多元微积分

一个直觉：在山坡上，"斜率"不再是一个数#

一元微积分里，导数是一个数——它告诉你一条曲线在某点有多陡。可现实世界很少是一条线。站在一座山坡上，问"这里有多陡"就立刻含糊起来：朝哪个方向？向北走是上坡，向南走是下坡，沿着等高线横着走则不升不降。在多变量的世界里，"陡峭"这件事本身带了方向，单独一个数再也装不下它。

多元微积分给出的答案，是把"斜率"升级成一个会指方向的箭头——梯度。在山坡上的每一点，梯度都精确地指向"最陡的上坡方向"，它的长度就是那个方向上的陡峭程度。这一下子就解释了为什么今天训练 AI 模型要用"梯度下降"：想最快地走到山谷最低处，每一步就该顺着梯度的反方向走。沿最陡的方向下山，正是这个箭头给出的指引。

梯度给出的不是"这座山有多陡"这个数，而是一个箭头。沿单位向量 $\mathbf{u}$ 走，瞬时升降率是内积 $\nabla f\cdot\mathbf{u}$，这才是一个数；换方向，这个数就变。垂直于梯度的方向上变化率为零，那是等高线的切向；梯度自身指向最陡上升，其长度等于那个最大斜率。把梯度误读成一个数，连"往哪走"都写不出来——优化里的梯度下降，用的正是这个箭头的反方向，而不是某一个偏导数单独的数值。

更深一层，整门多元微积分都建立在一个朴素的策略上——局部线性化。再扭曲的曲面，凑近了看一小块也近似是平的；再复杂的多变量函数，在一点附近也能用一个线性映射（它的矩阵就是雅可比矩阵）来逼近。于是"微分"在这里，就是为弯曲的世界在每一点配上一块最贴合的平面，把难缠的非线性问题，化归成线性代数能处理的形状。最后，连一元微积分里那条"求导与求积分互逆"的基本定理，也在高维里升级成了散度定理、斯托克斯定理这一族壮丽的结果——把一个区域内部的累积，和它边界上的行为漂亮地联系起来。

定义#

多元微积分（Multivariable Calculus）是将一元微积分推广到多元函数和高维空间的数学分支。它研究多变量函数的微分、积分以及向量场的性质。

核心问题： - 微分：多元函数 $f: \mathbb{R}^n \to \mathbb{R}^m$ 在某点的最佳线性逼近 - 积分：在高维区域（曲线、曲面、体积）上对函数求和 - 向量场：$\mathbf{F}: \mathbb{R}^n \to \mathbb{R}^n$ 的通量和环量

多元微积分的核心思想是局部线性化——将非线性问题在局部用线性问题近似，然后用线性代数的工具求解。一元里 导数 是一个数、积分 是一段面积；到了多变量，导数先变成线性映射，积分则先要声明是对曲线、曲面还是体积求和。对象变了，互逆关系却没有丢，只是改由斯托克斯族来写。

核心内容#

多元函数的微分#

偏导数：$f$ 对第 $i$ 个变量的偏导数 $\frac{\partial f}{\partial x_i}$ 是固定其他变量后的一元导数。

全微分：若 $f: \mathbb{R}^n \to \mathbb{R}$ 在点 $a$ 可微，则存在线性映射 $Df(a): \mathbb{R}^n \to \mathbb{R}$ 使得：

$$f(a+h) = f(a) + Df(a)(h) + o(\|h\|)$$

$Df(a) = \nabla f(a) = \left(\frac{\partial f}{\partial x_1}, \ldots, \frac{\partial f}{\partial x_n}\right)$ 称为梯度。

Jacobi 矩阵：$f: \mathbb{R}^n \to \mathbb{R}^m$ 的导数是 $m \times n$ 矩阵 $J = \left(\frac{\partial f_i}{\partial x_j}\right)$。

链式法则：$(f \circ g)'(x) = f'(g(x)) \cdot g'(x)$——矩阵乘法形式。

偏导数只沿坐标轴切一刀，方向导数才是任意方向上的斜率。函数在一点可微，是说它被一块线性映射逼近，余项比位移更高阶；梯度是这块线性映射的坐标，不是若干偏导数随便排成的一行。偏导数都存在仍可能不可微，所以"先求出各偏导再叫它梯度"在逻辑上跳了一步。链式法则写成雅可比矩阵相乘，正是因为复合的最佳线性逼近是线性映射的复合——与一元情形"外层导数乘内层导数"是同一句话，只是乘法换成了矩阵乘法。

