假设你和朋友从山谷东边的木屋出发，要走到西边的观景台。地图上可以画出无数条路线：有的贴着山腰平缓前进，有的翻山脊，有的像心电图一样上下抖动。你真正关心的不是某个点，而是整条路的整体体验——总时间、总体力、总风景评分。这种把整条路线映成一个数的“路线评分表”，在数学上叫泛函；在无数条候选路线里找出评分最好的那一条，就是变分法。普通微积分找的是“让某个数最大/最小的点”，变分法找的是“让某个数最大/最小的整条函数”。我们只需要做一个小实验：用手把路线轻轻推一下，如果任何小推都会让评分变差，那这条路就站在谷底；欧拉-拉格朗日方程正是描述这种“站在谷底”的平衡条件。

岗位关联

学习变分法，能让你真正理解最优控制、物理建模、机器学习正则化和图像处理里“在函数空间中找最优函数”的共同骨架，是读懂许多 AI 公式的关键门槛。

目录
  1. 可视化演示
  2. 1. 泛函与变分
  3. 2. 欧拉-拉格朗日方程
  4. 3. 约束变分
  5. 4. 测地线与最小作用
  6. 5. 最优控制
  7. 6. 机器学习变分
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

1. 泛函与变分

山路上的每个点都可以记录海拔、坡度和风景。我们想比较的不是某个位置，而是整条路线：把路线切成许多小段，每小段贡献一个局部成本，再全部加起来。一个把完整路线 \(y(x)\) 变成总评分 \(J\) 的规则，就是泛函。就像“评分表”接收的不是数字，而是一整条曲线的形状；这是它与普通函数最大的不同。

在数学上，把一条路线写成函数 \(y(x)\)，其中 \(x\) 是里程标记，\(y'(x)\) 是每一点上的坡度。如果局部成本由位置和坡度决定，总评分就写成下面的积分形式。这里 \(F\) 是一个“局部成本函数”，比如体力消耗、时间消耗或风景得分。

于是，变分法就是在“路线图集”中探索评分地形：每一条路线都像图集里的一个点，泛函 \(J\) 是这个点的高度。我们要做的，是在这片无限大的路线图集中找到最低的那个谷。

J[y]=∫abF(x,y(x),y′(x)) dxJ[y]=\int_{a}^{b} F\big(x,y(x),y'(x)\big)\,dx
这个公式的含义是：先给每个小段记一个成本，再把从起点到终点的所有小段成本累加，形成整条路线的总分。
  1. 候选路线 \(y\)\(y(x)\) 是整条路线的形状，而不是某个固定数字。
    y(x),x∈[a,b]y(x),\quad x\in[a,b]
  2. 坡度 \(y'\)描述每个里程点上的陡峭程度，是路线局部变化的速度。
    y′(x)=dydxy'(x)=\frac{dy}{dx}
  3. 局部成本 \(F\)在当前位置 \(x\)、路线高度 \(y\) 和坡度 \(y'\) 下，这一小段路付出的成本。
    F(x,y,y′)F(x,y,y')
  4. 积分求和把从 \(a\) 到 \(b\) 的所有小段成本连续相加，得到整条路线的总评分。
    ∫abF dx\int_a^b F\,dx

2. 欧拉-拉格朗日方程

站在谷底有什么特征？如果你用手把路线轻轻推一下，无论往哪个方向推，评分都不应该明显下降。我们引入一个很小的扰动函数 \(\eta(x)\)，它在起点和终点都等于零，这样扰动不会改变两端点的位置。然后把候选路线改成 \(y(x)+\varepsilon\eta(x)\)。

如果当前路线是极值，那么当 \(\varepsilon\) 很小时，总评分的一阶变化应该等于零。经过分部积分并利用 \(\eta\) 在端点为零的条件，最终会得到著名的欧拉-拉格朗日方程。它相当于说：在每一点上，路线高度变化带来的成本，恰好被坡度变化带来的累积成本抵消。

