微积分(Calculus) 是数学中研究变化率(微分)和累积量(积分)及其相互关系的核心分支。它诞生于 17 世纪,是数学史上最具革命性的事件之一,为科学、工程、经济乃至人工智能提供了不可或缺的分析工具。微积分的核心思想可概括为四个字——以直代曲 :用线性逼近非线性、用离散逼近连续、用有限逼近无限。
微积分的思想可追溯至古代。阿基米德 (Archimedes,公元前 287—212)使用穷竭法 (Method of Exhaustion)计算抛物线的面积和圆的周长,这实质上是最早的积分思想。中国古代数学家刘徽 在《九章算术注》中使用的"割圆术"——通过不断增加圆内接正多边形的边数来逼近圆的面积——同样体现了极限的直觉。
17 世纪,多位数学家在不同方向上推动了微积分的形成:
数学家
贡献
思想要点
开普勒(Kepler)
行星轨道计算
使用无穷小量处理面积和体积
卡瓦列里(Cavalieri)
不可分量原理
将面积视为无数条线段的集合
笛卡尔/费马
解析几何与切线
创造坐标系,发展求切线的方法
巴罗(Barrow)
微分-积分互逆关系
初步认识到求导和积分的逆运算关系
17 世纪后半叶,艾萨克·牛顿 (1643—1727)和戈特弗里德·莱布尼茨 (1646—1716)独立创立了微积分:
牛顿 从物理问题出发(运动学、引力),使用"流数法"(fluxions),将变量视为连续流动的量。他的工作主要体现在《自然哲学的数学原理》(1687)中。
莱布尼茨 从几何问题出发,发展了更符号化的体系。他创造的记号(d x dxd x 、∫ \int∫ )沿用至今,被公认为更优秀的微积分符号系统。
有趣的事实 :牛顿和莱布尼茨的优先权争议持续了数百年。现代观点认为他们独立完成,但莱布尼茨的符号体系对后世影响更大,而牛顿的物理直觉更为深刻。
早期微积分的"无穷小量"概念引发了哲学争议。19 世纪,柯西 、魏尔斯特拉斯 、黎曼 等数学家建立了严格的极限理论:
波尔查诺-魏尔斯特拉斯定理 :有界无穷数列必有收敛子列
柯西收敛准则 :数列收敛的充要条件是任意两项可任意接近
ε-δ 语言 :彻底消除了无穷小量的模糊性
1960 年代,亚伯拉罕·罗宾逊 创立了非标准分析 (Nonstandard Analysis),以严格方式重新引入无穷小量,证明了经典微积分可以另辟蹊径得到同样的结论。
极限是微积分的核心基础概念。函数 f ( x ) f(x)f ( x ) 在 x xx 趋近于 a aa 时的极限为 L LL ,意味着当 x xx 无限接近 a aa (但不等于 a aa )时,f ( x ) f(x)f ( x ) 无限接近 L LL 。
ε-δ 定义(魏尔斯特拉斯):
对任意 ϵ > 0 \epsilon > 0ϵ > 0 ,存在 δ > 0 \delta > 0δ > 0 ,使得当 0 < ∣ x − a ∣ < δ 0 < |x - a| < \delta0 < ∣ x − a ∣ < δ 时,有 ∣ f ( x ) − L ∣ < ϵ |f(x) - L| < \epsilon∣ f ( x ) − L ∣ < ϵ 。
单侧极限:
左极限:lim x → a − f ( x ) \displaystyle\lim_{x \to a^-} f(x)x → a − lim f ( x ) (从左侧趋近 a aa )
右极限:lim x → a + f ( x ) \displaystyle\lim_{x \to a^+} f(x)x → a + lim f ( x ) (从右侧趋近 a aa )
极限存在的充要条件:lim x → a − f ( x ) = lim x → a + f ( x ) \displaystyle\lim_{x \to a^-} f(x) = \lim_{x \to a^+} f(x)x → a − lim f ( x ) = x → a + lim f ( x )
graph LR
A[从左侧趋近 x→a⁻] --> C{左右极限<br>是否相等?}
B[从右侧趋近 x→a⁺] --> C
C -->|是| D[极限存在]
C -->|否| E[极限不存在]
若 lim x → a f ( x ) = L \displaystyle\lim_{x \to a} f(x) = Lx → a lim f ( x ) = L ,lim x → a g ( x ) = M \displaystyle\lim_{x \to a} g(x) = Mx → a lim g ( x ) = M ,则:
运算
公式
条件
和的极限
lim [ f ( x ) + g ( x ) ] = L + M \displaystyle\lim[f(x) + g(x)] = L + Mlim [ f ( x ) + g ( x )] = L + M
—
差的极限
lim [ f ( x ) − g ( x ) ] = L − M \displaystyle\lim[f(x) - g(x)] = L - Mlim [ f ( x ) − g ( x )] = L − M
—
积的极限
lim [ f ( x ) ⋅ g ( x ) ] = L ⋅ M \displaystyle\lim[f(x) \cdot g(x)] = L \cdot Mlim [ f ( x ) ⋅ g ( x )] = L ⋅ M
—
商的极限
lim [ f ( x ) / g ( x ) ] = L / M \displaystyle\lim[f(x)/g(x)] = L/Mlim [ f ( x ) / g ( x )] = L / M
M ≠ 0 M \neq 0M = 0
常数倍
lim [ c ⋅ f ( x ) ] = c L \displaystyle\lim[c \cdot f(x)] = cLlim [ c ⋅ f ( x )] = c L
—
幂的极限
lim [ f ( x ) ] n = L n \displaystyle\lim[f(x)]^n = L^nlim [ f ( x ) ] n = L n
n nn 为正整数
lim x → 0 sin x x = 1 \lim_{x \to 0} \frac{\sin x}{x} = 1
x → 0 lim x sin x = 1
数值验证 :当 x = 0.1 x = 0.1x = 0.1 时,sin ( 0.1 ) / 0.1 ≈ 0.9983 \sin(0.1)/0.1 \approx 0.9983sin ( 0.1 ) /0.1 ≈ 0.9983 ;当 x = 0.01 x = 0.01x = 0.01 时,sin ( 0.01 ) / 0.01 ≈ 0.99998 \sin(0.01)/0.01 \approx 0.99998sin ( 0.01 ) /0.01 ≈ 0.99998 。
lim n → ∞ ( 1 + 1 n ) n = e ≈ 2.71828 … \lim_{n \to \infty} \left(1 + \frac{1}{n}\right)^n = e \approx 2.71828\ldots
n → ∞ lim ( 1 + n 1 ) n = e ≈ 2.71828 …
数值验证 :
n nn
( 1 + 1 / n ) n (1 + 1/n)^n( 1 + 1/ n ) n
与 e ee 的误差
1
2.00000
0.71828
10
2.59374
0.12454
100
2.70481
0.01347
1000
2.71692
0.00136
10000
