跳到主要内容

第十八章 隐函数定理及其应用

隐函数定理是数学分析中连接代数方程与局部几何结构的桥梁。它不仅解决了方程在局部能否解出显式函数的问题，更为流形理论与约束最优化奠定了分析基础。

核心洞察：线性化的威力

隐函数定理的本质是将非线性方程的局部可解性等价于其线性逼近（导数/雅可比矩阵）的可逆性。只要在该点的线性切空间不与投影方向平行，我们就能在局部“切开”复杂的约束面，将其视为一个标准的显式函数图像。

一、 隐函数存在定理 (Existence of Implicit Functions)​

1. 单个方程情形：从曲线到导数​

定理：设 F(x,y)F(x, y) 在点 P0(x0,y0)P_0(x_0, y_0) 的邻域内连续可微，且满足：

  1. 零点条件：F(x0,y0)=0F(x_0, y_0) = 0
  2. 非退化条件：Fy(x0,y0)≠0F_y(x_0, y_0) \neq 0 则在 x0x_0 的某个邻域 II 内，唯一存在连续可微函数 y=f(x)y = f(x) 使得 F(x,f(x))≡0F(x, f(x)) \equiv 0。

导数公式推导： 对 F(x,f(x))=0F(x, f(x)) = 0 两边求全导数： Fx+Fydydx=0  ⟹  dydx=−FxFyF_x + F_y \frac{dy}{dx} = 0 \implies \frac{dy}{dx} = -\frac{F_x}{F_y}

2. 隐函数组定理：高维映射的解​

定理：设 F:D⊂Rn×Rm→Rm\mathbf{F}: D \subset \mathbb{R}^n \times \mathbb{R}^m \to \mathbb{R}^m 为 C1C^1 映射。若在 P0(x0,y0)P_0(\mathbf{x}_0, \mathbf{y}_0) 满足：

  1. F(x0,y0)=0\mathbf{F}(\mathbf{x}_0, \mathbf{y}_0) = \mathbf{0}
  2. 雅可比行列式非零：det⁡∂F∂y=det⁡(∂F1∂y1…∂F1∂ym⋮⋱⋮∂Fm∂y1…∂Fm∂ym)≠0\det \frac{\partial \mathbf{F}}{\partial \mathbf{y}} = \det \begin{pmatrix} \frac{\partial F_1}{\partial y_1} & \dots & \frac{\partial F_1}{\partial y_m} \\ \vdots & \ddots & \vdots \\ \frac{\partial F_m}{\partial y_1} & \dots & \frac{\partial F_m}{\partial y_m} \end{pmatrix} \neq 0 则在 x0\mathbf{x}_0 邻域内唯一确定 C1C^1 映射 y=f(x)\mathbf{y} = \mathbf{f}(\mathbf{x})，且其偏导数阵为： Df(x)=−[DyF]−1[DxF]D\mathbf{f}(\mathbf{x}) = -[D_{\mathbf{y}}\mathbf{F}]^{-1} [D_{\mathbf{x}}\mathbf{F}]

二、 逆映射定理与局部同胚 (Inverse Mapping Theorem)​

1. 逆映射定理​

若 f:U⊂Rn→Rnf: U \subset \mathbb{R}^n \to \mathbb{R}^n 是 C1C^1 映射，且在点 x0\mathbf{x}_0 的雅可比矩阵 Df(x0)Df(\mathbf{x}_0) 可逆，则 ff 在 x0\mathbf{x}_0 的某个邻域内是局部微分同胚。

  • 意义：这意味着在微观尺度下，只要导数矩阵不退化，非线性映射的表现与线性映射（坐标旋转、拉伸）是一致的。
  • 证明要点：利用收缩映射原理（Contraction Mapping Principle）在 Banach 空间中迭代构造不动点。

2. 秩定理 (Rank Theorem)​

若 f:Rn→Rmf: \mathbb{R}^n \to \mathbb{R}^m 的导数矩阵 Df(x)Df(\mathbf{x}) 在点 x0\mathbf{x}_0 附近的秩恒为 kk，则通过局部坐标变换，该映射可以简化为： (x1,…,xn)↦(x1,…,xk,0,…,0)(x_1, \dots, x_n) \mapsto (x_1, \dots, x_k, 0, \dots, 0) 这是研究子流形嵌入的重要工具。

