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.

Ví dụ đã làm · 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

Bước một bước

  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.

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

Now you Chọn một bài toán, hoặc gõ hoặc vẽ của riêng mình. Mỗi bước, một bức tranh, câu trả lời ẩn cho đến khi bạn hỏi.

Để cho anh làm việc

Một tài khoản miễn phí thêm ghi chú vào mỗi bài học, ghi chép những gì bạn đã hoàn thành, các bài toán bạn giải quyết ở một nơi, và một giáo viên bạn có thể hỏi về trang này. Toán học là mở cho mọi người, dù có đăng nhập hay không.

Đăng ký Đăng nhập

Ký hiệu được dùng ở đây

Nhấn vào bất kỳ ký hiệu nào để xem định nghĩa đầy đủ, một bức ảnh, và ý nghĩa của từng chữ cái trong nó.

Làm thế nào: 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.

Câu hỏi người ta hỏi

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.

More in Multivariable Calculus

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