求函数 f(x,y)=e^(2x)(x+y²+2y) 的极值点？

Question

在求函数 $ f(x,y) = e^{2x}(x + y^2 + 2y) $ 的极值点时，常见的技术问题是：如何正确求解偏导数并解出驻点？具体而言，计算一阶偏导数 $ f_x $ 和 $ f_y $ 时，由于函数是指数函数与多项式的乘积，需熟练应用乘积法则。部分学生常在此步骤出错，导致后续方程组求解失败。此外，在求得驻点后，判断其是否为极值点需借助二阶导数判别法（Hessian矩阵），但容易忽略判别条件或误判正负定性。因此，如何准确计算偏导、求解非线性方程组并正确应用极值判定准则，是该问题的主要技术难点。

Answer 1

求函数极值点的技术难点与系统性解决方案

1. 问题背景与数学建模

在优化、机器学习和工程仿真等领域，多变量函数的极值求解是核心任务之一。以函数 $ f(x,y) = e^{2x}(x + y^2 + 2y) $ 为例，其结构包含指数项与多项式项的乘积，使得偏导数计算复杂，驻点求解非线性，且极值判别需依赖Hessian矩阵分析。

该问题不仅出现在数学课程中，也广泛存在于神经网络损失函数设计、物理场建模等实际场景中。

2. 常见技术问题剖析

• 偏导计算错误：未正确应用乘积法则（Product Rule）导致 $ f_x $ 和 $ f_y $ 出错。
• 驻点方程组求解困难：所得方程组为非线性系统，传统代数方法易遗漏解或陷入局部循环。
• Hessian矩阵误判：忽略正定/负定条件，或将半正定误认为极小值。
• 数值稳定性不足：指数增长可能导致浮点溢出或精度丢失。
• 边界行为忽视：未考虑定义域边界是否存在极值。

3. 分步解析：从一阶偏导到驻点求解

设 $ f(x,y) = e^{2x}(x + y^2 + 2y) $，令 $ u = e^{2x},\ v = x + y^2 + 2y $，则 $ f = uv $。

3.1 计算一阶偏导数

偏导方向	过程	结果
$ f_x $	$ \frac{\partial}{\partial x}(uv) = u'v + uv' $	$ 2e^{2x}(x + y^2 + 2y) + e^{2x}(1) = e^{2x}(2x + 2y^2 + 4y + 1) $
$ f_y $	$ \frac{\partial}{\partial y}(uv) = u \cdot \frac{\partial v}{\partial y} $	$ e^{2x}(2y + 2) $

3.2 求解驻点方程组

令 $ f_x = 0,\ f_y = 0 $：

(1)  e^{2x}(2x + 2y^2 + 4y + 1) = 0  
(2)  e^{2x}(2y + 2) = 0

由于 $ e^{2x} > 0 $ 对所有实数成立，可约去：

1. $ 2y + 2 = 0 \Rightarrow y = -1 $
2. 代入(1): $ 2x + 2(-1)^2 + 4(-1) + 1 = 2x + 2 - 4 + 1 = 2x -1 = 0 \Rightarrow x = \frac{1}{2} $

唯一驻点为 $ \left( \frac{1}{2}, -1 \right) $。

4. 二阶导数判别法与Hessian矩阵分析

4.1 计算二阶偏导数

继续对一阶导求导：

• $ f_{xx} = \frac{\partial}{\partial x}[e^{2x}(2x + 2y^2 + 4y + 1)] = 2e^{2x}(2x + 2y^2 + 4y + 1) + e^{2x}(2) = e^{2x}(4x + 4y^2 + 8y + 4) $
• $ f_{yy} = \frac{\partial}{\partial y}[e^{2x}(2y + 2)] = 2e^{2x} $
• $ f_{xy} = \frac{\partial}{\partial y}[e^{2x}(2x + 2y^2 + 4y + 1)] = e^{2x}(4y + 4) $

4.2 构造Hessian矩阵并评估

在点 $ \left(\frac{1}{2}, -1\right) $ 处：

f_{xx} = e^{1}(4*(0.5) + 4*1 - 8 + 4) = e(2 + 4 - 8 + 4) = 2e  
f_{yy} = 2e  
f_{xy} = e^{1}(4*(-1)+4) = 0

Hessian矩阵为：

$$ H = \begin{bmatrix} 2e & 0 \\ 0 & 2e \end{bmatrix} $$

5. 极值判定准则与正定性分析

根据二阶导数判别法：

1. 若 $ H $ 正定，则为局部极小值；
2. 若 $ H $ 负定，则为局部极大值；
3. 否则为鞍点。

判断标准：

• 主子式 $ D_1 = 2e > 0 $
• 行列式 $ \det(H) = (2e)(2e) - 0 = 4e^2 > 0 $

因此 $ H $ 正定，故 $ \left(\frac{1}{2}, -1\right) $ 是局部极小值点。

6. 技术扩展与工程实践启示

在IT工程实践中，此类问题常通过自动微分（如PyTorch、TensorFlow）实现，但仍需理解底层机制以防误用。

graph TD A[原始函数 f(x,y)] --> B[符号微分或自动微分] B --> C[计算梯度 ∇f] C --> D[求解 ∇f = 0 得驻点] D --> E[构建Hessian矩阵] E --> F[特征值分析或主子式判断] F --> G[输出极值类型]

7. 常见陷阱与调试建议

陷阱	原因	解决方案
忽略 $ e^{2x} ≠ 0 $	误将指数项设为零	强调指数恒正性质
偏导链式错误	未分离乘积项	使用中间变量分解
数值不稳定	大x导致exp溢出	采用log-domain变换
误判半正定	特征值含零仍判为极小	需结合高阶检验