普 通 高 等 教 育“十 一 五”国 家 级 规 划 教 材
条件极值与拉格朗日乘数法
多元函数微分学 · 第 20 次课
教材：《医科高等数学》第四版（张选群 主编）
高等数学 C · 授课对象：医学生 · 2 学时
$f(x,y)$ 在 $\varphi(x,y)=0$ 下 · $L=f+\lambda\varphi$ · 代入法 · 等高线相切 · 最省材料
💭 上课之前 · 请想一想
💊
固定总剂量下，两种药物的配比怎么选，疗效才最大？
疗效 $f(x,y)$ 依赖两种药的用量 $x$ 与 $y$，但两者被"总量固定"这条约束锁住（$x+y=$ 常数），不能各自随便调。这时候要问的是：在约束这条曲线上，$f$ 的最大值在哪里——这就是条件极值。
🎯
上一课"令偏导为零"找极值的老办法，为什么在这里不灵？
因为可行点被锁在约束曲线 $\varphi(x,y)=0$ 上。曲线上的最值点一般不在曲面的"山顶/谷底"——令 $f_x=f_y=0$ 得到的驻点往往根本不满足约束。所以约束下的最值不能直接令偏导为零，这是本课第一条红线。
✦ 带着这两个问题，进入今天的主角 ✦
🤔 什么叫"条件极值"？
自变量被一条约束 $\varphi(x,y)=0$ 锁住时，求目标函数 $z=f(x,y)$ 的最值
✏️条件极值：在约束 $\varphi(x,y)=0$ 下求 $z=f(x,y)$ 的极值
🎯红线：约束下的最值，不能直接令 $f_x=f_y=0$
🧭主角：拉格朗日乘数法 $L=f+\lambda\varphi$
🏔️几何：极值点处，等高线与约束曲线相切
先看动态演示：在约束曲线 $x+y=1$ 上拖动一点，观察目标函数 $f=xy$ 的值随位置变化——最大值出现在中点 $(1/2,1/2)$，值为 $1/4$。注意这个最值点并不是曲面的"山顶"：那里 $f_x=y=\dfrac12$、$f_y=x=\dfrac12$，两个偏导都不为零。
"条件极值"是在约束 $\varphi(x,y)=0$ 这条曲线上给目标函数 $f(x,y)$ 找最大、最小：
可行点被"锁"在曲线上，不能在整个平面上自由移动，所以老办法（令偏导为零）会失灵。
—— 先有约束，再谈极值
🔒
带着约束找最优
约束把可行点锁成一条曲线，目标函数的值只在曲线上有意义；
"带着约束找最优"正是本课一句话概括。
📖 几何想象：在曲线上标高度
把目标函数 $z=f(x,y)$ 想象成一张"高度图"（曲面），约束 $\varphi(x,y)=0$ 是地面上的一条小路。条件极值问的是：沿这条小路走，最高点与最低点在哪里——不是整张地图的最高峰，而是小路自己的最高点。
小路的最高点，通常不在附近区域的最高峰（曲面的山顶），而是一段"先上坡、后下坡"的转折处。这个转折处有个漂亮的几何特征：目标函数的等高线恰好与小路相切——这正是拉格朗日乘数法的几何本质，后面 20.3 节细讲。
🔒 约束$\varphi(x,y)=0$ 把可行点锁成一条曲线
📈 目标$z=f(x,y)$ 只在这条曲线上取值
🏔️ 结论曲线上的最值点不必是曲面的驻点
🩺 医学里的"约束"无处不在
临床上很少能"无限制"地优化：总剂量固定、疗程长度固定、预算固定、床位固定，都是约束。数学上，这些约束把本来可以自由调节的多个变量绑在一起，于是"如何分配"就成了典型条件极值问题。
例如"固定总剂量下，两种药物按什么比例联合用药疗效最大"——疗效 $f$ 依赖两种用量 $x$、$y$，约束是 $x+y=$ 总剂量。这正是本课开场的那道思考题，它的数学结构就是"约束曲线上的最大值"。
上一课我们用 $AC-B^2$ 判别无条件极值（自变量自由变化）；这一课给自变量加一条约束 $\varphi(x,y)=0$，在"曲线"上求最值，主角是拉格朗日乘数法。
💡 学这一课之前
上一课我们学了无条件极值：自变量 $x$、$y$ 自由变化时，令 $f_x=f_y=0$ 找驻点，再用 $AC-B^2$ 判别。这一课加一条约束 $\varphi(x,y)=0$：自变量不再自由，只能在满足约束的点里选。这是更贴近实际的问题——现实中的优化几乎总带着约束。
➕
一、从"无条件"到"有条件"
无条件：在定义域内直接求 $f(x,y)$ 的极值。有条件：先锁定集合 $\{(x,y)\mid\varphi(x,y)=0\}$，只在这个集合里求 $f$ 的极值。两者的可行范围不同，求解方法也不同——这是本课第一条红线。