2.71815
0.00014
∞ \infty∞
e ≈ 2.71828 e \approx 2.71828e ≈ 2.71828
0
直接代入法 :若函数在 x = a x=ax = a 处连续,直接代入。
因式分解法 :消除零因子。
示例:lim x → 2 x 2 − 4 x − 2 = lim x → 2 ( x − 2 ) ( x + 2 ) x − 2 = lim x → 2 ( x + 2 ) = 4 \displaystyle\lim_{x \to 2} \frac{x^2 - 4}{x - 2} = \lim_{x \to 2} \frac{(x-2)(x+2)}{x-2} = \lim_{x \to 2} (x+2) = 4x → 2 lim x − 2 x 2 − 4 = x → 2 lim x − 2 ( x − 2 ) ( x + 2 ) = x → 2 lim ( x + 2 ) = 4
有理化法 :处理含根号的不定式。
示例:lim x → 0 1 + x − 1 x = lim x → 0 ( 1 + x ) − 1 x ( 1 + x + 1 ) = lim x → 0 1 1 + x + 1 = 1 2 \displaystyle\lim_{x \to 0} \frac{\sqrt{1+x} - 1}{x} = \lim_{x \to 0} \frac{(1+x)-1}{x(\sqrt{1+x}+1)} = \lim_{x \to 0} \frac{1}{\sqrt{1+x}+1} = \frac{1}{2}x → 0 lim x 1 + x − 1 = x → 0 lim x ( 1 + x + 1 ) ( 1 + x ) − 1 = x → 0 lim 1 + x + 1 1 = 2 1
洛必达法则 :用于 0 0 \frac{0}{0}0 0 或 ∞ ∞ \frac{\infty}{\infty}∞ ∞ 型不定式。
示例:lim x → 0 sin x x = lim x → 0 cos x 1 = 1 \displaystyle\lim_{x \to 0} \frac{\sin x}{x} = \lim_{x \to 0} \frac{\cos x}{1} = 1x → 0 lim x sin x = x → 0 lim 1 cos x = 1
等价无穷小替换 :常用等价关系见下表。
当 x → 0 x \to 0x → 0 时
等价于
sin x \sin xsin x
x xx
tan x \tan xtan x
x xx
1 − cos x 1 - \cos x1 − cos x
1 2 x 2 \frac{1}{2}x^22 1 x 2
ln ( 1 + x ) \ln(1+x)ln ( 1 + x )
x xx
e x − 1 e^x - 1e x − 1
x xx
arcsin x \arcsin xarcsin x
x xx
arctan x \arctan xarctan x
x xx
函数 f ff 在 x = a x = ax = a 处连续,当且仅当:
f ( a ) f(a)f ( a ) 有定义
lim x → a f ( x ) \displaystyle\lim_{x \to a} f(x)x → a lim f ( x ) 存在
lim x → a f ( x ) = f ( a ) \displaystyle\lim_{x \to a} f(x) = f(a)x → a lim f ( x ) = f ( a )
间断点分类:
graph TD
A[间断点] --> B{左右极限是否存在?}
B -->|都存在| C[第一类间断点]
B -->|至少一侧不存在| D[第二类间断点]
C -->|极限相等| E[可去间断点]
C -->|极限不相等| F[跳跃间断点]
D -->|至少一侧为无穷大| G[无穷间断点]
D -->|振荡不存在| H[振荡间断点]
连续函数的性质:
介值定理 (Intermediate Value Theorem):连续函数在闭区间上可取两端点之间的任何值。例如,若 f ( 0 ) = − 1 f(0) = -1f ( 0 ) = − 1 ,f ( 1 ) = 2 f(1) = 2f ( 1 ) = 2 ,则存在 c ∈ ( 0 , 1 ) c \in (0,1)c ∈ ( 0 , 1 ) 使 f ( c ) = 0 f(c) = 0f ( c ) = 0 。
最值定理 (Extreme Value Theorem):闭区间上的连续函数必有最大值和最小值。
一致连续性 (Uniform Continuity):闭区间上的连续函数必一致连续。
函数 f ( x ) f(x)f ( x ) 在 x 0 x_0x 0 处的导数定义为:
f ′ ( x 0 ) = lim h → 0 f ( x 0 + h ) − f ( x 0 ) h f'(x_0) = \lim_{h \to 0} \frac{f(x_0 + h) - f(x_0)}{h}
f ′ ( x 0 ) = h → 0 lim h f ( x 0 + h ) − f ( x 0 )
几何意义 :曲线 y = f ( x ) y = f(x)y = f ( x ) 在点 ( x 0 , f ( x 0 ) ) (x_0, f(x_0))( x 0 , f ( x 0 )) 处的切线斜率。
物理意义 :瞬时变化率。
速度 = 位移对时间的导数:v ( t ) = d s d t v(t) = \frac{ds}{dt}v ( t ) = d t d s
加速度 = 速度对时间的导数:a ( t ) = d v d t = d 2 s d t 2 a(t) = \frac{dv}{dt} = \frac{d^2s}{dt^2}a ( t ) = d t d v = d t 2 d 2 s
具体数值示例 :一物体沿直线运动,位移 s ( t ) = t 2 + 2 t s(t) = t^2 + 2ts ( t ) = t 2 + 2 t 米(t tt 为秒)。
v ( t ) = s ′ ( t ) = 2 t + 2 v(t) = s'(t) = 2t + 2v ( t ) = s ′ ( t ) = 2 t + 2 (m/s),当 t = 3 t=3t = 3 时速度 v ( 3 ) = 8 v(3) = 8v ( 3 ) = 8 m/s
a ( t ) = v ′ ( t ) = 2 a(t) = v'(t) = 2a ( t ) = v ′ ( t ) = 2 (m/s²),匀加速运动
函数
导数
备注
c cc (常数)
0 00
常数导数为零
x n x^nx n
n x n − 1 nx^{n-1}n x n − 1
幂函数求导法则
e x e^xe x
e x e^xe x
唯一导函数等于自身的函数
ln x \ln xln x
1 x \frac{1}{x}x 1
x > 0 x > 0x > 0
sin x \sin xsin x
cos x \cos xcos x
—
cos x \cos xcos x
− sin x -\sin x− sin x
—
tan x \tan xtan x
sec 2 x \sec^2 xsec 2 x
x ≠ π 2 + k π x \neq \frac{\pi}{2} + k\pix = 2 π + k π
log a x \log_a xlog a x
1 x ln a \frac{1}{x\ln a}x l n a 1