三、 几何应用：切空间与法向量​

对于由 F(x)=0\mathbf{F}(\mathbf{x}) = \mathbf{0} 定义的超曲面 Σ\Sigma：

  • 法向量：梯度向量 ∇F\nabla F 即为曲面的法向量。
  • 切空间：由所有满足 ∇F⋅v=0\nabla F \cdot \mathbf{v} = 0 的向量 v\mathbf{v} 构成的超平面。

四、 多元函数的极值与约束最优化​

1. 无条件极值：Hessian 判别法​

对于驻点 df=0d f = 0，极值性质由 Hessian 矩阵 H=(∂2f∂xi∂xj)H = (\frac{\partial^2 f}{\partial x_i \partial x_j}) 决定：

  • 正定   ⟹  \implies 极小值
  • 负定   ⟹  \implies 极大值
  • 不定   ⟹  \implies 鞍点（Saddle Point）

2. Lagrange 乘数法 (Lagrange Multipliers)​

求 ff 在约束 g(x)=0\mathbf{g}(\mathbf{x}) = \mathbf{0} 下的极值。 几何解释：在极值点处，目标函数 ff 的等值面必须与约束面 g=0\mathbf{g}=0 相切。 这意味着 ∇f\nabla f 必须落在由约束函数梯度 {∇gi}\{\nabla g_i\} 张成的空间中： ∇f+∑λi∇gi=0\nabla f + \sum \lambda_i \nabla g_i = 0

五、 深度例题：理论与实战​

例 1：隐函数组的高阶导数​

设 x+y+z=0,x2+y2+z2=1x+y+z=0, x^2+y^2+z^2=1，求 dzdx\frac{d z}{d x} 与 d2zdx2\frac{d^2 z}{d x^2}。

点击查看解析

解：

  1. 一阶导： 对两式关于 xx 求导（视 y,zy, z 为 xx 的函数）： 1+y′+z′=01 + y' + z' = 0 (1) 2x+2yy′+2zz′=0  ⟹  x+yy′+zz′=02x + 2yy' + 2zz' = 0 \implies x + yy' + zz' = 0 (2) 由 (1) 得 y′=−1−z′y' = -1 - z'，代入 (2)： x+y(−1−z′)+zz′=0  ⟹  x−y+(z−y)z′=0  ⟹  z′=y−xz−yx + y(-1 - z') + zz' = 0 \implies x - y + (z - y)z' = 0 \implies z' = \frac{y-x}{z-y}。
  2. 二阶导： 继续对 (1) (2) 关于 xx 求导： y′′+z′′=0  ⟹  y′′=−z′′y'' + z'' = 0 \implies y'' = -z'' 1+(y′)2+yy′′+(z′)2+zz′′=01 + (y')^2 + yy'' + (z')^2 + zz'' = 0 代入 y′′=−z′′y'' = -z''： 1+(y′)2+(z′)2+(z−y)z′′=0  ⟹  z′′=−1+(y′)2+(z′)2z−y1 + (y')^2 + (z')^2 + (z-y)z'' = 0 \implies z'' = -\frac{1 + (y')^2 + (z')^2}{z-y}。 （进一步代入 y′,z′y', z' 即可得到最终显式）。

例 2：雅可比矩阵与反函数的计算​

给定 u=x2−y2,v=2xyu = x^2 - y^2, v = 2xy，求反映射的导数矩阵 D(u,v)−1D(u,v)^{-1}。

点击查看解析

解：

  1. 计算正向雅可比矩阵 J=(2x−2y2y2x)J = \begin{pmatrix} 2x & -2y \\ 2y & 2x \end{pmatrix}。
  2. det⁡J=4(x2+y2)\det J = 4(x^2+y^2)。
  3. 由逆映射定理，Dwf−1=[Df]−1D_{\mathbf{w}}f^{-1} = [Df]^{-1}： [J]−1=14(x2+y2)(2x2y−2y2x)=(x2(x2+y2)y2(x2+y2)−y2(x2+y2)x2(x2+y2))[J]^{-1} = \frac{1}{4(x^2+y^2)} \begin{pmatrix} 2x & 2y \\ -2y & 2x \end{pmatrix} = \begin{pmatrix} \frac{x}{2(x^2+y^2)} & \frac{y}{2(x^2+y^2)} \\ \frac{-y}{2(x^2+y^2)} & \frac{x}{2(x^2+y^2)} \end{pmatrix}。

练习库同步 (Analysis Exercise Sync)