🩺
二、为什么医学生必须学它
固定总剂量下的配药比例、固定预算下的资源分配、固定体积下最省材料的包装设计……这些问题的共同结构是"优化一个目标，同时满足一条约束"。掌握拉格朗日乘数法，就掌握了这类问题的统一解法。
🎯
三、本课的三条主线
①代入法：约束简单时解出一个变量代入，化为一元极值（红线：约束下不能直接令偏导为零）；②拉格朗日乘数法：$L=f+\lambda\varphi$，解三方程（红线：解出的是"可能的"极值点，要代回比较）；③多约束与闭区域：$L=f+\lambda\varphi+\mu\psi$，闭区域上要比较边界值。
✦ 从"自由调整"到"带着约束调整" ✦
20.1 条件极值的概念 · 本课第一红线
先想清楚"条件极值"和上一课的"无条件极值"差在哪：前者先有约束、再谈极值；后者自变量完全自由。
✏️ 定义
设函数 $z=f(x,y)$ 与约束条件 $\varphi(x,y)=0$。若在满足约束的点 $(x_0,y_0)$（即 $\varphi(x_0,y_0)=0$）的某个邻域内，凡满足约束的点都有 $f(x,y)\le f(x_0,y_0)$，则称 $f(x_0,y_0)$ 为 $f$ 在约束 $\varphi=0$ 下的条件极大值；类似地定义条件极小值。
$$\max/\min\ \ f(x,y)\qquad\text{满足}\ \ \varphi(x,y)=0$$
关键词是"凡满足约束的点"：比较范围被限定在约束曲线 $\varphi=0$ 上，而不是整个平面。这正是它与无条件极值的本质区别。
⚖️ 无条件 vs 有条件（一张表分清）
| 对比项 | 无条件极值（上一课） | 条件极值（本课） |
|---|
| 自变量 | 自由变化 | 被 $\varphi(x,y)=0$ 锁住 |
| 可行集合 | 整个定义域（区域） | 约束曲线（一条线） |
| 必要条件 | $f_x=f_y=0$（驻点） | 拉格朗日方程组（见 20.3） |
| 几何直观 | 曲面的山顶 / 谷底 | 曲线上"先升后降"的转折点 |
👉 左右滑动查看完整表格 👈
⚠️ 本课红线（务必记死）：条件极值与无条件极值不是一回事，约束条件下的最值不能直接令偏导为零。理由很直接：令 $f_x=f_y=0$ 解出的驻点，一般不满足约束 $\varphi=0$，根本不在可行集合里；而曲线上的最值点，$f_x$、$f_y$ 通常都不为零（开场演示里 $f=xy$ 的最值点 $(1/2,1/2)$ 处 $f_x=f_y=\dfrac12\ne0$ 就是证据）。
💥 反例：为什么老办法必失灵
求 $z=xy$ 在约束 $x+y=1$ 下的条件极值。若照搬无条件极值的做法：令 $f_x=y=0$、$f_y=x=0$，解得驻点 $(0,0)$。但 $(0,0)$ 代入约束 $x+y=1$ 得 $0\ne1$——它根本不在可行集合上，谈不上是"约束下的极值点"。可见：约束一加，无条件极值那套必要条件彻底失效，必须另想办法（代入法或拉格朗日乘数法）。
🔬 一句话
无条件极值在区域内部找驻点；条件极值在约束曲线上找最值点。二者可行集合不同，方法不同，结论也不互相替代。
20.2 代入法 · 约束简单时的直路
如果约束 $\varphi(x,y)=0$ 能把一个变量显式解成另一个变量的函数，就直接代入目标函数，把二元条件极值化成一元极值。
✏️ 思路
由约束 $\varphi(x,y)=0$ 解出 $y=g(x)$（或 $x=h(y)$），代入 $z=f(x,y)$ 得一元函数 $z=f(x,g(x))$，再按一元函数求极值：令 $\dfrac{dz}{dx}=0$ 求驻点，用二阶导或单调性判别。
$$\varphi(x,y)=0\ \Longrightarrow\ y=g(x)\ \Longrightarrow\ z=f(x,g(x))$$
📝 例：求 $z=x^2+y^2$ 在约束 $x+y=1$ 下的条件极值
由约束解出 $y=1-x$，代入得一元函数 $z=x^2+(1-x)^2$。
解
