微积分基础

“微积分是数学的主要工具，而数学是科学的主要工具。” —— 数学家理查德·费曼

微积分作为数学分析的核心，是数学建模中最重要的工具之一。它提供了描述连续变化和累积效应的数学语言，使我们能够精确地分析动态系统、优化问题和变化过程。

微分学：变化的数学

导数的本质与意义

导数定义

函数 \(f(x)\) 在点 \(x_0\) 处的导数定义为：

\[f’(x_0) = \lim_{h \to 0} \frac{f(x_0 + h) - f(x_0)}{h}\]

这个定义蕴含着深刻的数学思想：

局部线性化：将复杂的非线性函数在小范围内用线性函数近似
瞬时变化率：描述函数在某一点的即时变化速度
几何意义：函数图像在该点的切线斜率

导数的几何解释

切线方程

函数 \(y = f(x)\) 在点 \((x_0, f(x_0))\) 处的切线方程为： \[y - f(x_0) = f’(x_0)(x - x_0)\]

线性逼近

在点 \(x_0\) 附近，函数可以用其切线近似： \[f(x) \approx f(x_0) + f’(x_0)(x - x_0)\]

这种线性逼近是数学建模中简化复杂关系的重要手段。

高阶导数与泰勒展开

高阶导数的意义

二阶导数 \(f’’(x)\)：描述函数变化率的变化率，反映函数的凹凸性
三阶导数 \(f’‘’(x)\)：描述凹凸性的变化
n阶导数 \(f^{(n)}(x)\)：描述更高层次的变化特征

泰勒定理

泰勒公式

函数 \(f(x)\) 在点 \(x_0\) 处的n阶泰勒展开：

\[f(x) = f(x_0) + f’(x_0)(x-x_0) + \frac{f’’(x_0)}{2!}(x-x_0)^2 + \cdots + \frac{f^{(n)}(x_0)}{n!}(x-x_0)^n + R_n(x)\]

其中 \(R_n(x)\) 是余项。

麦克劳林级数

当 \(x_0 = 0\) 时的特殊情况： \[f(x) = f(0) + f’(0)x + \frac{f’‘(0)}{2!}x^2 + \frac{f’‘’(0)}{3!}x^3 + \cdots\]

常用函数的泰勒展开

\[e^x = 1 + x + \frac{x^2}{2!} + \frac{x^3}{3!} + \cdots\]

\[\sin x = x - \frac{x^3}{3!} + \frac{x^5}{5!} - \frac{x^7}{7!} + \cdots\]

\[\cos x = 1 - \frac{x^2}{2!} + \frac{x^4}{4!} - \frac{x^6}{6!} + \cdots\]

\[\ln(1+x) = x - \frac{x^2}{2} + \frac{x^3}{3} - \frac{x^4}{4} + \cdots, \quad |x| < 1\]

多元函数微分学

偏导数

对于多元函数 \(f(x, y)\)，偏导数定义为：

\[\frac{\partial f}{\partial x} = \lim_{h \to 0} \frac{f(x+h, y) - f(x, y)}{h}\]

\[\frac{\partial f}{\partial y} = \lim_{h \to 0} \frac{f(x, y+h) - f(x, y)}{h}\]

梯度向量

\[\nabla f = \left(\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}\right)\]

梯度向量指向函数增长最快的方向，其模长表示最大变化率。

方向导数

函数 \(f(x, y)\) 在点 \((x_0, y_0)\) 沿单位向量 \(\mathbf{u} = (u_1, u_2)\) 方向的方向导数：

\[D_{\mathbf{u}}f = \nabla f \cdot \mathbf{u} = \frac{\partial f}{\partial x}u_1 + \frac{\partial f}{\partial y}u_2\]

全微分

\[df = \frac{\partial f}{\partial x}dx + \frac{\partial f}{\partial y}dy\]

全微分描述了函数在各个方向上的线性近似。

微分在建模中的应用

变化率建模

人口动力学

Malthus模型：\(\frac{dP}{dt} = rP\)

解：\(P(t) = P_0 e^{rt}\)
特点：指数增长

Logistic模型：\(\frac{dP}{dt} = rP(1 - \frac{P}{K})\)