多元函数的积分#

• 重积分：$\int\int_D f(x,y)\,dA$——在平面区域上的积分
• 变量替换：$\int_D f(x)\,dx = \int_{D'} f(\phi(u))|\det J_\phi(u)|\,du$——Jacobi 行列式
• 曲线积分：$\int_C \mathbf{F} \cdot d\mathbf{r}$——向量场沿曲线的功
• 曲面积分：$\iint_S \mathbf{F} \cdot d\mathbf{S}$——向量场通过曲面的通量

重积分问的是一块区域上的总量：质量、电荷、概率密度的累积。计算时常拆成累次积分，先对一个变量积、再对另一个积。Fubini 定理规定何时可以交换次序：被积函数绝对可积，或恒非负时，通常可以换序；否则存在次序不能交换的反例。

换变量时多出来的 $|\det J|$ 量的是面积或体积被拉伸了多少倍。极坐标里的 $r$、球坐标里的 $r^2\sin\theta$，都是这块拉伸因子，不是额外约定。曲线积分把场沿切向投影，读的是功；曲面积分沿法向投影，读的是通量。同一向量场，两种积分问的不是同一个问题，也不能互相替代成一道计算题。

向量微积分基本定理#

多元微积分的统一框架——广义 Stokes 定理：

$$\int_{\partial \Omega} \omega = \int_\Omega d\omega$$

其特例： 1. 微积分基本定理：$\int_a^b f'(x)\,dx = f(b) - f(a)$ 2. Green 定理：$\oint_C P\,dx + Q\,dy = \iint_D \left(\frac{\partial Q}{\partial x} - \frac{\partial P}{\partial y}\right)dA$ 3. Gauss 散度定理：$\oiint_S \mathbf{F} \cdot d\mathbf{S} = \iiint_V \nabla \cdot \mathbf{F}\,dV$ 4. Stokes 定理：$\oint_C \mathbf{F} \cdot d\mathbf{r} = \iint_S (\nabla \times \mathbf{F}) \cdot d\mathbf{S}$

这一族公式说的是同一句话：内部的微分，等于边界上的原物。一维是微积分基本定理，平面是 格林定理，曲面是经典 斯托克斯定理，三维区域是 散度定理。外微分把它们收成一行 $\int_{\partial\Omega}\omega=\int_\Omega d\omega$。选对形式与区域，一条等式给出四条经典定理；物理里麦克斯韦方程组的积分形式，正是把这一族用在电场与磁场上。

场要足够光滑，区域可定向，边界定向与内部协调。有奇点时定理的假设不成立：库仑场在原点外散度为零，穿过包围原点的球面通量却非零，缺的不是证明，缺的是连续可微。

极值与优化#

多元函数的极值： - 必要条件：极值点处 $\nabla f = 0$ - 充分条件：Hessian 矩阵 $H = \left(\frac{\partial^2 f}{\partial x_i \partial x_j}\right)$ 正定（极小）或负定（极大） - Lagrange 乘数法：约束极值问题——$\nabla f = \lambda \nabla g$

历史演变#

多元微积分的发展与物理学密不可分。欧拉（Leonhard Euler）在18世纪发展了偏微分方程和变分法的数学工具。拉格朗日（Joseph-Louis Lagrange）引入了Lagrange乘数法（1788），将约束优化问题转化为无约束问题。

格林（George Green，1828）在研究电磁学时证明了Green定理。斯托克斯（George Gabriel Stokes）将Green定理推广到曲面上。高斯（Carl Friedrich Gauss）在研究电磁学和引力理论时发展了散度定理。

通量一侧的一般证明，奥斯特罗格拉茨基（Mikhail Ostrogradsky，1826）在热流研究中已经给出，所以散度定理也常称高斯–奥斯特罗格拉茨基定理。经典斯托克斯定理由开尔文（威廉·汤姆森）先写在信里，1854 年被斯托克斯用作剑桥史密斯奖考题。

