 和 y=rsin⁡θ y = r\sin\theta 构成映射 (r,θ)↦(x,y) (r,\theta) \mapsto (x,y) ，其雅可比矩阵为：

J = \begin{bmatrix} \frac{\partial x}{\partial r} & \frac{\partial x}{\partial\theta} \\ \frac{\partial y}{\partial r} & \frac{\partial y}{\partial\theta} \end{bmatrix} = \begin{bmatrix}

\cos\theta \& -r\sin\theta \\ \sin\theta \& r\cos\theta

\end{bmatrix}

该矩阵的行列式为 cos⁡θ⋅rcos⁡θ−(−rsin⁡θ)⋅sin⁡θ=r(cos⁡2θ+sin⁡2θ)=r \cos\theta \cdot r\cos\theta - (-r\sin\theta) \cdot \sin\theta = r(\cos^2\theta + \sin^2\theta) = r ，这正是在极坐标换元中面积元乘以 r r 的原因。

三、雅可比行列式

当 m=n m = n 时，雅可比矩阵是一个方阵，其行列式被称为雅可比行列式。雅可比行列式的绝对值 ∣det⁡(Jf)∣ |\det(J\mathbf{f})| 刻画了函数 f \mathbf{f} 在给定点附近的局部伸缩因子。若雅可比行列式在某个点为零，则函数在该点附近不是局部双射，该点称为临界点或奇异点；若雅可比行列式处处非零，则由反函数定理可知，函数在局部上是一一对应的，且其逆函数也存在且可微，其雅可比矩阵等于原函数雅可比矩阵的逆矩阵。

雅可比行列式在多元微积分的换元积分法中起着不可替代的作用。当在多重积分中从一个坐标系变换到另一个坐标系时，积分变量必须乘以变换的雅可比行列式的绝对值，以保证积分值不变。例如，在三维空间中，球坐标变换的雅可比行列式为 ρ2sin⁡ϕ \rho^2\sin\phi ，这直接导出了球坐标系中的体积元公式 dV=ρ2sin⁡ϕ dρ dϕ dθ dV = \rho^2\sin\phi \, d\rho\, d\phi\, d\theta 。

四、主要应用

在数值分析中，雅可比矩阵是求解非线性方程组的牛顿法的核心组成部分。该方法通过迭代求解线性系统 Jf(xk)⋅Δx=−f(xk) J\mathbf{f}(\mathbf{x}_k) \cdot \Delta\mathbf{x} = -\mathbf{f}(\mathbf{x}_k) 来逼近方程组的根，每一次迭代都需要计算雅可比矩阵并求解线性方程组。在处理大规模系统时，直接计算雅可比矩阵可能代价高昂，因此常采用拟牛顿法（如BFGS算法）来近似雅可比矩阵或海森矩阵以避免显式计算。

在机器人学中，雅可比矩阵建立了机器人关节空间与末端执行器工作空间之间的速度映射关系。若 q \mathbf{q} 为关节变量向量，x \mathbf{x} 为末端执行器的位姿向量，则速度关系为 x˙=J(q)q˙ \dot{\mathbf{x}} = J(\mathbf{q}) \dot{\mathbf{q}} 。通过分析雅可比矩阵的奇异性，可以确定机器人的奇异位形——在这些位形下机器人的自由度会丧失，导致某些方向的运动不可控。

在经济学中，雅可比矩阵被广泛应用于一般均衡分析和比较静态分析。通过计算超额需求函数系统关于价格向量的雅可比矩阵，可以判断瓦尔拉斯均衡的局部稳定性；在投入产出分析中，列昂惕夫矩阵与雅可比矩阵有着密切的结构性联系。在机器学习中，神经网络的反向传播算法本质上是在逐层计算损失函数关于各层参数的梯度，而雅可比矩阵为理解梯度在各层之间的传播提供了严谨的数学框架。

在微分几何中，雅可比矩阵作为切映射的坐标表示，将流形上的切向量从定义域的切空间映射到值域的切空间，是研究流形之间可微映射局部性质的基本工具。此外，在动力系统的稳定性分析中，系统在平衡点处的雅可比矩阵的特征值分布决定了平衡点的类型和局部稳定性——若所有特征值的实部均为负，则平衡点是局部渐近稳定的；若存在实部为正的特征值，则平衡点是不稳定的；若特征值为纯虚数，则需要借助中心流形定理进一步分析。这些理论在生态系统的种群动力学、化学反应动力学和宏观经济波动模型中均有广泛应用。