一般对数函数的导数
a x a^xa x
a x ln a a^x \ln aa x ln a
一般指数函数的导数
arcsin x \arcsin xarcsin x
1 1 − x 2 \frac{1}{\sqrt{1-x^2}}1 − x 2 1
∣ x ∣ < 1 |x| < 1∣ x ∣ < 1
arctan x \arctan xarctan x
1 1 + x 2 \frac{1}{1+x^2}1 + x 2 1
—
四则运算法则:
运算
公式
记忆口诀
和差
( f ± g ) ′ = f ′ ± g ′ (f \pm g)' = f' \pm g'( f ± g ) ′ = f ′ ± g ′
各求各的
乘积
( f g ) ′ = f ′ g + f g ′ (fg)' = f'g + fg'( f g ) ′ = f ′ g + f g ′
前导后不导 + 前不导后导
商
( f g ) ′ = f ′ g − f g ′ g 2 \left(\frac{f}{g}\right)' = \frac{f'g - fg'}{g^2}( g f ) ′ = g 2 f ′ g − f g ′
子导母不导 - 子不导母导
链式法则(复合函数求导):
d y d x = d y d u ⋅ d u d x \frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx}
d x d y = d u d y ⋅ d x d u
示例 :求 y = sin ( x 2 ) y = \sin(x^2)y = sin ( x 2 ) 的导数。
令 u = x 2 u = x^2u = x 2 ,则 y = sin u y = \sin uy = sin u 。
d y d x = cos u ⋅ 2 x = 2 x cos ( x 2 ) \frac{dy}{dx} = \cos u \cdot 2x = 2x \cos(x^2)d x d y = cos u ⋅ 2 x = 2 x cos ( x 2 )
隐函数求导 :对方程 F ( x , y ) = 0 F(x, y) = 0F ( x , y ) = 0 两边同时对 x xx 求导,将 y yy 视为 x xx 的函数。
示例 :求 x 2 + y 2 = 25 x^2 + y^2 = 25x 2 + y 2 = 25 在点 ( 3 , 4 ) (3,4)( 3 , 4 ) 处的切线斜率。
两边求导:2 x + 2 y y ′ = 0 2x + 2yy' = 02 x + 2 y y ′ = 0 ,得 y ′ = − x y y' = -\frac{x}{y}y ′ = − y x 。
代入 ( 3 , 4 ) (3,4)( 3 , 4 ) :y ′ = − 3 4 y' = -\frac{3}{4}y ′ = − 4 3 。即切线方程为 y − 4 = − 3 4 ( x − 3 ) y - 4 = -\frac{3}{4}(x - 3)y − 4 = − 4 3 ( x − 3 ) 。
函数 f ff 的 n nn 阶导数记为 f ( n ) ( x ) f^{(n)}(x)f ( n ) ( x ) 或 d n y d x n \frac{d^n y}{dx^n}d x n d n y 。
示例 :f ( x ) = x 4 f(x) = x^4f ( x ) = x 4 ,则 f ′ ( x ) = 4 x 3 f'(x) = 4x^3f ′ ( x ) = 4 x 3 ,f ′ ′ ( x ) = 12 x 2 f''(x) = 12x^2f ′′ ( x ) = 12 x 2 ,f ′ ′ ′ ( x ) = 24 x f'''(x) = 24xf ′′′ ( x ) = 24 x ,f ( 4 ) ( x ) = 24 f^{(4)}(x) = 24f ( 4 ) ( x ) = 24 ,f ( 5 ) ( x ) = 0 f^{(5)}(x) = 0f ( 5 ) ( x ) = 0 。
graph TD
A[微分中值定理族] --> B[罗尔定理]
A --> C[拉格朗日中值定理]
A --> D[柯西中值定理]
B --> C
C --> D
D --> E[洛必达法则<br>泰勒展开]
定理
条件
结论
几何意义
罗尔定理
f ff 在 [ a , b ] [a,b][ a , b ] 连续、( a , b ) (a,b)( a , b ) 可导,f ( a ) = f ( b ) f(a) = f(b)f ( a ) = f ( b )
∃ ξ ∈ ( a , b ) , f ′ ( ξ ) = 0 \exists \xi \in (a,b),\ f'(\xi) = 0∃ ξ ∈ ( a , b ) , f ′ ( ξ ) = 0
两端等高的曲线上必有水平切线
拉格朗日中值定理
f ff 在 [ a , b ] [a,b][ a , b ] 连续、( a , b ) (a,b)( a , b ) 可导
∃ ξ , f ( b ) − f ( a ) = f ′ ( ξ ) ( b − a ) \exists \xi,\ f(b)-f(a) = f'(\xi)(b-a)∃ ξ , f ( b ) − f ( a ) = f ′ ( ξ ) ( b − a )
曲线上某点切线平行于两端连线
柯西中值定理
f , g f,gf , g 在 [ a , b ] [a,b][ a , b ] 连续、( a , b ) (a,b)( a , b ) 可导,g ′ ( x ) ≠ 0 g'(x) \neq 0g ′ ( x ) = 0
f ( b ) − f ( a ) g ( b ) − g ( a ) = f ′ ( ξ ) g ′ ( ξ ) \frac{f(b)-f(a)}{g(b)-g(a)} = \frac{f'(\xi)}{g'(\xi)}g ( b ) − g ( a ) f ( b ) − f ( a ) = g ′ ( ξ ) f ′ ( ξ )
参数曲线的切线与弦平行
应用案例 :验证 f ( x ) = x 2 f(x) = x^2f ( x ) = x 2 在 [ 1 , 3 ] [1,3][ 1 , 3 ] 上的拉格朗日中值定理。
f ( 1 ) = 1 f(1)=1f ( 1 ) = 1 ,f ( 3 ) = 9 f(3)=9f ( 3 ) = 9 ,f ( 3 ) − f ( 1 ) 3 − 1 = 8 2 = 4 \frac{f(3)-f(1)}{3-1} = \frac{8}{2} = 43 − 1 f ( 3 ) − f ( 1 ) = 2 8 = 4 。
f ′ ( x ) = 2 x f'(x)=2xf ′ ( x ) = 2 x ,令 2 ξ = 4 2\xi=42 ξ = 4 ,得 ξ = 2 ∈ ( 1 , 3 ) \xi=2 \in (1,3)ξ = 2 ∈ ( 1 , 3 ) 。验证完毕。
函数单调性:
f ′ ( x ) > 0 f'(x) > 0f ′ ( x ) > 0 → 函数单调递增
f ′ ( x ) < 0 f'(x) < 0f ′ ( x ) < 0 → 函数单调递减
极值判定:
方法
过程
示例(f ( x ) = x 3 − 3 x f(x)=x^3-3xf ( x ) = x 3 − 3 x )
一阶导数法
求 f ′ ( x ) = 0 f'(x)=0f ′ ( x ) = 0 的临界点,检测导数变号