K为环境容量
描述有限环境中的人口增长

化学反应动力学

一级反应：\(\frac{dc}{dt} = -kc\)

解：\(c(t) = c_0 e^{-kt}\)
特点：指数衰减

二级反应：\(\frac{dc}{dt} = -kc^2\)

解：\(\frac{1}{c(t)} = \frac{1}{c_0} + kt\)

传热模型

牛顿冷却定律：\(\frac{dT}{dt} = -k(T - T_{\text{env}})\)

\(T\)：物体温度
\(T_{\text{env}}\)：环境温度
解：\(T(t) = T_{\text{env}} + (T_0 - T_{\text{env}})e^{-kt}\)

优化问题

单变量优化

寻找函数 \(f(x)\) 的极值：

求解 \(f’(x) = 0\) 得到临界点
用二阶导数判断极值性质：
- \(f’’(x) > 0\)：极小值
- \(f’’(x) < 0\)：极大值

多变量优化

寻找函数 \(f(x, y)\) 的极值：

求解方程组：\(\frac{\partial f}{\partial x} = 0\)，\(\frac{\partial f}{\partial y} = 0\)
用Hessian矩阵判断： \[H = \begin{pmatrix} \frac{\partial^2 f}{\partial x^2} & \frac{\partial^2 f}{\partial x \partial y} \ \frac{\partial^2 f}{\partial y \partial x} & \frac{\partial^2 f}{\partial y^2} \end{pmatrix}\]
- \(\det(H) > 0, \frac{\partial^2 f}{\partial x^2} > 0\)：极小值
- \(\det(H) > 0, \frac{\partial^2 f}{\partial x^2} < 0\)：极大值
- \(\det(H) < 0\)：鞍点

拉格朗日乘数法

约束优化问题： \[\min f(x, y) \quad \text{s.t.} \quad g(x, y) = 0\]

构造拉格朗日函数： \[L(x, y, \lambda) = f(x, y) + \lambda g(x, y)\]

必要条件： \[\frac{\partial L}{\partial x} = 0, \quad \frac{\partial L}{\partial y} = 0, \quad \frac{\partial L}{\partial \lambda} = 0\]

敏感性分析

研究参数变化对结果的影响。对于函数 \(y = f(x, p)\)，其中 \(p\) 是参数：

绝对敏感性：\(S_{\text{abs}} = \frac{\partial f}{\partial p}\)

相对敏感性：\(S_{\text{rel}} = \frac{\partial f}{\partial p} \cdot \frac{p}{f}\)

敏感性分析帮助识别模型中的关键参数，指导实验设计和数据收集。

积分学：累积的数学

定积分的本质

定积分定义

函数 \(f(x)\) 在区间 \([a, b]\) 上的定积分：

\[\int_a^b f(x) dx = \lim_{n \to \infty} \sum_{i=1}^n f(\xi_i) \Delta x_i\]

其中 \(\Delta x_i = \frac{b-a}{n}\)，\(\xi_i \in [x_{i-1}, x_i]\)。

几何意义

定积分表示函数 \(f(x)\) 与x轴之间的有向面积。

物理意义

位移：速度函数的积分
功：力函数沿路径的积分
质量：密度函数在区域上的积分

积分计算技巧

基本积分公式

\[\int x^n dx = \frac{x^{n+1}}{n+1} + C \quad (n \neq -1)\]

\[\int \frac{1}{x} dx = \ln|x| + C\]

\[\int e^x dx = e^x + C\]

\[\int \sin x dx = -\cos x + C\]

\[\int \cos x dx = \sin x + C\]

换元积分法

第一类换元（凑微分） \[\int f(g(x))g’(x) dx = \int f(u) du \quad (u = g(x))\]

第二类换元（变量替换） \[\int f(x) dx = \int f(\phi(t))\phi’(t) dt \quad (x = \phi(t))\]

分部积分法

\[\int u dv = uv - \int v du\]

选择原则：LIATE（对数、反三角、代数、三角、指数）

有理函数积分

通过部分分式分解： \[\frac{P(x)}{Q(x)} = \sum \frac{A_i}{(x-a_i)^{n_i}} + \sum \frac{B_i x + C_i}{(x^2 + p_i x + q_i)^{m_i}}\]

