普林斯顿微积分读本 · 第十二章
导数的两大经典应用
最优化问题是微积分中最具实用价值的课题之一。无论是工程师希望用最少的材料建造最坚固的桥梁，还是商人希望利润最大化，本质上都是在求解某个量的最大值或最小值。导数正是解决这类问题的核心工具。
解决最优化问题有一个系统化的流程，遵循以下五个步骤可以避免大多数常见错误：
| 步骤 | 操作 | 说明 |
|---|---|---|
| 1 | 理解问题，画图 | 仔细阅读题目，画出示意图，明确已知量和未知量 |
| 2 | 设变量，建立目标函数 | 用变量表示待优化的量，建立函数关系 |
| 3 | 求导找临界点 | 对目标函数求导，令导数等于零，解出临界点 |
| 4 | 验证极大值还是极小值 | 用一阶或二阶导数检验法判断临界点的性质 |
| 5 | 回答原问题 | 将数学结果翻译回实际问题，注意单位 |
最优化问题中最容易犯的错误包括：忘记考虑定义域的边界值（端点也可能是最大/最小值）、混淆"使面积最大"和"使周长最大"、以及忽略实际问题中的物理约束（如长度不能为负数）。
| 类型 | 典型场景 | 目标函数 |
|---|---|---|
| 面积最大化 | 给定周长求最大面积、围栏问题 | A = f(长, 宽) |
| 距离最小化 | 点到曲线的最短距离、最短路径 | d = f(x, y) |
| 利润最大化 | 定价与销量的平衡、成本最小化 | P = R - C |
| 容积最大化 | 给定材料制作最大容积的容器 | V = f(尺寸) |
为什么导数能找到最大值和最小值？想象你站在一座山上，脚下的坡度（导数）告诉你地面的倾斜方向。当坡度为零时，你站在了一个平坦的位置——这可能是山顶（极大值）、谷底（极小值）或鞍点。最优化问题的本质就是找到所有"平坦"的位置，然后判断哪个是山顶、哪个是谷底。
线性化（也叫线性逼近或切线近似）是一种用简单的线性函数来近似复杂非线性函数的方法。它的核心思想是：在一点附近，曲线几乎和它的切线重合。
这个公式称为线性化公式或切线近似。右边的线性函数 L(x) = f(a) + f'(a)(x - a) 就是 f(x) 在 x = a 处的切线方程。
线性化的几何意义非常直观：在切点附近，切线是曲线的最佳线性近似。想象你用放大镜观察曲线和切线在切点附近的区域，两者几乎无法区分。距离切点越远，近似误差越大。
线性逼近的误差与 (x - a)² 成正比。这意味着如果 x 与 a 的距离缩小为原来的 1/10，误差大约缩小为原来的 1/100。因此，x 越接近 a，线性逼近越精确。
线性逼近最常见的应用是快速估算难以精确计算的值。以 √4.1 为例：
令 f(x) = √x，a = 4，则 f(4) = 2，f'(x) = 1/(2√x)，f'(4) = 1/4。
精确值 √4.1 ≈ 2.02485...，近似值 2.025 的误差仅为约 0.006%。
在没有计算器的时代，线性逼近是快速估算复杂函数值的利器。即使在今天，线性逼近仍然是数值分析、物理学和工程学中不可或缺的工具——它是泰勒展开的一阶近似，也是理解更高级近似方法的基础。
牛顿法（Newton's Method）是一种强大的数值方法，用于求解方程 f(x) = 0 的根。它的基本思想是利用切线来逐步逼近方程的根。
从一个初始猜测值 x0 开始，每次迭代都利用当前点的切线与 x 轴的交点作为下一个近似值。通常经过少数几次迭代就能得到非常精确的结果。
牛顿法的几何意义非常清晰：
牛顿法具有二次收敛速度——每次迭代，正确的小数位数大约翻倍。例如，如果第一次迭代得到 1 位正确小数，第二次大约得到 2 位，第三次大约得到 4 位。这种指数级的精度增长使得牛顿法在实践中极为高效。
牛顿法并非万能的：
洛必达法则（L'Hôpital's Rule）是求解不定式极限的最重要工具。当分子和分母同时趋于零或同时趋于无穷时，常规的极限运算法则无法直接应用，而洛必达法则提供了一种系统化的解决方案。
洛必达法则仅适用于以下两种不定式：
这意味着当 x 趋近于某个值时，分子 f(x) 和分母 g(x) 同时趋于 0，或同时趋于 ∞（或 -∞）。