展开：$z=x^2+(1-2x+x^2)=2x^2-2x+1$。求导：$\dfrac{dz}{dx}=4x-2$，令其为零得 $x=\dfrac12$；此时 $y=1-\dfrac12=\dfrac12$，$z=\left(\dfrac12\right)^2+\left(\dfrac12\right)^2=\dfrac12$。二阶导 $\dfrac{d^2z}{dx^2}=4\gt0$，所以 $(1/2,1/2)$ 是条件极小值点，极小值 $\dfrac12$。（约束是一条直线，两端伸向无穷，故无最大值。）
📈 动态演示：代入后的一元抛物线
下图画的是代入后的函数 $z=x^2+(1-x)^2$。拖动 $x$，观察它在 $x=\dfrac12$ 处取到最小 $\dfrac12$——这就是约束直线上的最低点。
⚠️ 代入法的局限：只有当约束能显式解出某个变量时才顺手。约束一复杂（如 $x^2+xy+y^2=1$、$e^x+\sin y=0$），往往解不出显式；约束多于一个、变量多于两个时更麻烦。此时要用更一般的方法——拉格朗日乘数法（下一节），它不必解出变量，直接列方程求解。
20.3 拉格朗日乘数法 · 本课主角
拉格朗日乘数法不必从约束里"解出"变量，而是把约束与目标"焊"进同一个新函数，一次列方程组求解。先看它的几何本质，再看算式。
🏔️ 几何本质：极值处，等高线与约束曲线相切
目标函数 $z=f(x,y)$ 的等高线是 $f(x,y)=c$ 的一族曲线；约束 $\varphi(x,y)=0$ 也是一条曲线。条件极值点 $(x_0,y_0)$ 的几何特征是：过它的等高线 $f=c$ 与约束曲线 $\varphi=0$ 相切（两条曲线有共同切线）。
道理很直观：若在交点处两条曲线相交而不相切，那么沿约束曲线穿过这一点时，$f$ 的值会一边增、一边减——这就不是极值点；只有相切（"擦肩而过"）时，$f$ 的值在这一点两侧才"转不过弯"，恰好取到极值。
$$\nabla f(x_0,y_0)=\lambda\,\nabla\varphi(x_0,y_0)$$
相切 ⟺ 两条曲线在 $(x_0,y_0)$ 的法线共线 ⟺ 梯度 $\nabla f$ 与 $\nabla\varphi$ 平行，即 $\nabla f=\lambda\nabla\varphi$，其中比例系数 $\lambda$ 就是拉格朗日乘数。
📈 动态演示：等高线与约束曲线从"相交"到"相切"
约束曲线是直线 $x+y=1$，目标函数 $f=xy$ 的等高线是双曲线 $xy=c$。拖动 $c$：当 $c\lt\dfrac14$ 时双曲线与直线交于两点（$f$ 有两个可行点同取此值）；当 $c=\dfrac14$ 时相切于 $(1/2,1/2)$（这就是条件极大值点）；当 $c\gt\dfrac14$ 时无交点（这个高度根本达不到）。
✏️ 构造与方程组
引入拉格朗日函数（把约束乘以一个待定常数 $\lambda$ 加到目标上）：
$$L(x,y,\lambda)=f(x,y)+\lambda\,\varphi(x,y)$$
把 $L$ 当作三元函数求驻点，即令它对三个变量的偏导都为零：
$$L_x=f_x+\lambda\varphi_x=0,\qquad L_y=f_y+\lambda\varphi_y=0,\qquad L_\lambda=\varphi(x,y)=0$$
前两式正是"梯度平行"的分量形式，第三式就是约束本身。解出所有满足方程组的 $(x,y,\lambda)$，其中的 $(x,y)$ 就是可能的条件极值点。
📝 例：用拉格朗日乘数法求 $z=xy$ 在 $x+y=1$ 下的条件极值
构造 $L=xy+\lambda(x+y-1)$，求偏导并令其为零：
解
$L_x=y+\lambda=0$，$L_y=x+\lambda=0$，$L_\lambda=x+y-1=0$。前两式给出 $x=y=-\lambda$，代入第三式 $2x=1$，得 $x=\dfrac12$、$y=\dfrac12$、$\lambda=-\dfrac12$。于是唯一候选点为 $(1/2,1/2)$，对应 $f=\dfrac14$。
再判断它是极大还是极小：约束直线两端（如 $(0,1)$、$(1,0)$）处 $f=0\lt\dfrac14$，且整条直线上 $f=xy\le\dfrac14$（由 $x+y=1$ 且 $x,y\ge0$ 的均值关系可知），所以 $\dfrac14$ 是条件极大值。
① 为什么是"相加"而不是别的