f ′ ( x ) = 3 x 2 − 3 f'(x)=3x^2-3f ′ ( x ) = 3 x 2 − 3 ,x = ± 1 x=\pm1x = ± 1 处导数变号
二阶导数法
f ′ ′ ( x 0 ) > 0 f''(x_0)>0f ′′ ( x 0 ) > 0 极小值,f ′ ′ ( x 0 ) < 0 f''(x_0)<0f ′′ ( x 0 ) < 0 极大值
f ′ ′ ( − 1 ) = − 6 < 0 f''(-1)=-6<0f ′′ ( − 1 ) = − 6 < 0 → 极大值;f ′ ′ ( 1 ) = 6 > 0 f''(1)=6>0f ′′ ( 1 ) = 6 > 0 → 极小值
完整极值分析示例 :f ( x ) = x 3 − 3 x f(x) = x^3 - 3xf ( x ) = x 3 − 3 x 在 [ − 2 , 2 ] [-2, 2][ − 2 , 2 ] 上的最大值和最小值。
临界点:f ′ ( x ) = 3 x 2 − 3 = 0 f'(x) = 3x^2 - 3 = 0f ′ ( x ) = 3 x 2 − 3 = 0 ,得 x = ± 1 x = \pm 1x = ± 1
比较端点:f ( − 2 ) = − 2 f(-2) = -2f ( − 2 ) = − 2 ,f ( − 1 ) = 2 f(-1) = 2f ( − 1 ) = 2 ,f ( 1 ) = − 2 f(1) = -2f ( 1 ) = − 2 ,f ( 2 ) = 2 f(2) = 2f ( 2 ) = 2
最大值 2(x = − 1 x = -1x = − 1 或 x = 2 x = 2x = 2 ),最小值 -2(x = − 2 x = -2x = − 2 或 x = 1 x = 1x = 1 )
凹凸性与拐点:
f ′ ′ ( x ) > 0 f''(x) > 0f ′′ ( x ) > 0 → 凹函数(向下凸),如 y = x 2 y = x^2y = x 2
f ′ ′ ( x ) < 0 f''(x) < 0f ′′ ( x ) < 0 → 凸函数(向上凸),如 y = x y = \sqrt{x}y = x
f ′ ′ ( x ) = 0 f''(x) = 0f ′′ ( x ) = 0 且变号处 → 拐点(Inflection Point)
曲率:
κ = ∣ y ′ ′ ∣ ( 1 + y ′ 2 ) 3 / 2 \kappa = \frac{|y''|}{(1 + y'^2)^{3/2}}
κ = ( 1 + y ′2 ) 3/2 ∣ y ′′ ∣
曲率描述曲线弯曲程度:半径越小的圆曲率越大。
现实世界应用:
领域
应用
数学表达
物理学
牛顿第二定律
F = m a = m d v d t F = ma = m\frac{dv}{dt}F = ma = m d t d v
经济学
边际成本
M C = d T C d Q MC = \frac{dTC}{dQ}M C = d Q d T C
机器学习
梯度下降
θ t + 1 = θ t − α ∇ J ( θ t ) \theta_{t+1} = \theta_t - \alpha\nabla J(\theta_t)θ t + 1 = θ t − α ∇ J ( θ t )
控制理论
PID 控制
u ( t ) = K p e ( t ) + K i ∫ e ( t ) d t + K d d e d t u(t) = K_pe(t) + K_i\int e(t)dt + K_d\frac{de}{dt}u ( t ) = K p e ( t ) + K i ∫ e ( t ) d t + K d d t d e
函数 y = f ( x ) y = f(x)y = f ( x ) 的微分定义为:
d y = f ′ ( x ) d x dy = f'(x)dx
d y = f ′ ( x ) d x
本质 :微分是函数增量的线性主部,基本思想是用切线上的线性变化近似曲线上的非线性变化。
数值示例 :用微分近似 4.1 \sqrt{4.1}4.1 。
取 f ( x ) = x f(x) = \sqrt{x}f ( x ) = x ,x 0 = 4 x_0 = 4x 0 = 4 ,d x = 0.1 dx = 0.1d x = 0.1 。
f ′ ( x ) = 1 2 x f'(x) = \frac{1}{2\sqrt{x}}f ′ ( x ) = 2 x 1 ,f ′ ( 4 ) = 1 4 f'(4) = \frac{1}{4}f ′ ( 4 ) = 4 1 。
f ( 4.1 ) ≈ f ( 4 ) + f ′ ( 4 ) × 0.1 = 2 + 0.025 = 2.025 f(4.1) \approx f(4) + f'(4) \times 0.1 = 2 + 0.025 = 2.025f ( 4.1 ) ≈ f ( 4 ) + f ′ ( 4 ) × 0.1 = 2 + 0.025 = 2.025 。
真实值 4.1 ≈ 2.0248 \sqrt{4.1} \approx 2.02484.1 ≈ 2.0248 ,误差仅约 0.0002。
全微分 (多元函数):
d z = ∂ z ∂ x d x + ∂ z ∂ y d y dz = \frac{\partial z}{\partial x}dx + \frac{\partial z}{\partial y}dy
d z = ∂ x ∂ z d x + ∂ y ∂ z d y
不定积分是求导的逆运算。若 F ′ ( x ) = f ( x ) F'(x) = f(x)F ′ ( x ) = f ( x ) ,则:
∫ f ( x ) d x = F ( x ) + C \int f(x)dx = F(x) + C
∫ f ( x ) d x = F ( x ) + C
其中 C CC 为积分常数——因为常数求导为零,所以一个函数的原函数有无限多个,彼此相差一个常数。
基本不定积分公式:
积分公式
条件
∫ x n d x = x n + 1 n + 1 + C \displaystyle\int x^n dx = \frac{x^{n+1}}{n+1} + C∫ x n d x = n + 1 x n + 1 + C
n ≠ − 1 n \neq -1n = − 1
∫ 1 x d x = ln ∣ x ∣ + C \displaystyle\int \frac{1}{x} dx = \ln|x| + C∫ x 1 d x = ln ∣ x ∣ + C
x ≠ 0 x \neq 0x = 0
∫ e x d x = e x + C \displaystyle\int e^x dx = e^x + C∫ e x d x = e x + C
—
∫ sin x d x = − cos x + C \displaystyle\int \sin x dx = -\cos x + C∫ sin x d x = − cos x + C
—
∫ cos x d x = sin x + C \displaystyle\int \cos x dx = \sin x + C∫ cos x d x = sin x + C
—
∫ 1 1 + x 2 d x = arctan x + C \displaystyle\int \frac{1}{1+x^2} dx = \arctan x + C∫ 1 + x 2 1 d x = arctan x + C
—