也就是说，可以对分子和分母分别求导，然后重新计算极限。如果新的极限仍然是 0/0 或 ∞/∞ 型，可以继续应用洛必达法则。
除了 0/0 和 ∞/∞ 型，还有其他类型的不定式。它们需要先变形为 0/0 或 ∞/∞ 型，然后才能应用洛必达法则：
| 不定式类型 | 变形方法 | 示例 |
|---|---|---|
| 0 · ∞ | 将其中一个因子放到分母：0 · ∞ = 0/(1/∞) = 0/0 | x · ln(x)（x→0+） |
| ∞ - ∞ | 通分或取对数 | 1/sin(x) - 1/x（x→0） |
| 1∞ | 取 e 的指数：1∞ = e∞·ln(1) = e0·∞ | (1 + 1/x)x（x→∞） |
| 00 | 取 e 的指数：00 = e0·ln(0) = e0·(-∞)} | xx（x→0+） |
| ∞0 | 取 e 的指数：∞0 = e0·ln(∞)} = e0·∞} | x1/x（x→∞） |
为什么洛必达法则有效？直觉上，当分子和分母都趋于零时，它们"消失"的速度决定了极限的值。导数恰好衡量了函数值变化的快慢，所以分子和分母的导数之比反映了它们趋于零（或无穷）的相对速度。这就是为什么用导数之比代替原函数之比能得到正确的极限。
包装盒最省材料：设计固定容积的长方体包装盒，通过建立表面积函数并求导找极值，发现立方体（长=宽=高）用料最省。这是包装工业中减少材料成本的理论依据。
管道铺设最短路径：从油田到炼油厂铺设管道，需考虑陆地和水下不同施工成本。建立总成本函数 C(x)，令 dC/dx = 0 找到最优登陆点，使总铺设成本最小。
光束最亮照射：路灯高度 h 与路面照度 E 满足 E = k cosθ/r²（θ 为入射角，r 为距离）。通过求导找到使路面某点照度最大的灯杆高度，优化城市照明设计。
算法收敛速度：在数值计算中，牛顿法等迭代算法的收敛速度由极限 lim(n→∞) |e_(n+1)|/|e_n|² 刻画。洛必达法则帮助分析误差衰减的阶数，评估算法效率。
求 lim(x→0) (ex - 1) / x
第一步：验证不定式类型
当 x→0 时，ex - 1 → 0，x → 0，所以是 0/0 型，可以使用洛必达法则。
第二步：分子分母分别求导
第三步：计算新的极限
求 lim(x→0) (1 - cos(x)) / x²
第一步：验证不定式类型
当 x→0 时，1 - cos(x) → 0，x² → 0，所以是 0/0 型。
第二步：第一次应用洛必达法则
仍然是 0/0 型，需要继续应用。
第三步：第二次应用洛必达法则
问题：用 120 米长的围栏围一个矩形场地，其中一面靠墙（不需要围栏），求矩形的最大面积。
第一步：理解问题，画图
设矩形靠墙的一边为长度 L，垂直于墙的两边为宽度 W。围栏只围三个边：一个长度 L 和两个宽度 W。
第二步：建立目标函数
围栏约束：L + 2W = 120，即 L = 120 - 2W
定义域：W > 0 且 L = 120 - 2W > 0，所以 0 < W < 60。
第三步：求导找临界点
第四步：验证极大值
第五步：回答原问题
W = 30m，L = 120 - 2(30) = 60m
求 √(4.02) 的近似值
第一步：选择函数和展开点
令 f(x) = √x，选择 a = 4（因为 √4 = 2 是我们已知的精确值）。
第二步：计算 f(a) 和 f'(a)
第三步：应用线性化公式
第四步：验证精度
精确值 √(4.02) ≈ 2.00499...，近似值 2.005 的误差仅为约 0.0003%。
求方程 x² - 2 = 0 的近似根，即求 √2 的近似值。
第一步：确定函数和导数
第二步：第一次迭代（x0 = 1）
第三步：第二次迭代（x1 = 1.5）
第四步：第三次迭代（x2 ≈ 1.41667）
第五步：对比精确值
√2 ≈ 1.41421356...，仅 3 次迭代就得到了 5 位正确小数！
以下 MATLAB 代码帮助你可视化最优化问题、牛顿法迭代过程和洛必达法则的数值验证。