$\lambda$ 是个待定常数，把 $\lambda\varphi$ 加到 $f$ 上，再对 $x,y,\lambda$ 三个变量同时求驻点：对 $\lambda$ 求导得到的正是约束 $\varphi=0$，自动把它"请回来"。这样三个未知数 $x,y,\lambda$ 正好配三个方程，可解。
② 前两式其实就是"梯度平行"
$L_x=0$ 即 $f_x=-\lambda\varphi_x$，$L_y=0$ 即 $f_y=-\lambda\varphi_y$，合起来 $\nabla f=-\lambda\nabla\varphi$——两个梯度平行。这就是"等高线与约束曲线相切"的解析写法。负号只是常数 $\lambda$ 的记法，不影响结论。
③ 为什么解出的只是"可能"的极值点
拉格朗日方程组是条件极值的必要条件：凡是（可微的）条件极值点，一定满足它；但满足它的点未必真是极值。所以解完方程组后，必须代回目标函数比较函数值（或结合问题的实际背景）来判断它到底是最大、最小还是都不是——这是本课第二条红线，20.5 节用闭区域例子演示。
④ 退化情形：$\nabla\varphi=0$
若某点处 $\nabla\varphi=(0,0)$（约束曲线在该点"退化"，如尖点），上面的推导要单独讨论。本课例题的约束都是光滑曲线（$\nabla\varphi\ne0$），不涉及此情形，知道有这个边界情况即可。
20.4 求解流程与 λ 的含义 · 本课第三红线
拉格朗日乘数法有一套固定流程：写 L → 列三方程 → 解方程组 → 代回比较。其中 λ 还有一层"边际含义"，但要小心使用、不可过度解读。
🧭 标准四步流程
| 步骤 | 操作 | 要点 |
|---|
| ① 写 L | $L=f(x,y)+\lambda\varphi(x,y)$ | 约束写成 $\varphi=0$ 的标准形 |
| ② 求偏导 | $L_x=0$、$L_y=0$、$L_\lambda=0$ | 三个方程配三个未知数 |
| ③ 解方程组 | 消去 $\lambda$，求 $(x,y)$ | 得到候选极值点 |
| ④ 代回比较 | 把候选点代入 $f$ 比较 | 结合背景判定最大 / 最小 |
👉 左右滑动查看完整表格 👈
📈 动态演示：四步流程
拖动滑块，依次走完"写 L → 列方程 → 解出候选点 → 代回比较"四步，看清每一步在做什么。
🔗 λ 的含义：约束"松一点"，目标变多少
把约束从 $\varphi(x,y)=0$ 稍微放松成 $\varphi(x,y)=\varepsilon$（$\varepsilon$ 是很小的数），设此时目标的最优值为 $f^{*}(\varepsilon)$。可以证明：
$$\frac{df^{*}}{d\varepsilon}\bigg|_{\varepsilon=0}=-\lambda$$
即 λ 的相反数 = 约束右端每增加一个单位时，目标最优值的变化率。换句话说，λ 衡量的是这条约束的"边际价值"。
用本课主例验证：约束 $x+y=1$ 放松成 $x+y=1+\varepsilon$，最优值 $f^{*}=\left(\dfrac{1+\varepsilon}{2}\right)^2$，其导数在 $\varepsilon=0$ 处为 $\dfrac12$；而 $\lambda=-\dfrac12$，恰好 $\dfrac{df^{*}}{d\varepsilon}=\dfrac12=-\lambda$，自洽成立。
⚠️ 本课红线（务必记死）：λ 是"约束变化时目标函数的变化率"，不要过度解读。① 它是局部边际信息（只在 $\varepsilon$ 很小时近似成立）；② 它的符号与数值依赖你写 $L$ 时用的是 $+\lambda\varphi$ 还是 $-\lambda\varphi$，讨论含义时必须先说明约定；③ 它不是约束本身的值，也不能替代"代回比较"来判定极值类型。多数工程/医学题里，λ 只作附带结果，重点始终是 $(x,y)$ 与 $f$ 的值。
① 消 λ 的常用技巧
解 $L_x=L_y=0$ 时，$\lambda$ 常常可以先消掉：由 $f_x=-\lambda\varphi_x$ 与 $f_y=-\lambda\varphi_y$ 相比，得 $\dfrac{f_x}{f_y}=\dfrac{\varphi_x}{\varphi_y}$（或交叉相乘），再与 $\varphi=0$ 联立，就只剩 $x,y$ 两个未知数。主例里两式相减即得 $x=y$，一步到位。