反常积分

无穷限积分

\[\int_a^{+\infty} f(x) dx = \lim_{t \to +\infty} \int_a^t f(x) dx\]

收敛性判断

比较判别法：设 \(0 \leq f(x) \leq g(x)\)

若 \(\int_a^{+\infty} g(x) dx\) 收敛，则 \(\int_a^{+\infty} f(x) dx\) 收敛
若 \(\int_a^{+\infty} f(x) dx\) 发散，则 \(\int_a^{+\infty} g(x) dx\) 发散

无界函数积分

对于在点 \(c \in [a, b]\) 处无界的函数： \[\int_a^b f(x) dx = \lim_{\epsilon \to 0^+} \left[\int_a^{c-\epsilon} f(x) dx + \int_{c+\epsilon}^b f(x) dx\right]\]

重积分

二重积分

直角坐标系 \[\iint_D f(x, y) dA = \int_a^b \int_{y_1(x)}^{y_2(x)} f(x, y) dy dx\]

极坐标系 \[\iint_D f(x, y) dA = \int_{\alpha}^{\beta} \int_{r_1(\theta)}^{r_2(\theta)} f(r\cos\theta, r\sin\theta) r dr d\theta\]

三重积分

直角坐标系 \[\iiint_{\Omega} f(x, y, z) dV = \int_a^b \int_{y_1(x)}^{y_2(x)} \int_{z_1(x,y)}^{z_2(x,y)} f(x, y, z) dz dy dx\]

柱坐标系 \[x = r\cos\theta, \quad y = r\sin\theta, \quad z = z\] \[dV = r dr d\theta dz\]

球坐标系 \[x = \rho\sin\phi\cos\theta, \quad y = \rho\sin\phi\sin\theta, \quad z = \rho\cos\phi\] \[dV = \rho^2\sin\phi d\rho d\phi d\theta\]

积分在建模中的应用

概率与统计

概率密度函数

连续随机变量X的概率： \[P(a \leq X \leq b) = \int_a^b f(x) dx\]

期望值 \[E[X] = \int_{-\infty}^{+\infty} x f(x) dx\]

方差 \[\text{Var}(X) = \int_{-\infty}^{+\infty} (x - \mu)^2 f(x) dx\]

物理应用

质心计算

平面薄片的质心坐标： \[\bar{x} = \frac{\iint_D x \rho(x, y) dA}{\iint_D \rho(x, y) dA}\] \[\bar{y} = \frac{\iint_D y \rho(x, y) dA}{\iint_D \rho(x, y) dA}\]

转动惯量

绕z轴的转动惯量： \[I_z = \iint_D (x^2 + y^2) \rho(x, y) dA\]

功的计算

变力做功： \[W = \int_a^b F(x) dx\]

经济应用

消费者剩余

\[CS = \int_0^{Q^} [D(q) - P^] dq\]

其中 \(D(q)\) 是需求函数，\(P^\) 是均衡价格，\(Q^\) 是均衡数量。

生产者剩余

\[PS = \int_0^{Q^} [P^ - S(q)] dq\]

其中 \(S(q)\) 是供给函数。

微分方程：变化的规律

常微分方程基础

基本概念

微分方程：含有未知函数及其导数的方程

阶数：方程中导数的最高阶数
线性：未知函数及其导数的次数都是1
齐次：不含独立的自由项

一阶微分方程

可分离变量型 \[\frac{dy}{dx} = f(x)g(y)\]

解法：分离变量后积分 \[\frac{dy}{g(y)} = f(x)dx\] \[\int \frac{dy}{g(y)} = \int f(x)dx\]

一阶线性微分方程 \[\frac{dy}{dx} + P(x)y = Q(x)\]

通解公式： \[y = e^{-\int P(x)dx}\left[C + \int Q(x)e^{\int P(x)dx}dx\right]\]

贝努利方程 \[\frac{dy}{dx} + P(x)y = Q(x)y^n\]

通过换元 \(v = y^{1-n}\) 转化为线性方程。

二阶微分方程

二阶线性齐次方程 \[y’’ + py’ + qy = 0\]

特征方程：\(r^2 + pr + q = 0\)

