简介

优化的目标是找到使函数值最小的点。我们已经看到，这样的点可能存在，也可能不存在。但如何判断它确实存在呢？有没有方法可以找到它？

我们之前通过绘制函数图像来分析问题。虽然图像能帮助我们直观理解函数的形态，但仅凭观察图像来精确确定函数的最小值点，在大多数情况下几乎是不可能的。

例如，回顾一下汽水罐问题中的函数图像。在该问题中，我们需要找出能够容纳特定体积汽水的最小表面积的圆柱形罐子。

从这张图像中，我们无法准确判断函数的最小值点。如果我们没有添加约束条件 $r \ge 5$，函数的最小值会出现在哪里？是在 $x = 3.3$ 还是 $x = 3.95$？此外，我们只能看到函数在某个有限区间内的图像，而无法观察其在整个 $x$ 和 $y$ 轴无限延伸范围内的行为。到目前为止我们遇到的函数都比较简单，因此可以大致推测出区间外的趋势。但对于包含对数、指数或三角函数的复杂函数，我们又如何确定其在可见边界之外的行为呢？更进一步，有些问题涉及多个变量的函数，甚至无法进行可视化绘图。面对这类问题，我们该如何处理？

正因如此，我们需要从另一个角度来思考优化问题。幸运的是，我们有一些强有力的工具可以帮助我们更稳健、更准确地解决优化问题。其中之一就是微积分，特别是微分学。

微分学的核心是导数和梯度。这些是函数的属性，能够在不依赖图像的情况下提供大量信息。在本课中，我们将介绍导数的概念，并将其应用于解析求解我们之前遇到的一些问题。

注意：我们假设学习者了解基本导数的计算方法。但即使不了解也没关系，因为后续我们会使用 Python 自动完成导数的计算。

什么是导数？

当我们绘制一个函数时，实际上是在二维平面上画出符合该函数公式的一条曲线。当我们从左向右观察这条曲线时，可以看到它根据函数公式上升或下降。那么，是否有一种方法可以在不查看图像的情况下预测函数何时上升、何时下降？

答案是肯定的！我们可以直接从函数的表达式中推断出它的变化趋势——这正是通过求导实现的。

函数的导数可以被理解为：当自变量 $x$ 发生变化时，函数值的变化速率。它也可以看作是函数在某一点处切线的斜率。下图展示了导数的几何意义。

当函数上的两个点逐渐靠近时，连接这两点的直线就越来越接近于函数在该点处的切线。注意前一张图中，随着两点不断靠近，连接它们的直线发生了变化；到了第三张图中，两点几乎重合，成为同一个点，此时连接它们的直线就是该点的切线。

一条直线的斜率决定了它的倾斜程度。斜率的绝对值越大，倾斜角越大。同时，斜率的正负决定了直线是向上（正斜率）还是向下（负斜率）。

函数 $f(x)$ 相对于 $x$ 的变化率可表示为：

$$f'(x) = \frac{f(x) - f(x_0)}{x - x_0}$$

其中 $x_0$ 是函数定义域中的任意一点。注意，$f'$ 本身也是一个关于 $x$ 的函数。

正如前面图示所示，我们可以让 $x$ 无限趋近于 $x_0$，使得两者几乎重合。这一思想在微积分中通过极限概念来表达：

$$f'(x_0) = \lim_{x \to x_0} \frac{f(x) - f(x_0)}{x - x_0}$$

对这些公式不熟悉的读者不必担心。关键在于：导数是一个新的函数，通常记作 $f'$ 或 $\frac{\partial f}{\partial x}$。

这个新函数——导数，在给定某个 $x$ 值处取值时，给出的就是原函数在该点处切线的斜率。如下图所示。

图中黑线和绿线的斜率即为导数值。若导数为负，说明函数在该点附近正在下降；若导数为正，则说明函数在该点附近正在上升。

那么，这对我们解决优化问题有什么帮助呢？

在接下来的课程中，我们将深入探讨导数在优化问题中的应用。