② 方程组的解可能不止一组
拉格朗日方程组一般是非线性的，可能有多组解，对应多个候选点。解的时候要把所有分支都走全（例如开方取正负、因式分解取各根），漏解是这类题最常见的失分点。20.5 节闭区域例题就有 4 个边界候选点，一个都不能漏。
③ 为什么必须"代回比较"
拉格朗日法只给必要条件，不给"是极大还是极小"。要下结论，必须把所有候选点的函数值都算出来比较：最大的就是最大、最小的就是最小；若可行集合有端点（如闭区域），端点值也要一起比。只解出一个点就宣布"这是最大值"，是典型的错误。
④ λ 与医学"边际"的联系
λ 的边际含义，在医学上对应"约束每放松一个单位，疗效能提升多少"——例如"总剂量上限提高 1 个单位，最优疗效大约增加多少"。但要强调：这只是局部线性近似，剂量大幅变动时非线性不可忽略，必须回到模型本身重新计算。
20.5 多约束与闭区域 · 本课第二红线
拉格朗日法解出的是"可能的"极值点，必须代回比较；当可行集合是闭区域时，还要把边界值一起比较。多约束则把 L 推广成"每个约束各配一个乘数"。
🔴 闭区域上的最值：内部 + 边界，一起比较
求 $z=xy$ 在闭圆盘 $x^2+y^2\le1$ 上的最大值与最小值。可行集合分两部分：内部（$x^2+y^2\lt1$，无条件极值）与边界（$x^2+y^2=1$，条件极值）。
① 内部：令偏导为零
$f_x=y=0$、$f_y=x=0$ 得内部驻点 $(0,0)$，此时 $f=0$。
② 边界：拉格朗日法
$L=xy+\lambda(x^2+y^2-1)$。$L_x=y+2\lambda x=0$、$L_y=x+2\lambda y=0$、$L_\lambda=x^2+y^2-1=0$。消去 $\lambda$ 得 $x^2=y^2$，即 $y=\pm x$；代入 $x^2+y^2=1$ 得四个点：$(\pm\dfrac{1}{\sqrt2},\pm\dfrac{1}{\sqrt2})$。
把五个候选点的函数值都算出来比较：
| 候选点 | $(0,0)$ | $(\dfrac{1}{\sqrt2},\dfrac{1}{\sqrt2})$ | $(-\dfrac{1}{\sqrt2},-\dfrac{1}{\sqrt2})$ | $(\dfrac{1}{\sqrt2},-\dfrac{1}{\sqrt2})$ | $(-\dfrac{1}{\sqrt2},\dfrac{1}{\sqrt2})$ |
|---|
| $f=xy$ | $0$ | $\dfrac12$ | $\dfrac12$ | $-\dfrac12$ | $-\dfrac12$ |
👉 左右滑动查看完整表格 👈
⚠️ 本课红线（务必记死）：拉格朗日乘数法解出的是"可能的"极值点，必须代回比较并结合边界才能下结论。本例边界上的 4 个点与内部的 1 个点一起比较：最大值 $\dfrac12$（在对角线上的两点取到），最小值 $-\dfrac12$（在另一条对角线上的两点取到），内部的 $0$ 既不是最大也不是最小。若只解拉格朗日方程组、忘了内部驻点，或只比较部分点，都会漏掉真正的答案。
📈 动态演示：内部点与边界点一起看
拖动滑块，依次高亮圆盘内部驻点 $(0,0)$（$f=0$）与边界上四个拉格朗日点（$f=\pm\dfrac12$），看最大值、最小值各在哪里。
🔗 多约束：每个约束配一个乘数
若同时有两条约束 $\varphi(x,y,z)=0$ 与 $\psi(x,y,z)=0$，拉格朗日函数推广为：
$$L=f+\lambda\varphi+\mu\psi$$
再令 $L$ 对所有变量的偏导为零（含 $L_\lambda=\varphi=0$、$L_\mu=\psi=0$），解方程组。一般地，有几个约束，就配几个乘数。
📝 例：求 $f=x^2+y^2+z^2$ 在 $x+y+z=3$ 且 $x=y$ 下的条件极值
解
构造 $L=x^2+y^2+z^2+\lambda(x+y+z-3)+\mu(x-y)$。求偏导：$L_x=2x+\lambda+\mu=0$、$L_y=2y+\lambda-\mu=0$、$L_z=2z+\lambda=0$、$L_\lambda=x+y+z-3=0$、$L_\mu=x-y=0$。由 $x=y$ 及前两式相减得 $\mu=0$；于是 $2x+\lambda=0$、$2y+\lambda=0$、$2z+\lambda=0$，故 $x=y=z$；代入 $x+y+z=3$ 得 $x=y=z=1$，此时 $\lambda=-2$、$\mu=0$，$f=1^2+1^2+1^2=3$。
