在数学和工程学中，无约束最优化问题是一个核心的课题。它涉及到在没有任何限制条件的情况下，寻找一个函数的最大值或最小值。掌握无约束最优化解析法对于解决实际问题至关重要。以下是一些例题，通过解析这些例题，我们可以轻松突破无约束最优化难题。
例题一：一元函数的无约束最优化
问题描述：求函数 ( f(x) = x^4 - 4x^3 + 6x^2 ) 的最大值和最小值。
解析：
求导数：首先，我们需要求出函数的一阶导数 ( f’(x) )。 [ f’(x) = 4x^3 - 12x^2 + 12x ]
求临界点：将导数设为0，解方程 ( f’(x) = 0 )。 [ 4x^3 - 12x^2 + 12x = 0 \implies 4x(x^2 - 3x + 3) = 0 ] 解得 ( x = 0 ) 或 ( x^2 - 3x + 3 = 0 )。后者没有实数解。
求二阶导数：为了确定临界点 ( x = 0 ) 是极大值还是极小值，我们需要求出二阶导数 ( f”(x) )。 [ f”(x) = 12x^2 - 24x + 12 ] 将 ( x = 0 ) 代入，得 ( f”(0) = 12 > 0 )，因此 ( x = 0 ) 是极小值点。
计算极值：将 ( x = 0 ) 代入原函数，得 ( f(0) = 0 )。
结论：函数 ( f(x) = x^4 - 4x^3 + 6x^2 ) 在 ( x = 0 ) 处取得极小值 0，没有最大值。
例题二：多元函数的无约束最优化
问题描述：求函数 ( f(x, y) = x^2 + y^2 ) 的最小值。
解析：
求偏导数：首先，我们需要求出函数的偏导数 ( f_x ) 和 ( f_y )。 [ f_x = 2x, \quad f_y = 2y ]
求临界点：将偏导数设为0，解方程组 ( f_x = 0 ) 和 ( f_y = 0 )。 [ 2x = 0 \implies x = 0, \quad 2y = 0 \implies y = 0 ] 解得 ( (x, y) = (0, 0) )。
求二阶偏导数：为了确定临界点 ( (0, 0) ) 是极大值、极小值还是鞍点，我们需要求出二阶偏导数 ( f{xx}, f{yy}, ) 和 ( f{xy} )。 [ f{xx} = 2, \quad f{yy} = 2, \quad f{xy} = 0 ]
计算Hessian矩阵：Hessian矩阵 ( H ) 为 [ H = \begin{bmatrix} 2 & 0 \ 0 & 2 \end{bmatrix} ] 因为 ( H ) 是正定的，所以 ( (0, 0) ) 是极小值点。
计算极值：将 ( (0, 0) ) 代入原函数，得 ( f(0, 0) = 0 )。
结论：函数 ( f(x, y) = x^2 + y^2 ) 在 ( (0, 0) ) 处取得极小值 0。
通过以上例题，我们可以看到无约束最优化问题的解决方法。在实际应用中，这些方法可以帮助我们找到函数的最大值或最小值，从而优化各种工程和科学问题。