∫ 1 1 − x 2 d x = arcsin x + C \displaystyle\int \frac{1}{\sqrt{1-x^2}} dx = \arcsin x + C∫ 1 − x 2 1 d x = arcsin x + C
∣ x ∣ < 1 |x| < 1∣ x ∣ < 1
换元积分法:
类型
公式
适用场景
第一类换元(凑微分)
∫ f ( g ( x ) ) g ′ ( x ) d x = ∫ f ( u ) d u \int f(g(x))g'(x)dx = \int f(u)du∫ f ( g ( x )) g ′ ( x ) d x = ∫ f ( u ) d u ,u = g ( x ) u = g(x)u = g ( x )
被积函数含复合结构
第二类换元
∫ f ( x ) d x = ∫ f ( g ( t ) ) g ′ ( t ) d t \int f(x)dx = \int f(g(t))g'(t)dt∫ f ( x ) d x = ∫ f ( g ( t )) g ′ ( t ) d t ,x = g ( t ) x = g(t)x = g ( t )
根号、三角函数等复杂形式
凑微分示例 :∫ 2 x cos ( x 2 ) d x \int 2x\cos(x^2)dx∫ 2 x cos ( x 2 ) d x 。
令 u = x 2 u = x^2u = x 2 ,d u = 2 x d x du = 2x dxd u = 2 x d x ,原式 = ∫ cos u d u = sin u + C = sin ( x 2 ) + C = \int \cos u\; du = \sin u + C = \sin(x^2) + C= ∫ cos u d u = sin u + C = sin ( x 2 ) + C 。
常用代换:
被积函数形式
代换
变换为
a 2 − x 2 \sqrt{a^2 - x^2}a 2 − x 2
x = a sin t x = a\sin tx = a sin t
a cos t a\cos ta cos t
a 2 + x 2 \sqrt{a^2 + x^2}a 2 + x 2
x = a tan t x = a\tan tx = a tan t
a sec t a\sec ta sec t
x 2 − a 2 \sqrt{x^2 - a^2}x 2 − a 2
x = a sec t x = a\sec tx = a sec t
a tan t a\tan ta tan t
1 1 + x 2 \frac{1}{1+x^2}1 + x 2 1
x = tan t x = \tan tx = tan t
—
分部积分法:
∫ u d v = u v − ∫ v d u \int u\; dv = uv - \int v\; du
∫ u d v = uv − ∫ v d u
口诀"反对幂三指" :选择 u uu 的优先级:反三角函数 > 对数函数 > 幂函数 > 三角函数 > 指数函数。
示例 :计算 ∫ x e x d x \int x e^x dx∫ x e x d x 。
令 u = x u = xu = x ,d v = e x d x dv = e^x dxd v = e x d x ,则 d u = d x du = dxd u = d x ,v = e x v = e^xv = e x 。
∫ x e x d x = x e x − ∫ e x d x = x e x − e x + C = e x ( x − 1 ) + C \int x e^x dx = x e^x - \int e^x dx = x e^x - e^x + C = e^x(x - 1) + C∫ x e x d x = x e x − ∫ e x d x = x e x − e x + C = e x ( x − 1 ) + C
黎曼积分定义:
∫ a b f ( x ) d x = lim n → ∞ ∑ i = 1 n f ( ξ i ) Δ x i \int_a^b f(x)dx = \lim_{n \to \infty} \sum_{i=1}^n f(\xi_i)\Delta x_i
∫ a b f ( x ) d x = n → ∞ lim i = 1 ∑ n f ( ξ i ) Δ x i
其中 [ a , b ] [a,b][ a , b ] 被分割为 n nn 个子区间,Δ x i \Delta x_iΔ x i 为第 i ii 个区间长度,ξ i \xi_iξ i 为区间内任一点。
几何意义 :曲线 y = f ( x ) y = f(x)y = f ( x ) 与 x xx 轴在 [ a , b ] [a,b][ a , b ] 上围成的有向面积。
定积分的性质:
性质
公式
线性性
∫ a b [ f ( x ) ± g ( x ) ] d x = ∫ a b f ( x ) d x ± ∫ a b g ( x ) d x \int_a^b [f(x) \pm g(x)]dx = \int_a^b f(x)dx \pm \int_a^b g(x)dx∫ a b [ f ( x ) ± g ( x )] d x = ∫ a b f ( x ) d x ± ∫ a b g ( x ) d x
区间可加性
∫ a b f ( x ) d x = ∫ a c f ( x ) d x + ∫ c b f ( x ) d x \int_a^b f(x)dx = \int_a^c f(x)dx + \int_c^b f(x)dx∫ a b f ( x ) d x = ∫ a c f ( x ) d x + ∫ c b f ( x ) d x
保号性
f ( x ) ≥ 0 ⇒ ∫ a b f ( x ) d x ≥ 0 f(x) \geq 0 \Rightarrow \int_a^b f(x)dx \geq 0f ( x ) ≥ 0 ⇒ ∫ a b f ( x ) d x ≥ 0
绝对值不等式
∣ ∫ a b f ( x ) d x ∣ ≤ ∫ a b ∣ f ( x ) ∣ d x \left|\int_a^b f(x)dx\right| \leq \int_a^b |f(x)|dx ∫ a b f ( x ) d x ≤ ∫ a b ∣ f ( x ) ∣ d x
积分中值定理
∃ ξ ∈ [ a , b ] , ∫ a b f ( x ) d x = f ( ξ ) ( b − a ) \exists \xi \in [a,b],\ \int_a^b f(x)dx = f(\xi)(b-a)∃ ξ ∈ [ a , b ] , ∫ a b f ( x ) d x = f ( ξ ) ( b − a )
这是微积分中最重要的定理,建立了微分与积分之间的桥梁:
∫ a b f ( x ) d x = F ( b ) − F ( a ) \int_a^b f(x)dx = F(b) - F(a)
∫ a b f ( x ) d x = F ( b ) − F ( a )
其中 F ′ ( x ) = f ( x ) F'(x) = f(x)F ′ ( x ) = f ( x ) ,即 F FF 是 f ff 的一个原函数。
graph LR
A[微分<br>求变化率] -->|牛顿-莱布尼茨公式<br>互为逆运算| B[积分<br>求和累积]
A -.->|求导链式法则| C[微分方程]
B -.->|定积分计算| C
C -->|描述自然规律| D[物理/工程/经济/AI]