这是"到原点的距离平方"在约束（一条直线 $x+y+z=3$ 与平面 $x=y$ 的交线）下的最小值：$(1,1,1)$ 是该直线上离原点最近的点，最小距离平方为 $3$。解出的点唯一，且 $f$ 沿该直线两侧都变大，故为条件极小值。
20.6 医学应用与 AI 联系
条件极值一头连着"固定总量下的最优分配"这类临床问题，一头连着"带约束优化"的机器学习训练。两者共用同一件工具：拉格朗日乘数法。
💊 医学应用：固定总剂量下的配比（讲方法，不编数据）
设疗效指标 $f(x,y)$ 依赖两种药的用量 $x$、$y$，约束是总剂量固定：$x+y=T$（$T$ 为常数）。用拉格朗日乘数法：
$$L(x,y,\lambda)=f(x,y)+\lambda(x+y-T)$$
解 $L_x=0$、$L_y=0$、$x+y-T=0$，得到候选配比 $(x_0,y_0)$，再代回 $f$ 比较（并结合 $x,y\ge0$ 的边界，即"某药停用"的情形一起比），即可判断最优配比。
🎯 数学结构
目标 $f$ 依赖两个变量，约束是一条直线 $x+y=T$——正是本课主例 $z=xy$ 在 $x+y=1$ 下的同构问题。
⚠️ 边界也要比
真实用药常要求 $x\ge0$、$y\ge0$，可行集是闭线段，端点（单药方案）的 $f$ 值必须一起比较，不能只比拉格朗日点。
📌 务必注意：本段只讲方法结构，不代入任何具体药物的疗效参数、不编造数据。真实疗效函数 $f(x,y)$ 需由药理学实验或临床数据给出，拿到 $f$ 后套用本课流程即可求最优配比。
📦 应用：固定体积下的最省材料（无盖方盒）
做一个无盖长方体盒子，底面为 $x\times y$、高为 $z$，要求容积固定 $xyz=V$，问怎样使所用材料（表面积 $S=xy+2xz+2yz$）最省。取 $V=4$。
解
由 $xyz=4$ 得 $z=\dfrac{4}{xy}$，代入 $S=xy+2xz+2yz=xy+\dfrac{8}{y}+\dfrac{8}{x}$（二元函数）。令 $\dfrac{\partial S}{\partial x}=y-\dfrac{8}{x^2}=0$、$\dfrac{\partial S}{\partial y}=x-\dfrac{8}{y^2}=0$，解得 $x=y=2$（$x^3=y^3=8$），此时 $z=\dfrac{4}{4}=1$，$S=4+4+4=12$。二阶判别（Hessian 正定）确认这是极小值点。所以底面取 $2\times2$ 的正方形、高取 $1$时最省料，用材 $12$ 平方单位。
💡 两种做法殊途同归：本题也可直接用拉格朗日法，构造 $L=xy+2xz+2yz+\lambda(xyz-4)$，对 $x,y,z,\lambda$ 求偏导联立，同样得到 $x=y=2$、$z=1$。代入法（消去 $z$）与拉格朗日法给出完全一致的答案，两种算法互为印证。
📈 动态演示：正方形底下的表面积曲线
令底面取正方形 $x=y=t$，则 $z=\dfrac{4}{t^2}$，$S=t^2+\dfrac{16}{t}$。拖动 $t$，看 $S$ 在 $t=2$ 处取到最小 $12$。
🤖 数学与 AI：带约束的优化
机器学习的"训练"，本质是求损失函数的最小值，且常常带约束——这与本课的条件极值同构。
🎯 正则化 = 加约束
为防止过拟合，常给参数加限制（如 $\|w\|_2^2\le C$）。这正是"在约束下最小化损失"的条件极值，可用拉格朗日乘数法写成 $L=\text{损失}+\lambda\,\|w\|_2^2$。
🧭 拉格朗日 → KKT
带不等式约束的优化（如支持向量机的分类间隔）推广为 KKT 条件，它是拉格朗日乘数法在约束带不等号时的版本，是现代优化的基石。
🔗 λ = 影子价格
λ 的边际含义对应"约束每放松一个单位，最优损失改善多少"。它帮助我们判断：哪条约束"卡得最紧"、最值得放宽。
🏔️ 几何一致
梯度下降求的是"梯度为零"；带约束时，"最优解处目标梯度与约束梯度平行"正是拉格朗日法的几何表述，与 20.3 节的相切完全一致。
