极值的第二充分条件推导过程全解析
在微积分与数学分析的宏大体系中，极值的第二充分条件（Second Sufficient Condition for Extrema）占据着核心地位。它是解决多元函数极值判定问题的“金钥匙”，特别是在处理复杂工程优化问题和物理模型时，其重要性不言而喻。许多同学在掌握了一阶导数寻找驻点的方法后，往往在如何判定该驻点是极大值、极小值还是鞍点（Saddle Point）时感到困惑。本文将带您深入探究这一理论的底层逻辑，从泰勒公式出发，严谨推导其数学本质，并提供丰富的实战案例。
〓 核心概念：驻点与极值
首先需明确，驻点是指一阶偏导数均为零的点（fx=0, fy=0）。驻点不一定是极值点（如 z=x2-y2 在原点），而连续可微函数的极值点一定是驻点。第二充分条件正是为了区分这两者。
〓 判定工具：黑塞矩阵
第二充分条件本质上是利用黑塞矩阵（Hessian Matrix）的正定性、负定性或不定性来判定极值。判别式 Δ = AC-B2 实际上是黑塞矩阵行列式的值。
〓 适用范围
该条件适用于二阶偏导数连续的二元函数。对于一元函数，它简化为 f''(x0) 的符号判定。本文重点讨论二元及多元情形。
极值的第二充分条件推导过程
要理解为什么可以通过二阶导数来判定极值，我们必须借助二元函数的泰勒公式。这是连接一阶信息（驻点）与局部性态（极值）的桥梁。
1. 泰勒公式展开
设函数 z = f(x, y) 在点 P0(x0, y0) 的某邻域内连续且有一阶及二阶连续偏导数。又设 P0 为 f(x, y) 的驻点，即 fx(x0, y0) = 0, fy(x0, y0) = 0。
令 x = x0 + h, y = y0 + k，则 f(x, y) 在 P0 处的二阶泰勒公式为：
½ [ fxx(x0, y0)h2 + 2fxy(x0, y0)hk + fyy(x0, y0)k2 ] + o(ρ2)
其中 ρ = √(h2 + k2)。
2. 二次型分析
记 A = fxx(x0, y0), B = fxy(x0, y0), C = fyy(x0, y0)。当 ρ→0 时，o(ρ2) 是比 ρ2 高阶的无穷小。因此，Δz 的符号主要由二次型 Q(h, k) = Ah2 + 2Bhk + Ck2 决定。
3. 分类讨论
- 情形一：AC - B2 > 0
此时二次型是定号的。
若 A > 0，则 Q(h, k) > 0 对任意 (h,k)≠(0,0) 成立。这意味着 Δz > 0，即 f(x,y) > f(x0,y0)，故为极小值。
若 A < 0，则 Q(h, k) < 0，故为极大值。 - 情形二：AC - B2 < 0
此时二次型是不定号的。即在 P0 的任意小邻域内，Q(h, k) 既可取正值也可取负值。因此 Δz 符号不定，P0 不是极值点（通常称为鞍点）。 - 情形三：AC - B2 = 0
此时二次型可能是半定号或零，高阶项 o(ρ2) 可能影响符号，故无法判定，需使用定义法或其他高阶方法。
| 判别式 Δ = AC-B2 | 系数 A 的符号 | 结论 |
|---|---|---|
| Δ > 0 | A > 0 | 极小值 |
| Δ > 0 | A < 0 | 极大值 |
| Δ < 0 | 任意 | 非极值（鞍点） |
| Δ = 0 | 任意 | 方法失效 |
典型例题与实战演练
理论必须结合实践。以下精选三个不同难度的例题，涵盖一元函数推广、二元多项式及含参函数。
例题1：判定 f(x,y) = x3 - y3 + 3x2 + 3y2 - 9x 的极值
解：
1. 求偏导数：
fx = 3x2 + 6x - 9 = 3(x+3)(x-1)
fy = -3y2 + 6y = -3y(y-2)
2. 求驻点：令 fx=0, fy=0，解得驻点为 (1,0), (1,2), (-3,0), (-3,2)。
3. 求二阶偏导数：
A = fxx = 6x + 6, B = fxy = 0, C = fyy = -6y + 6
4. 判定：
- 在 (1,0) 处：A=12, C=6, AC-B2=72 > 0, A>0 → 极小值，极小值为 f(1,0) = -5。
- 在 (1,2) 处：A=12, C=-6, AC-B2=-72 < 0 → 非极值。