这个方程的推导很像“用许多小手指戳一条曲线”：如果每条小扰动都不能让总分下降，那这条曲线就已经站在函数空间的谷底。

∂F∂y−ddx∂F∂y′=0\frac{\partial F}{\partial y}-\frac{d}{dx}\frac{\partial F}{\partial y'}=0
这是变分法的“心跳方程”：它把一个整体寻优问题，变成每一点上都必须满足的局部平衡条件。
  1. 直接随高度变化的成本如果 \(F\) 直接依赖于 \(y\)，那么路线高度稍微改变，局部成本就会变化。
    Fy=∂F∂yF_y=\frac{\partial F}{\partial y}
  2. 随坡度变化的成本如果 \(F\) 还依赖于 \(y'\)，那么路线坡度变化也会影响成本。
    Fy′=∂F∂y′F_{y'}=\frac{\partial F}{\partial y'}
  3. 坡度影响的累积坡度带来的影响不会只停留在一点，而会随着 \(x\) 一路传导，因此要对 \(F_{y'}\) 再求一次全导数。
    ddx(∂F∂y′)\frac{d}{dx}\left(\frac{\partial F}{\partial y'}\right)
  4. 平衡条件直接效应与传导效应相减为零，路线才站在谷底。
    ∂F∂y−ddx∂F∂y′=0\frac{\partial F}{\partial y}-\frac{d}{dx}\frac{\partial F}{\partial y'}=0

3. 约束变分

有时徒步者不能自由选择路线，还有一个额外规则：比如这段路必须走完固定长度的绳索，或者总爬升量必须恰好等于某个值。这类问题在历史上最著名的例子是“等周问题”——用固定长度的绳子围出一块最大面积。

面对这种约束，我们不能只让 \(J\) 取极值，还必须保证另一个泛函 \(K\) 等于常数。做法是引入一个待定系数 \(\lambda\)，称为拉格朗日乘子。它像一条可调节松紧的绳子：把约束条件与原始目标合并成一个新的“增广泛函”，然后对新泛函使用欧拉-拉格朗日方程。

约束变分就像“戴着脚镣跳舞”：你不能只挑最省力的路，还要保证脚镣的总长度正好合适。拉格朗日乘子就是那条脚镣的松紧度。

∂(F−λG)∂y−ddx∂(F−λG)∂y′=0,∫abG dx=C\frac{\partial(F-\lambda G)}{\partial y}-\frac{d}{dx}\frac{\partial(F-\lambda G)}{\partial y'}=0,\qquad \int_a^b G\,dx=C
拉格朗日乘子把“必须满足约束”和“尽量优化目标”两件事拧成一股绳，最后再用约束方程确定 \(\lambda\)。
  1. 约束泛函 \(K\)把需要固定的总工程量写成积分。
    K[y]=∫abG dxK[y]=\int_a^b G\,dx
  2. 乘子 \(\lambda\)一个未知的权重，用来平衡目标与约束。
    λ\lambda
  3. 增广被积函数把两个目标合成为一个新的局部成本。
    F−λGF-\lambda G
  4. 极值条件与约束方程先对增广泛函写欧拉方程，再由约束条件求出 \(\lambda\)。
    ∂(F−λG)∂y−ddx∂(F−λG)∂y′=0,K[y]=C\frac{\partial(F-\lambda G)}{\partial y}-\frac{d}{dx}\frac{\partial(F-\lambda G)}{\partial y'}=0,\quad K[y]=C

4. 测地线与最小作用

如果徒步者只关心路线长度，那么每一小段的贡献就是斜边长度。坡度越陡，这一小段就越长。把所有小段长度加起来，就得到长度泛函。对这个泛函求极值，会得到平面上的测地线：连接两点的最短路径是一条直线。

物理学家把这个思想推广成最小作用量原理：物体真实运动的轨迹，使“动能减势能”的时间积分取极值。同一套欧拉-拉格朗日方程，既能推出几何上的直线，也能推出牛顿运动方程，这正是变分法在物理中无处不在的原因。

L[y]=∫ab1+(y′(x))2 dxL[y]=\int_{a}^{b}\sqrt{1+\big(y'(x)\big)^2}\,dx
长度泛函是变分法最直观的例子：它把“整条路有多长”写成一个关于函数的积分。
  1. 局部长度元坡度为零时，小段长度是 \(dx\)；坡度越大，斜边越长。
    ds=1+(y′)2 dxds=\sqrt{1+(y')^2}\,dx
  2. 总长度从起点到终点把所有 \(ds\) 连续加起来。
    L[y]=∫abdsL[y]=\int_a^b ds
  3. 欧拉方程的结果把 \(F=\sqrt{1+(y')^2}\) 代入欧拉-拉格朗日方程，得到守恒量。
    ddxy′1+(y′)2=0\frac{d}{dx}\frac{y'}{\sqrt{1+(y')^2}}=0
  4. 直线解括号内是常数，说明 \(y'\) 是常数，因此 \(y''=0\)。
    y′′=0y''=0