🔍 一句话贯通：本课的"代入法"是化约束为一元，"拉格朗日乘数法"是化约束为梯度平行方程，"λ 的含义"是约束的边际价值。这三件事，正是"带约束优化"从几何到算式的完整链条，也是 AI 训练里正则化、KKT 条件的数学前身。
① 无盖盒为什么是 $S=xy+2xz+2yz$
无盖盒有一块底（面积 $xy$）和四个侧面：前后两块各为 $xz$、左右两块各为 $yz$，故侧面积 $2xz+2yz$。总用料 $S=xy+2xz+2yz$。若改做有盖盒，则再加一块顶 $xy$，变成 $S=2xy+2xz+2yz$，结论也会不同。
② 为什么最优解"底是正方形、高是底的一半"
本题解得 $x=y=2$、$z=1$，即 $x=y=2z$。这是对称性的体现：$S$ 关于 $x$、$y$ 对称，最优解必然落在 $x=y$ 上；再由一阶条件定出 $z=\dfrac{x}{2}$。更一般地，固定体积的无盖盒，最省材料的形状正是"底为正方形、高为底边长的一半"。
③ 代入法与拉格朗日法的分工
约束能显式解出一个变量时，代入法最直观；约束复杂或多约束时，拉格朗日法更通用。二者给出的候选点相同，可互相验算。考试里建议：先用代入法或均值不等式快速心算估答案，再用拉格朗日法完整列式作答。
④ 量纲与合理性检查
算完任何应用题，都该检查量纲与合理性：$x=y=2$、$z=1$ 时容积 $2\times2\times1=4$，与题设 $V=4$ 一致；表面积 $12$ 平方单位，比随手取 $x=y=z=\sqrt[3]{4}$ 的用材要小，结论合理。这种"代回原题验算"的习惯能挡住大部分计算错误。
20.7 拓展资源 · 自主加练
本课配有一条知识短片（约 8 分钟，中文解说 + 同步字幕，覆盖全课主线），另有可交互演示与公开课检索入口，方便你按自己的节奏复习。
🎬 本课知识短片
📖 短片内容：条件极值的概念 → 代入法 → 拉格朗日乘数法（几何相切 + 三方程）→ 求解流程与 λ 的含义 → 多约束与闭区域 → 医学配比与最省材料 → AI 里的带约束优化。本片为中文解说版（配音 + 同步字幕，无背景音乐，画面与配音均由程序生成），内容依据《医科高等数学》第四版。
🧪 页内交互演示（直接拖动滑块）
| 演示 | 位置 | 看什么 |
|---|
| 约束曲线上的目标值 | 开场 | 沿 $x+y=1$ 拖动，看 $f=xy$ 在中点取最大 $\dfrac14$ |
| 代入后的一元抛物线 | 20.2 节 | 看 $x^2+(1-x)^2$ 的谷底在 $x=\dfrac12$ |
| 等高线与约束曲线相切 | 20.3 节 | 调 $c$，看双曲线 $xy=c$ 与直线从相交到相切 |
| 四步求解流程 | 20.4 节 | 依次走完写 L → 列方程 → 解点 → 代回比较 |
| 闭区域内部 + 边界 | 20.5 节 | 比较内部驻点与边界四点的 $f$ 值 |
| 最省材料曲线 | 20.6 节 | 看 $S=t^2+\dfrac{16}{t}$ 在 $t=2$ 处最小 $12$ |
👉 左右滑动查看完整表格 👈
📚 公开课与教材配套资源
🎓 中国大学 MOOC
在 icourse163.org 搜索"高等数学"或"医科高等数学"，找到"多元函数微分学"模块。条件极值与拉格朗日乘数法通常紧跟在"多元函数极值"之后，建议与上一课连起来看。
📺 视频平台
在主流视频平台搜索"拉格朗日乘数法""条件极值""等高线相切"，优先选有板书逐步推导的视频，边看边把 $L=f+\lambda\varphi$ 的三条方程自己默写一遍。
📖 教材对应章节
《医科高等数学》第四版（张选群主编）多元函数微分学一章：多元函数的极值、条件极值与拉格朗日乘数法。课后习题建议全做，其中"代入法求条件极值"与"拉格朗日法求条件极值"各做 3 道。
📌 复习建议：这一章最容易在"约束下能不能直接令偏导为零"和"解完拉格朗日方程组要不要代回比较"两处栽跟头。建议按这个顺序练：先练代入法（约束能解出变量）→ 再练拉格朗日法（写 L、列三方程、消 λ）→ 再练闭区域（内部 + 边界一起比）→ 最后练多约束（每个约束配一个乘数）。尤其要把"条件极值不能直接令偏导为零""拉格朗日解出的是可能的极值点"两条红线各默写三遍。
20.8 随堂练习 · 答对撒花庆祝 🎉
1️⃣ 用代入法求 $z=x^2+y^2$ 在约束 $x+y=1$ 下的条件极小值是？