数值示例 :计算 ∫ 0 2 x 2 d x \displaystyle\int_0^2 x^2 dx∫ 0 2 x 2 d x 。
F ( x ) = x 3 3 F(x) = \frac{x^3}{3}F ( x ) = 3 x 3 ,F ( 2 ) − F ( 0 ) = 8 3 − 0 = 8 3 ≈ 2.667 F(2) - F(0) = \frac{8}{3} - 0 = \frac{8}{3} \approx 2.667F ( 2 ) − F ( 0 ) = 3 8 − 0 = 3 8 ≈ 2.667 。
几何验证:抛物线 y = x 2 y=x^2y = x 2 在 [ 0 , 2 ] [0,2][ 0 , 2 ] 下的面积确实为 8 3 \frac{8}{3}3 8 。
无穷限反常积分:
∫ a ∞ f ( x ) d x = lim b → ∞ ∫ a b f ( x ) d x \int_a^\infty f(x)dx = \lim_{b \to \infty} \int_a^b f(x)dx
∫ a ∞ f ( x ) d x = b → ∞ lim ∫ a b f ( x ) d x
无界函数的反常积分(瑕积分):
若 f ff 在 x = a x=ax = a 处无界:∫ a b f ( x ) d x = lim ϵ → 0 + ∫ a + ϵ b f ( x ) d x \displaystyle\int_a^b f(x)dx = \lim_{\epsilon \to 0^+} \int_{a+\epsilon}^b f(x)dx∫ a b f ( x ) d x = ϵ → 0 + lim ∫ a + ϵ b f ( x ) d x
p-积分的收敛性对比:
积分类型
收敛条件
发散条件
示例
∫ 1 ∞ 1 x p d x \int_1^\infty \frac{1}{x^p}dx∫ 1 ∞ x p 1 d x
p > 1 p > 1p > 1
p ≤ 1 p \leq 1p ≤ 1
∫ 1 ∞ 1 x 2 d x = 1 \int_1^\infty \frac{1}{x^2}dx = 1∫ 1 ∞ x 2 1 d x = 1 (收敛)
∫ 0 1 1 x p d x \int_0^1 \frac{1}{x^p}dx∫ 0 1 x p 1 d x
p < 1 p < 1p < 1
p ≥ 1 p \geq 1p ≥ 1
∫ 0 1 1 x d x = 2 \int_0^1 \frac{1}{\sqrt{x}}dx = 2∫ 0 1 x 1 d x = 2 (收敛)
几何应用:
场景
公式
说明
平面面积
S = ∫ a b ∣ f ( x ) − g ( x ) ∣ d x S = \displaystyle\int_a^b |f(x) - g(x)|dxS = ∫ a b ∣ f ( x ) − g ( x ) ∣ d x
两曲线间的面积
旋转体体积
V = π ∫ a b [ f ( x ) ] 2 d x V = \pi\displaystyle\int_a^b [f(x)]^2 dxV = π ∫ a b [ f ( x ) ] 2 d x
绕 x xx 轴旋转
弧长
L = ∫ a b 1 + [ f ′ ( x ) ] 2 d x L = \displaystyle\int_a^b \sqrt{1 + [f'(x)]^2} dxL = ∫ a b 1 + [ f ′ ( x ) ] 2 d x
曲线长度
旋转体表面积
S = 2 π ∫ a b f ( x ) 1 + [ f ′ ( x ) ] 2 d x S = 2\pi\displaystyle\int_a^b f(x)\sqrt{1+[f'(x)]^2} dxS = 2 π ∫ a b f ( x ) 1 + [ f ′ ( x ) ] 2 d x
绕 x xx 轴旋转的表面积
示例 :求 y = x y = \sqrt{x}y = x 从 x = 0 x=0x = 0 到 x = 4 x=4x = 4 的弧长。
y ′ = 1 2 x y' = \frac{1}{2\sqrt{x}}y ′ = 2 x 1 ,L = ∫ 0 4 1 + 1 4 x d x = ∫ 0 4 4 x + 1 4 x d x L = \int_0^4 \sqrt{1 + \frac{1}{4x}}dx = \int_0^4 \sqrt{\frac{4x+1}{4x}}dxL = ∫ 0 4 1 + 4 x 1 d x = ∫ 0 4 4 x 4 x + 1 d x 。
物理应用:
场景
积分表达式
说明
变力做功
W = ∫ a b F ( x ) d x W = \displaystyle\int_a^b F(x)dxW = ∫ a b F ( x ) d x
弹簧拉伸:F = k x F=kxF = k x ,W = 1 2 k ( b 2 − a 2 ) W=\frac{1}{2}k(b^2-a^2)W = 2 1 k ( b 2 − a 2 )
液体压力
F = ρ g ∫ a b h ( x ) w ( x ) d x F = \rho g\displaystyle\int_a^b h(x)w(x)dxF = ρ g ∫ a b h ( x ) w ( x ) d x
水坝、水闸等
质心
x ˉ = ∫ x d m ∫ d m \bar{x} = \frac{\int x dm}{\int dm}x ˉ = ∫ d m ∫ x d m
一维质心坐标
电流与电荷
Q = ∫ t 1 t 2 I ( t ) d t Q = \displaystyle\int_{t_1}^{t_2} I(t)dtQ = ∫ t 1 t 2 I ( t ) d t
电流对时间的积分等于电量
无穷级数 ∑ n = 1 ∞ a n \displaystyle\sum_{n=1}^\infty a_nn = 1 ∑ ∞ a n 收敛当且仅当其部分和数列 S N = ∑ n = 1 N a n S_N = \sum_{n=1}^N a_nS N = ∑ n = 1 N a n 收敛。
收敛性判别法:
判别法
适用条件
方法
比较判别法
正项级数
与已知收敛/发散级数比较
比值判别法(达朗贝尔)
正项级数
lim a n + 1 a n < 1 \lim \frac{a_{n+1}}{a_n} < 1lim a n a n + 1 < 1 收敛,> 1 >1> 1 发散
根值判别法(柯西)
正项级数
lim a n n < 1 \lim \sqrt[n]{a_n} < 1lim n a n < 1 收敛,> 1 >1> 1 发散
积分判别法
正项递减
∫ f ( x ) d x \int f(x)dx∫ f ( x ) d x 与 ∑ f ( n ) \sum f(n)∑ f ( n ) 同敛散
莱布尼茨判别法
交错级数
a n a_na n 单调递减趋 0 ⇒ ∑ ( − 1 ) n a n \sum(-1)^n a_n∑ ( − 1 ) n a n 收敛
示例 :判断 ∑ n = 1 ∞ 1 n 2 \displaystyle\sum_{n=1}^\infty \frac{1}{n^2}n = 1 ∑ ∞ n 2 1 的收敛性。
使用积分判别法:∫ 1 ∞ 1 x 2 d x = 1 \int_1^\infty \frac{1}{x^2}dx = 1∫ 1 ∞ x 2 1 d x = 1 (收敛),故级数收敛。实际和 ∑ 1 n 2 = π 2 6 \sum \frac{1}{n^2} = \frac{\pi^2}{6}∑ n 2 1 = 6 π 2 (欧拉奇迹)。
