maths.free › Multivariable Calculus › Optimisation in several variables

Optimisation in several variables

Critical points, the second-derivative test, and Lagrange multipliers.

Critical points are where the gradient vanishes; the Hessian's determinant sorts them into minima, maxima and saddles. With a constraint, Lagrange multipliers say the gradients of f and of the constraint are parallel at the optimum. Picture it: the surface's bowl bottom, hilltop or saddle. The 3D view shows which. Think it: constrained optimisation is the geometry of tangency between level sets.

Rechenbeispiel · gradient of x^2 + y^2 - 2x - 4y

Multivariable-Calculus · Partial-Derivatives

Gradient of x^2 - 2x + y^2 - 4y

x^{2} - 2 x + y^{2} - 4 y

Schritt für Schritt

  1. f(x, y) = x^{2} - 2 x + y^{2} - 4 y

    The gradient is the vector of partial derivatives. Differentiate with respect to each variable, holding the others constant.

  2. \frac{\partial f}{\partial x} = 2 x - 2

    Treat every variable except x as a constant.

  3. \frac{\partial f}{\partial y} = 2 y - 4

    Treat every variable except y as a constant.

  4. \nabla f = \left[\begin{matrix}2 x - 2\\2 y - 4\end{matrix}\right]

    Assemble the gradient vector. It points in the direction of steepest ascent.

  5. (1, 2)

    Critical points: where every partial derivative is zero.

Antwort aufdecken
\nabla f = \left[\begin{matrix}2 x - 2\\2 y - 4\end{matrix}\right]

Jetzt du Wählen Sie ein Problem, oder tippen oder zeichnen Sie Ihre eigenen. Jeder Schritt, ein Bild, die Antwort versteckt, bis Sie fragen.

Behalten Sie Ihre eigenen Lösungswege

Ein kostenloses Konto fügt Notizen zu jeder Lektion, eine Aufzeichnung von dem, was Sie beendet haben, Ihre gelösten Probleme an einem Ort, und ein Tutor können Sie über diese Seite fragen. Die Mathematik selbst ist offen für alle, angemeldet oder nicht.

Registrieren Anmelden

Hier verwendete Symbole

Tippen Sie auf jedes Symbol für die vollständige Definition, ein Bild und was jeder Buchstabe darin bedeutet.

Wie man: Optimisation in several variables

  1. The gradient is the vector of partial derivatives. Differentiate with respect to each variable, holding the others constant.
  2. Treat every variable except x as a constant.
  3. Treat every variable except y as a constant.
  4. Assemble the gradient vector. It points in the direction of steepest ascent.
  5. Critical points: where every partial derivative is zero.

Fragen, die die Leute stellen

What is a partial derivative?

The ordinary derivative with respect to one variable while every other variable is frozen: the slope of the surface in one coordinate direction.

What does the gradient point at?

Uphill: the direction of steepest increase, with length equal to that steepest slope. It is perpendicular to the level curves.

Mehr in Multivariable Calculus

Functions of several variablesPartial derivatives and the gradientDouble and triple integralsVector fields, line integrals and the big theorems