19世纪末，向量分析由吉布斯（Josiah Willard Gibbs）和赫维赛德（Oliver Heaviside）独立发展，将Hamilton的四元数理论简化为现代的向量记号。把格林、高斯、斯托克斯收成一条外公式的，是嘉当（Élie Cartan）的外微分演算；外尔《经典群》（1939）讲的是典型群的不变量与表示，并不承担这一统一。

关键人物#

高斯（1777—1855）在大地测量和电磁学的研究中发展了曲面理论和散度定理。他的"绝妙定理"（Theorema Egregium）——曲率是内蕴不变量——是微分几何的基石。

格林（1793—1841）是自学成才的英国数学家。他在1828年的论文中证明了Green定理，并用它研究了电磁学中的位势理论。Green函数以他的名字命名。

斯托克斯（1819—1903）将Green定理推广到曲面上的Stokes定理。这个定理将向量场的环量与旋度的通量联系起来。

斯托克斯本人并没有把这条定理写成后来的外形式。考题给的是三维向量场的环量与旋度通量；把格林、高斯、斯托克斯看成同一个陈述，要等到外微分语言。课堂里若把三者当三道互不相关的计算题，就又把梯度重新当成"一个数"那种降维：对象已经换成箭头与形式，记账方式却还停在一维。

数学意义#

多元微积分的核心定理：

1. 隐函数定理：满足非退化条件的方程组局部可解——逆映射定理的推广
2. 逆映射定理：可微映射在 Jacobi 行列式非零的点附近局部可逆
3. Lagrange 乘数法：约束极值的必要条件——$\nabla f = \lambda \nabla g$
4. 广义 Stokes 定理：$\int_{\partial \Omega} \omega = \int_\Omega d\omega$——统一了所有积分定理。它不是四条互不相关的计算程序，而是把"内部的微分等于边界上的原物"写到任意维。学多元微积分若只记住格林、高斯公式的展开式，却看不见这一行，就仍停在特例清单上。
5. Taylor 展开：$f(a+h) = \sum_{|\alpha| \leq k} \frac{D^\alpha f(a)}{\alpha!} h^\alpha + O(\|h\|^{k+1})$
6. Sard 定理：光滑映射的临界值集合是零测集——横截性理论的基础

核心概念辨析#

• 偏导数 vs 方向导数：偏导数沿坐标轴方向，方向导数沿任意方向——梯度方向是方向导数最大的方向
• 梯度 vs Jacobi 矩阵：梯度是标量场的导数（向量），Jacobi 矩阵是向量值函数的导数（矩阵）
• 散度 vs 旋度：散度 $\nabla \cdot \mathbf{F}$ 是标量，测量"源"的强度；旋度 $\nabla \times \mathbf{F}$ 是向量，测量"旋转"的强度
• Green 定理 vs Stokes 定理：Green 定理是平面情形，Stokes 定理是曲面情形的推广——两者都是广义 Stokes 定理的特例
• 曲线积分 vs 曲面积分：曲线积分是对弧长或切向量的积分，曲面积分是对面积元或法向量的积分
• Riemann 积分 vs Lebesgue 积分：Riemann 积分对定义域分割，Lebesgue 积分对值域分割——Lebesgue 积分更一般

当代应用#

多元微积分是物理学和工程学的数学语言。在电磁学中，Maxwell 方程组用散度和旋度表达：$\nabla \cdot \mathbf{E} = \rho/\epsilon_0$，$\nabla \times \mathbf{B} = \mu_0 \mathbf{J} + \mu_0\epsilon_0 \frac{\partial \mathbf{E}}{\partial t}$。在流体力学中，Navier-Stokes 方程描述流体的速度场。在优化理论中，梯度下降法和牛顿法基于多元函数的导数信息。在机器学习中，反向传播算法是链式法则的系统应用。在经济学中，效用函数和生产函数的最优化需要 Lagrange 乘数法。在计算机图形学中，光线追踪和物理模拟需要曲面积分。

多元微积分的数值方法包括：数值积分（Gauss 求积、Monte Carlo 方法）——高维积分的效率是关键挑战；自动微分——精确计算导数的算法，比符号微分高效，比数值微分精确；有限差分——用差商近似偏导数——梯度检验的基础。