5. 最优控制

现在把徒步者换成无人机。无人机从起点飞到终点，\(x(t)\) 表示时刻 \(t\) 的位置，\(u(t)\) 表示油门或推力。如果令 \(u=\dot x\)，那么选择控制量就等价于选择一条轨迹。我们要同时惩罚两件事：离期望位置太远，以及油门太大、太耗燃料。

这条最优轨迹就像“既不想绕太远，又不想猛踩油门”的司机：他的路线不是数学上的直线，而是更平滑、更省油的实际折中曲线。

J[x]=∫t0tf(x(t)2+x˙(t)2) dt⇒x¨(t)−x(t)=0J[x]=\int_{t_0}^{t_f}\big(x(t)^2+\dot x(t)^2\big)\,dt\quad\Rightarrow\quad\ddot x(t)-x(t)=0
最优控制把“怎样飞最省”变成变分问题：最优轨迹不是简单直线，而是偏离代价与燃料代价之间的平衡曲线。
  1. 偏离代价越小越好，代表无人机离目标位置太远会受到惩罚。
    x(t)2x(t)^2
  2. 控制代价速度越快、油门越大，燃料消耗越多。
    x˙(t)2\dot x(t)^2
  3. 性能指标把整个飞行时间内的成本积分起来，作为总代价。
    ∫t0tf(x2+x˙2) dt\int_{t_0}^{t_f}\big(x^2+\dot x^2\big)\,dt
  4. 欧拉方程对 \(F=x^2+\dot x^2\) 使用欧拉-拉格朗日方程，得到平衡微分方程。
    x¨−x=0\ddot x-x=0

6. 机器学习变分

机器学习里也经常遇到“选函数”的问题：给定一堆数据点 \((x_i,y_i)\)，我们要找一个函数 \(f\) 尽量拟合这些点，同时不要太曲折。如果只盯着训练点，模型会像一条剧烈抖动的山路，拟合得完美但毫无泛化能力。因此我们加上一个平滑惩罚，用 \(\lambda\) 控制平滑与拟合的平衡。

同样的思想也被用在图像分割中：算法把待分割边界看成一条可变形曲线 \(C\)，构造一个包含边界长度、平滑度和图像内容匹配度的能量泛函，再让曲线沿着欧拉-拉格朗日方程给出的方向演化，直到贴住目标边缘。无论是拟合曲线、控制无人机还是分割图像，本质上都是在函数空间里寻找一个“山谷点”。

J[f]=∑i=1n(f(xi)−yi)2+λ∫ab(f′(x))2 dxJ[f]=\sum_{i=1}^{n}\big(f(x_i)-y_i\big)^2+\lambda\int_{a}^{b}\big(f'(x)\big)^2\,dx
这是变分法进入机器学习的标准入口：误差项保证模型贴合数据，导数惩罚保证模型平滑，二者共同定义了一个“函数空间里的山谷”。
  1. 数据拟合项模型预测与真实标签的差距平方和，越小越好。
    ∑i=1n(f(xi)−yi)2\sum_{i=1}^{n}\big(f(x_i)-y_i\big)^2
  2. 平滑惩罚项导数平方的积分，惩罚剧烈波动，鼓励平缓曲线。
    ∫ab(f′(x))2 dx\int_a^b \big(f'(x)\big)^2\,dx
  3. 权衡系数 \(\lambda\)控制“拟合”和“平滑”谁更重要。
    λ\lambda
  4. 欧拉方程求解对这个泛函求变分，最优函数在数据点之间满足特定样条微分方程，这就是自然样条回归的本质。