∑ n = 0 ∞ a n ( x − c ) n \sum_{n=0}^\infty a_n(x - c)^n
n = 0 ∑ ∞ a n ( x − c ) n
收敛半径 :存在 R RR (0 ≤ R ≤ ∞ 0 \leq R \leq \infty0 ≤ R ≤ ∞ ),使 ∣ x − c ∣ < R |x-c| < R∣ x − c ∣ < R 时级数绝对收敛,∣ x − c ∣ > R |x-c| > R∣ x − c ∣ > R 时发散。
常见幂级数展开:
函数
幂级数展开
收敛区间
1 1 − x \frac{1}{1-x}1 − x 1
∑ n = 0 ∞ x n \displaystyle\sum_{n=0}^\infty x^nn = 0 ∑ ∞ x n
∣ x ∣ < 1 |x| < 1∣ x ∣ < 1
e x e^xe x
∑ n = 0 ∞ x n n ! \displaystyle\sum_{n=0}^\infty \frac{x^n}{n!}n = 0 ∑ ∞ n ! x n
( − ∞ , ∞ ) (-\infty, \infty)( − ∞ , ∞ )
sin x \sin xsin x
∑ n = 0 ∞ ( − 1 ) n x 2 n + 1 ( 2 n + 1 ) ! \displaystyle\sum_{n=0}^\infty (-1)^n \frac{x^{2n+1}}{(2n+1)!}n = 0 ∑ ∞ ( − 1 ) n ( 2 n + 1 )! x 2 n + 1
( − ∞ , ∞ ) (-\infty, \infty)( − ∞ , ∞ )
cos x \cos xcos x
∑ n = 0 ∞ ( − 1 ) n x 2 n ( 2 n ) ! \displaystyle\sum_{n=0}^\infty (-1)^n \frac{x^{2n}}{(2n)!}n = 0 ∑ ∞ ( − 1 ) n ( 2 n )! x 2 n
( − ∞ , ∞ ) (-\infty, \infty)( − ∞ , ∞ )
ln ( 1 + x ) \ln(1+x)ln ( 1 + x )
∑ n = 1 ∞ ( − 1 ) n − 1 x n n \displaystyle\sum_{n=1}^\infty (-1)^{n-1} \frac{x^n}{n}n = 1 ∑ ∞ ( − 1 ) n − 1 n x n
( − 1 , 1 ] (-1, 1]( − 1 , 1 ]
欧拉公式的推导 :将 e i θ e^{i\theta}e i θ 展开为幂级数:
e i θ = ∑ n = 0 ∞ ( i θ ) n n ! = cos θ + i sin θ e^{i\theta} = \sum_{n=0}^\infty \frac{(i\theta)^n}{n!} = \cos\theta + i\sin\thetae i θ = ∑ n = 0 ∞ n ! ( i θ ) n = cos θ + i sin θ
这个公式被列为"最美丽的数学公式"之一。当 θ = π \theta = \piθ = π 时:e i π + 1 = 0 e^{i\pi} + 1 = 0e iπ + 1 = 0 ,将五个最重要的数学常数联系在了一起。
泰勒级数:
f ( x ) = ∑ n = 0 ∞ f ( n ) ( a ) n ! ( x − a ) n f(x) = \sum_{n=0}^\infty \frac{f^{(n)}(a)}{n!}(x-a)^n
f ( x ) = n = 0 ∑ ∞ n ! f ( n ) ( a ) ( x − a ) n
当 a = 0 a=0a = 0 时称为麦克劳林级数 。
应用示例 :用三阶泰勒多项式近似 e 0.1 e^{0.1}e 0.1 。
e x ≈ 1 + x + x 2 2 + x 3 6 e^x \approx 1 + x + \frac{x^2}{2} + \frac{x^3}{6}e x ≈ 1 + x + 2 x 2 + 6 x 3
e 0.1 ≈ 1 + 0.1 + 0.005 + 0.000167 = 1.105167 e^{0.1} \approx 1 + 0.1 + 0.005 + 0.000167 = 1.105167e 0.1 ≈ 1 + 0.1 + 0.005 + 0.000167 = 1.105167
真实值 e 0.1 ≈ 1.105171 e^{0.1} \approx 1.105171e 0.1 ≈ 1.105171 ,误差仅 4 × 10 − 6 4 \times 10^{-6}4 × 1 0 − 6 。
傅里叶级数:
任何周期函数(满足狄利克雷条件)可展开为正弦和余弦的无穷级数:
f ( x ) = a 0 2 + ∑ n = 1 ∞ ( a n cos 2 π n x T + b n sin 2 π n x T ) f(x) = \frac{a_0}{2} + \sum_{n=1}^\infty \left(a_n\cos\frac{2\pi nx}{T} + b_n\sin\frac{2\pi nx}{T}\right)
f ( x ) = 2 a 0 + n = 1 ∑ ∞ ( a n cos T 2 π n x + b n sin T 2 π n x )
傅里叶级数是信号处理、图像压缩(JPEG)、量子力学等领域的基础工具。其核心思想是:任何波形都可以分解为不同频率的正弦波之和 。
对多元函数 f ( x , y ) f(x, y)f ( x , y ) ,偏导数 ∂ f ∂ x \frac{\partial f}{\partial x}∂ x ∂ f 表示在 y yy 不变时函数关于 x xx 的变化率。
梯度:
∇ f = ( ∂ f ∂ x , ∂ f ∂ y ) \nabla f = \left(\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}\right)
∇ f = ( ∂ x ∂ f , ∂ y ∂ f )
梯度方向是函数值增加最快的方向,其模长等于最大变化率。梯度下降算法正是沿着负梯度方向迭代寻找函数最小值。
高阶偏导数与克莱罗定理:
在连续条件下:∂ 2 f ∂ x ∂ y = ∂ 2 f ∂ y ∂ x \frac{\partial^2 f}{\partial x\partial y} = \frac{\partial^2 f}{\partial y\partial x}∂ x ∂ y ∂ 2 f = ∂ y ∂ x ∂ 2 f ,即混合偏导数与求导顺序无关。
类型
表达式
坐标系变换
二重积分
∬ D f ( x , y ) d A \iint_D f(x,y)dA∬ D f ( x , y ) d A
极坐标:d A = r d r d θ dA = rdrd\thetad A = r d r d θ
三重积分
∭ V f ( x , y , z ) d V \iiint_V f(x,y,z)dV∭ V f ( x , y , z ) d V
柱坐标或球坐标
二重积分计算(直角坐标系):
∫ a b ∫ g 1 ( x ) g 2 ( x ) f ( x , y ) d y d x \int_a^b \int_{g_1(x)}^{g_2(x)} f(x,y) dy\; dx