机器学习里的梯度是参数空间里的箭头，不是损失函数的一个数值。反向传播算出的是整条链式法则的雅可比作用，逐步得到那个箭头。把"梯度"说成"斜率大小"，连更新方向都写不出来。

重积分在统计物理与贝叶斯计算里是高维求积。维数一高，累次积分的网格会爆炸，这才逼出蒙特卡洛，而不是把三重积分再当成更多习题。斯托克斯族在电磁学里不是装饰：积分形式的麦克斯韦方程，就是把环量、通量改写成旋度与散度的体积分。

核心公式汇编#

经典问题#

下面几条是概念分界，不是习题清单。链式法则的矩阵形式说的是线性映射如何复合，反向传播只是把它一层层写开。隐函数定理问的是：方程 $F(x,y)=0$ 在非退化点附近能否把 $y$ 解成 $x$ 的函数，而不是"把 $y$ 算出来"。

曲面积分要先选定向与参数化，法向量的朝向会改变符号。换元的关键是雅可比行列式的几何意义，不是记极坐标公式。向量场何时有势，在单连通区域上等价于旋度为零；少了单连通，闭形式不必恰当。

与其他概念的关系#

多元微积分是数学和物理的核心工具： - → 线性代数：Jacobi 矩阵是导数的矩阵表示，梯度和 Hessian 是线性代数对象 - → 微分几何：流形上的微积分——切空间、微分形式、外微分 - → 偏微分方程：散度、旋度和 Laplace 算子是 PDE 的核心算子 - → 优化理论：梯度下降法、牛顿法、Lagrange 乘数法都基于多元微积分 - → 物理学：Maxwell 方程组、流体力学、广义相对论的数学语言 - → 概率论：多元概率密度函数的积分、变量替换公式

跨域连接#

• 流形：坐标只是局部标签，真正的对象是每点切空间上的那个线性映射。推论是：换坐标时梯度的分量按与向量相反的规则变换，所以在曲线坐标下把偏导数直接当成向量分量会算错方向——这个错误在极坐标里最常犯：梯度的角向分量还要除以半径，漏掉这一步就会在靠近原点处读出发散的假结果。
• 热传导：热流正比于温度的负梯度，方向沿最陡下降。推论是：等温面上不存在净热流，因此保温的目标不是让温差变小，而是把温差铺在导热系数低的材料上，让梯度尽量落在保温层内部。这也预言了薄弱环节在哪：热桥处梯度被迫压缩，热流密度随之陡增。
• 化学热力学：二阶混合偏导可以交换次序，这一条直接给出一组把不同偏导数两两绑定的恒等式。推论是：难测的量可以换成易测的量来测——等温下熵随压强的变化等于体积随温度的变化，这是恒等而非近似，换测不引入模型误差。
• 弹性：弹性是对数对对数的偏导数，因而无量纲、可跨商品比较。推论是：普通偏导数依赖计量单位（用吨还是公斤会给出不同数值），弹性不依赖——这才是它成为标准语言的技术理由，而非习惯。
• 大地测量与大地水准面：大地水准面是重力势的一张等势面，重力方向处处与它垂直。推论是：海拔本质是沿势梯度方向到该面的距离，所以不同国家的高程基准可以相差可观而各自内部完全自洽——差异来自基准面的选取，不是测量出错。

参考文献#

1. George Green, "An Essay on the Application of Mathematical Analysis to the Theories of Electricity and Magnetism" (1828).
2. James Stewart, Calculus: Early Transcendentals (9th ed., 2020).
3. Michael Spivak, Calculus on Manifolds (1965).
4. 陈纪修, 《数学分析》, 高等教育出版社, 2004.
5. Vladimir Arnold, Mathematical Methods of Classical Mechanics (2nd ed., 1989).
6. Tom M. Apostol, Calculus, Volume 2 (2nd ed., Wiley, 1969).

多元微积分把导数与积分推广到多变量函数。偏导数、梯度、散度、旋度刻画多维变化，重积分与曲面积分计算多维累积量；它是电磁学（麦克斯韦方程）、流体力学与机器学习中梯度优化的数学语言。

<!-- Additional notes: The generalized Stokes theorem unifies all integral theorems --> <!-- The chain rule in matrix form is the foundation of backpropagation in deep learning --> <!-- Lagrange multipliers are the bridge between constrained and unconstrained optimization -->