- 在 (-3,0) 处：A=-12, C=6, AC-B2=-72 < 0 → 非极值。
- 在 (-3,2) 处：A=-12, C=-6, AC-B2=72 > 0, A<0 → 极大值，极大值为 f(-3,2) = 31。
例题2：判定 f(x,y) = ex(x2 + y2 + 2y) 的极值
解：
1. 求偏导：
fx = ex(x2 + y2 + 2y) + ex(2x) = ex(x2 + 2x + y2 + 2y)
fy = ex(2y + 2)
2. 求驻点：由 fy=0 得 y=-1。代入 fx=0 得 x2+2x+1-2=0 ⇒ (x+1)2=2 ⇒ x = -1±√2。
驻点为 P1(-1+√2, -1), P2(-1-√2, -1)。
3. 二阶偏导：
A = fxx = ex(x2+2x+y2+2y) + ex(2x+2) = ex(x2+4x+y2+2y+2)
B = fxy = ex(2x+2y+2)
C = fyy = 2ex
4. 判定 P1(-1+√2, -1)：
由于计算较繁，注意到在此点 x2+2x+y2+2y=0 (因为是一阶导数为0的方程部分)，可简化 A 的表达式。
实际上，直接代入数值判定：AC-B2 > 0 且 A > 0，故为极小值。
例题3：判别式为零的情况 f(x,y) = x4 + y4
解：
1. fx = 4x3, fy = 4y3。驻点仅为 (0,0)。
2. fxx = 12x2, fxy = 0, fyy = 12y2。
3. 在 (0,0) 处，A=0, B=0, C=0。
4. AC-B2 = 0。第二充分条件失效。
5. 使用定义法：对于任意 (x,y)≠(0,0)，f(x,y) = x4+y4 > 0 = f(0,0)。故 (0,0) 为极小值点。
网友们还关心的极值周边知识
在深入理解了 极值的第二充分条件 后，许多学习者往往会延伸出以下疑问。这些知识点构成了完整的极值理论体系。
当存在约束条件时怎么办？
上述讨论主要针对无条件极值。在实际应用中，如“在表面积固定的情况下求体积最大的长方体”，这类问题称为条件极值。解决方法是构造拉格朗日函数 L(x,y,λ) = f(x,y) + λφ(x,y)，将条件极值转化为无条件极值问题求解。其判定同样依赖于修正后的海塞矩阵（Borderer Hessian）。
极值点一定是最大值点吗？
第二充分条件只能判定局部极值。一个函数可能有多个极值点，其中最大的极值称为全局最大值（Supremum）。寻找全局最值通常需要先找出所有驻点和边界点，比较函数值大小。对于闭区域上的连续函数，最值一定存在，且必在驻点或边界上取得。
为什么凸函数只有一个极小值？
如果函数 f(x) 是凸函数（Hessian 矩阵半正定），那么它的任意局部极小值就是全局极小值。这一性质在机器学习的损失函数优化中至关重要，保证了梯度下降法等算法能找到全局最优解。
常见误区警示
- 误区1： 认为 AC-B2 > 0 时，A 的符号不重要。 纠正： A 的符号决定了是极大还是极小，不可或缺。
- 误区2： 认为二阶导数不存在就没有极值。 纠正： 极值点处导数可能不存在（如 y=|x| 在 x=0），此时需检查不可导点。
- 误区3： 混淆极值点与零点。 纠正： f'(x)=0 是驻点，f(x)=0 是零点，两者无直接必然联系。
极值第二充分条件常见问题解答 (FAQ)
Q: 为什么有些教材用 B2-AC 判别？
A: 这仅仅是符号习惯的不同。主流教材多采用 Δ = AC-B2。若使用 D = B2-AC，则判定条件取反：D < 0 时为极值，D > 0 时非极值。请注意对应关系。
Q: 多元函数（n元）的判定规则一样吗？
A: 原理相同，但判定方法更复杂。n元函数需要检查黑塞矩阵（Hessian Matrix）的顺序主子式是否全正（极小值）或正负交替（极大值），即萨姆尔逊准则（Sylvester's Criterion）。
Q: 考试中如果遇到 AC-B2=0 怎么处理？
A: 考试中出现 AC-B2=0 的概率较低，但若遇到，必须回到定义，通过考察沿不同路径（如 y=x, y=2x 等）的极限行为或高阶泰勒展开来判断。