AI 应用场景

无人机最优轨迹规划

阶段：路径规划与控制策略生成

解决的问题：传统方法往往只盯着“最短路径”，忽略飞行能耗和抖动代价；变分法把位置偏差、速度、加速度和燃料统一写进一个泛函，直接优化整条轨迹。

具体案例：物流无人机要在两栋楼之间飞行，同时节省电量并避开强风区。工程师用变分法建立包含位移误差和油门惩罚的性能指标，解出平滑的能量最优轨迹。

医学图像分割的能量泛函

阶段：图像预处理与目标分割

解决的问题：传统边缘检测只看局部像素梯度，容易断裂；变分法用一条可变形曲线最小化能量泛函，同时要求边界平滑、贴近图像梯度，从而得到完整器官轮廓。

具体案例：在 MRI 影像中分割左心室，算法初始化一个粗略曲线，然后让曲线在能量泛函驱动下演化，自动收敛到心肌边界。

回归模型的正则化与样条平滑

阶段：模型训练与正则化

解决的问题：普通多项式回归容易过拟合，变分正则化在目标函数中加入导数惩罚项，等价于在函数空间中限制模型复杂度。

具体案例：预测某地区温度随时间变化的趋势，使用带平滑惩罚的样条回归，获得既能拟合观测点又不会剧烈震荡的预测曲线。

Python 演示

python33 行
import numpy as npimport matplotlib.pyplot as plt  def solve_euler_lagrange(n=50):    h = 1.0 / n    N = n - 1    A = np.zeros((N, N))    b = np.zeros(N)    for i in range(N):        A[i, i] = -(2.0 + h * h)        if i > 0:            A[i, i - 1] = 1.0        if i < N - 1:            A[i, i + 1] = 1.0    b[-1] = -1.0    y_inner = np.linalg.solve(A, b)    x_full = np.linspace(0.0, 1.0, n + 1)    y_full = np.concatenate(([0.0], y_inner, [1.0]))    return x_full, y_full  if __name__ == "__main__":    x_num, y_num = solve_euler_lagrange(50)    xs = np.linspace(0, 1, 200)    y_exact = np.sinh(xs) / np.sinh(1.0)    plt.plot(xs, y_exact, label="exact")    plt.plot(x_num, y_num, "o--", label="finite difference")    plt.legend()    plt.xlabel("x")    plt.ylabel("y")    plt.title("Euler-Lagrange solution: y'' - y = 0")    plt.show()
目的：用有限差分法求解欧拉-拉格朗日方程得到的边界值问题 \(y''-y=0\)，并与解析解 \(\sinh(x)/\sinh(1)\) 对比。
  1. h = 1.0 / n把区间 \([0,1]\) 分成 \(n\) 段，每段长度作为网格间距。
  2. A[i, i] = -(2.0 + h * h)差分近似 \(y''-y=0\) 时，主对角线来自 \(y_i\) 的系数。
  3. b[-1] = -1.0右端边界条件 \(y(1)=1\) 被移到方程右边。
  4. y_inner = np.linalg.solve(A, b)解线性方程组，得到内部节点的最优函数值。
  5. y_full = np.concatenate(([0.0], y_inner, [1.0]))补上两端点，形成完整轨迹。

常见误区

误区我以为变分法就是普通微积分，把函数 \(y\) 当成一个变量，令 \(y'=0\) 就能得到极值。

正解普通求导是让一个数值变量变化；变分法是让一整条函数曲线变化。我们关心的是泛函 \(J[y]\) 对曲线形状的一阶变化，欧拉-拉格朗日方程并不是简单地令 \(y'=0\)。

为何常见：因为初学者刚学完一元微积分，很自然地把“求导找极值”的方法套到函数身上。

误区既然最短路是直线，那么满足欧拉-拉格朗日方程的最优路径都应该是直线。

正解直线只在被积函数是长度泛函 \(F=\sqrt{1+y'^2}\) 时出现。如果 \(F=x^2+\dot x^2\)，最优解是双曲函数；不同 \(F\) 对应不同“地形”，极值曲线的形状完全不同。

为何常见：教材最常举的例子是测地线，学生容易把例子本身误当成定理。

误区只要曲线满足欧拉-拉格朗日方程，它就是全局最优路线。

正解欧拉方程只是“一阶必要条件”，说明一阶变分为零。它可能是极小值、极大值或鞍点，就像山顶和山口同样是平缓点，却不一定是山谷。

为何常见：一元函数中“导数为零”也未必是极小值，但初学者常常忘记检查二阶条件，变分法中也有类似的第二变分。

误区遇到约束条件时，把约束等式直接代入目标函数再求极值就行了。

正解对于像“固定整体积分”的等周问题，约束是一个全局条件，不是逐点成立的等式，无法简单消去函数。更合适的做法是引入拉格朗日乘子构造增广泛函。

为何常见：普通多元函数优化里，等式约束常用代入法，学生把这种经验推广到函数空间的全局约束上。

面试题

Q1. 泛函的核心特点是什么？

单选题 · easy

  • A.输入一个函数，输出一个实数← 正确答案
  • B.输入一个实数，输出一个函数
  • C.输入两个实数，输出一个实数
  • D.输入一个函数，输出一个新函数