A. $\dfrac12$
B. $1$
C. $\dfrac14$
D. $2$
2️⃣ 用拉格朗日乘数法求 $z=xy$ 在约束 $x+y=1$ 下的条件极值点，其坐标为？
A. $(0,1)$
B. $\left(\dfrac12,\dfrac12\right)$
C. $\left(\dfrac14,\dfrac14\right)$
D. $(1,0)$
3️⃣ 求 $z=xy$ 在约束 $x+y=1$ 下的条件极值时，拉格朗日乘数 $\lambda$ 的值为？
A. $\dfrac12$
B. $1$
C. $-\dfrac12$
D. $-1$
4️⃣ 求 $z=xy$ 在闭圆盘 $x^2+y^2\le1$ 上的最大值是？
A. $0$
B. $\dfrac12$
C. $1$
D. $\dfrac14$
5️⃣ 拉格朗日乘数法的几何意义是：条件极值点处，目标函数的等高线与约束曲线的关系是？
A. 相切
B. 相交但不相切
C. 互相垂直
D. 互相重合
20.9 数学思维导图 · 本课小结
🧠 条件极值与拉格朗日乘数法知识思维导图
📘 条件极值
与拉格朗日法
条件极值
- 约束 $\varphi(x,y)=0$
- 只在这条曲线上取值
- 与无条件极值不同
- 红线①：不能令偏导为零
代入法
- 由约束解出 $y=g(x)$
- 代入化一元函数
- 例：$x^2+y^2$ 在 $x+y=1$
- 约束复杂时失灵
拉格朗日法
- $L=f+\lambda\varphi$
- 三方程 $L_x=L_y=L_\lambda=0$
- 几何：等高线相切
- 梯度平行 $\nabla f=\lambda\nabla\varphi$
求解与 λ
- 四步：写L列式解点比较
- 红线②：代回比较
- $\dfrac{df^{*}}{d\varepsilon}=-\lambda$
- 红线③：λ 是边际变化率
多约束与闭区域
- $L=f+\lambda\varphi+\mu\psi$
- 内部 + 边界一起比
- 医学配比 / 最省材料
- AI：正则化与 KKT
✅ 本课小结
🔒
条件极值 ≠ 无条件极值（红线①）：在约束 $\varphi(x,y)=0$ 下求 $f(x,y)$ 的最值，可行点被锁在曲线上，不能直接令 $f_x=f_y=0$——那样得到的驻点一般不满足约束（如 $xy$ 在 $x+y=1$ 下，驻点 $(0,0)$ 根本不在直线上）。
➕
代入法：约束能显式解出变量时（如 $x+y=1$ 解出 $y=1-x$），代入化为一元函数再求极值。例：$x^2+y^2$ 在 $x+y=1$ 下最小 $\dfrac12$，在 $(1/2,1/2)$ 处取到。
🧭
拉格朗日乘数法（重点）：构造 $L=f+\lambda\varphi$，解 $L_x=f_x+\lambda\varphi_x=0$、$L_y=f_y+\lambda\varphi_y=0$、$L_\lambda=\varphi=0$ 三条方程。几何上，条件极值点处等高线与约束曲线相切（$\nabla f=\lambda\nabla\varphi$）。
🎯
解出的是"可能"的极值点（红线②）：拉格朗日法只给必要条件，必须代回 $f$ 比较函数值；闭区域上还要把边界值一起比。例：$xy$ 在圆盘 $x^2+y^2\le1$ 上，内部 $f=0$、边界 $f=\pm\dfrac12$，最大 $\dfrac12$、最小 $-\dfrac12$。
🔗
λ 的含义（红线③）：λ 的相反数是"约束右端每增加一个单位时，目标最优值的变化率"，即 $\dfrac{df^{*}}{d\varepsilon}=-\lambda$。它是局部边际信息，不要过度解读，也不替代"代回比较"。
🩺
多约束与医学/AI 应用：多约束用 $L=f+\lambda\varphi+\mu\psi$（每个约束配一个乘数）。医学"固定总剂量配比"、工程"固定体积最省材料"（无盖盒 $x=y=2$、$z=1$、$S=12$）都是条件极值；AI 的正则化、KKT 条件正是拉格朗日法的推广。
🚀
下节预告：微分方程基础——本课解决了"在约束下找最值"；下一课转向另一个大主题：含未知函数及其导数的方程（微分方程），它是描述药物消除、种群增长等"变化规律"的语言，主角是阶、通解与可分离变量方程。