∫ a b ∫ g 1 ( x ) g 2 ( x ) f ( x , y ) d y d x
示例 :计算 f ( x , y ) = x + y f(x,y) = x + yf ( x , y ) = x + y 在矩形 [ 0 , 1 ] × [ 0 , 2 ] [0,1] \times [0,2][ 0 , 1 ] × [ 0 , 2 ] 上的二重积分。
∫ 0 1 ∫ 0 2 ( x + y ) d y d x = ∫ 0 1 [ x y + y 2 2 ] 0 2 d x = ∫ 0 1 ( 2 x + 2 ) d x = [ x 2 + 2 x ] 0 1 = 3 \int_0^1 \int_0^2 (x+y)dy\;dx = \int_0^1 \left[xy + \frac{y^2}{2}\right]_0^2 dx = \int_0^1 (2x + 2)dx = [x^2 + 2x]_0^1 = 3∫ 0 1 ∫ 0 2 ( x + y ) d y d x = ∫ 0 1 [ x y + 2 y 2 ] 0 2 d x = ∫ 0 1 ( 2 x + 2 ) d x = [ x 2 + 2 x ] 0 1 = 3
graph TD
A[向量微积分核心定理] --> B[格林定理<br>二维]
A --> C[高斯散度定理<br>三维]
A --> D[斯托克斯定理<br>三维]
B -->|推广| C
B -->|推广| D
C -.->|物理意义| E[散度=通量密度]
D -.->|物理意义| F[旋度=环量密度]
格林定理(二维 → 一维边界):
∬ D ( ∂ Q ∂ x − ∂ P ∂ y ) d x d y = ∮ ∂ D P d x + Q d y \iint_D \left(\frac{\partial Q}{\partial x} - \frac{\partial P}{\partial y}\right)dxdy = \oint_{\partial D} Pdx + Qdy
∬ D ( ∂ x ∂ Q − ∂ y ∂ P ) d x d y = ∮ ∂ D P d x + Q d y
高斯散度定理(体积 → 表面):
∭ V ( ∇ ⋅ F ) d V = ∯ S F ⋅ n d S \iiint_V (\nabla \cdot \mathbf{F})\;dV = \oiint_S \mathbf{F} \cdot \mathbf{n}\;dS
∭ V ( ∇ ⋅ F ) d V = ∬ S F ⋅ n d S
斯托克斯定理(曲面 → 边界曲线):
∬ S ( ∇ × F ) ⋅ n d S = ∮ ∂ S F ⋅ d r \iint_S (\nabla \times \mathbf{F})\cdot \mathbf{n}\;dS = \oint_{\partial S} \mathbf{F} \cdot d\mathbf{r}
∬ S ( ∇ × F ) ⋅ n d S = ∮ ∂ S F ⋅ d r
这三个定理构成了矢量微积分的核心,是麦克斯韦方程组、流体力学、电磁学的基础。
微积分是现代 AI 和机器学习的数学基石:
应用
涉及的微积分概念
说明
梯度下降
偏导数、梯度
沿负梯度方向更新参数以最小化损失函数
反向传播
链式法则
递归计算神经网络中各层参数的梯度
卷积神经网络
积分、卷积
图像特征提取的数学基础
强化学习
微分方程、积分
价值函数的迭代更新
变分自编码器
变分法、KL 散度
生成模型的理论基础
经典力学 :牛顿第二定律 F = m a F = maF = ma 是二阶微分方程。行星运动的三体问题本质上是微分方程组的求解。
电磁学 :麦克斯韦方程组以微分形式描述了电场和磁场的关系:∇ ⋅ E = ρ ϵ 0 , ∇ × E = − ∂ B ∂ t \nabla \cdot \mathbf{E} = \frac{\rho}{\epsilon_0},\quad \nabla \times \mathbf{E} = -\frac{\partial \mathbf{B}}{\partial t}
∇ ⋅ E = ϵ 0 ρ , ∇ × E = − ∂ t ∂ B
∇ ⋅ B = 0 , ∇ × B = μ 0 J + μ 0 ϵ 0 ∂ E ∂ t \nabla \cdot \mathbf{B} = 0,\quad \nabla \times \mathbf{B} = \mu_0\mathbf{J} + \mu_0\epsilon_0\frac{\partial \mathbf{E}}{\partial t}
∇ ⋅ B = 0 , ∇ × B = μ 0 J + μ 0 ϵ 0 ∂ t ∂ E
量子力学 :薛定谔方程 i ℏ ∂ Ψ ∂ t = H ^ Ψ \displaystyle i\hbar\frac{\partial \Psi}{\partial t} = \hat{H}\Psii ℏ ∂ t ∂ Ψ = H ^ Ψ 是偏微分方程。
领域
应用
微积分角色
信号处理
傅里叶变换
时域→频域转换
控制理论
PID 控制
比例-积分-微分反馈
CAD/CAM
贝塞尔曲线与 NURBS
曲线与曲面的参数化表示
流体力学
纳维-斯托克斯方程
偏微分方程描述流体运动
结构工程
有限元分析
将连续结构离散化为微分方程系统
应用
微积分工具
现实例子
布莱克-舒尔斯模型
偏微分方程
期权定价的热方程形式
边际分析
导数
边际成本 = d T C / d Q dTC/dQd T C / d Q
复合增长
指数函数、e ee
连续复利 A = P e r t A = Pe^{rt}A = P e r t
消费者剩余
定积分
∫ 0 Q ∗ ( P d ( Q ) − P ∗ ) d Q \int_0^{Q^*} (P_d(Q) - P^*)dQ∫ 0 Q ∗ ( P d ( Q ) − P ∗ ) d Q
打好极限基础 :极限是微积分的根基。理解 ϵ \epsilonϵ -δ \deltaδ 语言虽然抽象,但对深度学习至关重要。
重视几何直观 :导数就是切线斜率,积分就是曲线下的面积。这些几何理解能帮助记忆抽象公式。
大量练习 :求导和积分需要肌肉记忆,建议每天做 10—20 道基础练习题。
理解核心定理 :尤其是微积分基本定理(牛顿-莱布尼茨公式),它是微分和积分之间的桥梁。
联系实际应用 :尝试将抽象概念与机器学习梯度下降、物理运动方程等具体问题对应。
善用可视化工具 :Desmos、GeoGebra、3Blue1Brown 的"微积分的本质"视频系列都非常值得观看。
推荐教材 :
入门:James Stewart《微积分》(Calculus: Early Transcendentals)
经典:Tom Apostol《数学分析》(Mathematical Analysis)
严谨:Rudin《数学分析原理》(Principles of Mathematical Analysis)
直觉:Silvanus P. Thompson《微积分学教程》(Calculus Made Easy)
在线:MIT OpenCourseWare(18.01 Single Variable Calculus)
视频:3Blue1Brown "Essence of Calculus" 系列(YouTube)
最后一句 :微积分不仅仅是一套计算工具,更是一种思维方式——将复杂问题分解为无穷小的变化(微分),再将这些微小变化累积起来(积分),从而理解整体。这种"分解-分析-整合"的方法论,早已超越了数学本身,成为现代科学世界观的核心思维方式。