答案：A。泛函是“函数的函数”，它把整条函数曲线映射成一个数值。例如长度泛函把路径曲线映射为路径长度；普通函数做不到这件事。

Q2. 变分法寻找的是什么？

单选题 · easy

  • A.使泛函取极值的函数← 正确答案
  • B.使函数取极值的点
  • C.使积分最大的常数
  • D.使方程唯一的参数

答案：A。变分法的目标不是找一个数字，而是找一条完整曲线或函数。它在函数空间中搜索，让 \(J[y]\) 达到极值的那个 \(y(x)\) 才是答案。

Q3. 在推导欧拉-拉格朗日方程时，小扰动函数 \(\eta(x)\) 在区间端点通常满足什么条件？

单选题 · easy

  • A.在两端点处必须为零← 正确答案
  • B.在中间点处必须为零
  • C.在两端点处必须一致
  • D.在整个区间上必须为正

答案：A。为了让扰动不改变起点和终点位置，\(\eta(a)=\eta(b)=0\)。这样分部积分产生的边界项自动消失，才能得到干净的欧拉方程。

Q4. 对于被积函数 \(F(x,y,y')\)，欧拉-拉格朗日方程的标准形式是？

单选题 · mid

  • A.\(F_y\) 减去 \(d/dx(F_{y'})\) 等于零← 正确答案
  • B.\(F_{y'}\) 加上 \(d/dx(F_y)\) 等于零
  • C.\(F_x\) 乘以 \(F_y\) 的导数等于零
  • D.\(F_y\) 与 \(F_x\) 同时取零

答案：A。欧拉方程是 \(F_y-\frac{d}{dx}F_{y'}=0\)。它表示直接随高度变化的成本与坡度变化的传导成本相互抵消。

Q5. 等周问题中引入拉格朗日乘子的主要目的是什么？

单选题 · mid

  • A.把极大问题改成极小问题
  • B.把带约束问题转化为无约束问题← 正确答案
  • C.把曲线长度直接换成面积
  • D.把泛函的积分区间缩小一半

答案：B。拉格朗日乘子把全局约束并进目标函数，形成增广泛函。求解时先写欧拉方程，再用原来的约束确定 \(\lambda\)。

Q6. 最小作用量原理中的作用量 \(S\) 通常是什么？

单选题 · mid

  • A.动能和势能之差的时间积分← 正确答案
  • B.动能和势能之差的路径长度
  • C.动能加势能的空间积分
  • D.势能对时间的简单平均值

答案：A。作用量定义为 \(S=\int(T-V)dt\)。物体会选择使这个积分取极值的轨迹，这正是变分法在物理中的核心应用。

Q7. 若被积函数 \(F\) 不显含 \(y\)，欧拉-拉格朗日方程可以简化为？

单选题 · hard

  • A.\(d/dx(F_{y'})\) 恒等于零← 正确答案
  • B.\(F_{y'}\) 本身恒等于零
  • C.\(F_x\) 与 \(F_y\) 同时为零
  • D.\(y''\) 与 \(F\) 完全无关

答案：A。当 \(F_y=0\) 时，欧拉方程变成 \(\frac{d}{dx}F_{y'}=0\)，因此 \(F_{y'}\) 沿整条路径是常数，这是一个重要的守恒量。

Q8. 下列哪些说法符合变分法的特点？

多选题 · mid

  • A.泛函的输入是函数，输出是数值← 正确答案
  • B.欧拉-拉格朗日方程是极值的必要条件← 正确答案
  • C.约束的处理只能靠代入消元
  • D.满足欧拉方程的曲线一定全局最优

答案：AB。A 描述泛函，B 描述欧拉方程的必要性。C 错误，约束常用拉格朗日乘子；D 错误，一阶条件不能保证全局最优。

Q9. 变分法在人工智能和工程中有哪些实际应用？

多选题 · hard

  • A.最优控制中的轨迹规划← 正确答案
  • B.图像分割中的能量泛函← 正确答案
  • C.机器学习中的平滑正则化← 正确答案
  • D.训练 BP 网络只能靠变分法

答案：ABC。最优控制最小化性能指标，图像分割让曲线沿能量泛函演化，平滑正则化在函数空间惩罚导数；D 错误，神经网络训练主要用梯度下降，不是“只能靠变分法”。

Q10. 对于带积分约束 \(\int_a^b G\,dx=C\) 的变分问题，以下哪些是必要的？

多选题 · extreme

  • A.需要对增广被积函数写欧拉方程← 正确答案
  • B.需要补约束方程来确定 \(\lambda\)← 正确答案
  • C.小扰动 \(\eta\) 在端点必须为零← 正确答案
  • D.极值曲线必须满足 \(y''=0\)

答案：ABC。带约束时要对 \(F-\lambda G\) 写欧拉方程，并用积分约束求出 \(\lambda\)；端点固定的扰动也必须在端点为零。D 错误，\(y''=0\) 只是特定泛函的解，不是普遍必要条件。