根据判别式 \(\Delta = p^2 - 4q\) 的符号：

\(\Delta > 0\)：\(y = C_1e^{r_1x} + C_2e^{r_2x}\)
\(\Delta = 0\)：\(y = (C_1 + C_2x)e^{rx}\)
\(\Delta < 0\)：\(y = e^{\alpha x}(C_1\cos\beta x + C_2\sin\beta x)\)

二阶线性非齐次方程 \[y’’ + py’ + qy = f(x)\]

通解 = 齐次方程通解 + 非齐次方程特解

微分方程组

线性微分方程组

\[\frac{d\mathbf{x}}{dt} = \mathbf{A}\mathbf{x}\]

其中 \(\mathbf{x} = [x_1, x_2, \ldots, x_n]^T\)，\(\mathbf{A}\) 是 \(n \times n\) 常数矩阵。

解的结构

如果 \(\mathbf{A}\) 有 \(n\) 个线性无关的特征向量，则通解为： \[\mathbf{x}(t) = C_1\mathbf{v}_1e^{\lambda_1 t} + C_2\mathbf{v}_2e^{\lambda_2 t} + \cdots + C_n\mathbf{v}_ne^{\lambda_n t}\]

偏微分方程初步

基本类型

抛物型：热传导方程 \[\frac{\partial u}{\partial t} = \alpha \frac{\partial^2 u}{\partial x^2}\]

双曲型：波动方程 \[\frac{\partial^2 u}{\partial t^2} = c^2 \frac{\partial^2 u}{\partial x^2}\]

椭圆型：拉普拉斯方程 \[\frac{\partial^2 u}{\partial x^2} + \frac{\partial^2 u}{\partial y^2} = 0\]

分离变量法

假设解的形式为 \(u(x, t) = X(x)T(t)\)，代入偏微分方程，分离变量求解。

微分方程在建模中的应用

人口动力学模型

Logistic模型 \[\frac{dP}{dt} = rP\left(1 - \frac{P}{K}\right)\]

解： \[P(t) = \frac{K}{1 + \left(\frac{K}{P_0} - 1\right)e^{-rt}}\]

捕食者-猎物模型（Lotka-Volterra） \[\frac{dx}{dt} = ax - bxy\] \[\frac{dy}{dt} = -cy + dxy\]

其中 \(x\) 是猎物数量，\(y\) 是捕食者数量。

传染病模型

SIR模型 \[\frac{dS}{dt} = -\beta \frac{SI}{N}\] \[\frac{dI}{dt} = \beta \frac{SI}{N} - \gamma I\] \[\frac{dR}{dt} = \gamma I\]

基本再生数：\(R_0 = \frac{\beta}{\gamma}\)

经济增长模型

索洛增长模型 \[\frac{dk}{dt} = sf(k) - (n + \delta)k\]

其中：

\(k\)：人均资本
\(s\)：储蓄率
\(f(k)\)：人均生产函数
\(n\)：人口增长率
\(\delta\)：折旧率

物理系统建模

单摆方程 \[\frac{d^2\theta}{dt^2} + \frac{g}{l}\sin\theta = 0\]

小角度近似： \[\frac{d^2\theta}{dt^2} + \frac{g}{l}\theta = 0\]

解：\(\theta(t) = A\cos(\omega t + \phi)\)，其中 \(\omega = \sqrt{\frac{g}{l}}\)

阻尼振动 \[m\frac{d^2x}{dt^2} + c\frac{dx}{dt} + kx = 0\]

根据阻尼系数的大小，有：

欠阻尼：振荡衰减
临界阻尼：最快回到平衡位置
过阻尼：缓慢回到平衡位置

比较判别法：设 \(0 \leq a_n \leq b_n\)
- 若 \(\sum b_n\) 收敛，则 \(\sum a_n\) 收敛
- 若 \(\sum a_n\) 发散，则 \(\sum b_n\) 发散
比值判别法：\(\lim_{n \to \infty} \frac{a_{n+1}}{a_n} = \rho\)
- \(\rho < 1\)：收敛
- \(\rho > 1\)：发散
- \(\rho = 1\)：无法判断
根值判别法：\(\lim_{n \to \infty} \sqrt[n]{a_n} = \rho\)
- \(\rho < 1\)：收敛
- \(\rho > 1\)：发散
- \(\rho = 1\)：无法判断