变分法与欧拉-拉格朗日方程入门

可视化演示

展示泛函极值多曲线对比与最优路径、最速降线摆线与直线弧线时间对比、欧拉拉格朗日方程从变分到极值的推导流程。切换模式查看变分法核心概念。

1 泛函与极值

假设你负责在山区修一条观光栈道。两个观景台的位置已经定死，但中间怎么走、拐几个弯，全都可以自由设计。路线一旦画出来，你就能估算出它的造价、施工难度和游客体验。这里的“路线”是一条完整曲线，而“造价”是由这条曲线算出来的一个数字。数学上，把曲线 \(y(x)\) 变成数字 \(J[y]\) 的工具，就叫泛函。普通函数吃一个数、吐一个数；泛函吃一整条函数曲线、吐一个数。

变分法关心的不是“函数在哪一点最大”，而是“哪一条函数能让泛函取极值”。比如修栈道时，路线稍微绕远一点，造价就上升；再直一点，可能又太陡。我们要找的是整条曲线层面的“最低点”，而不是二维坐标轴上的某个点。所有候选曲线必须满足两端固定、连续光滑等约束，这些约束合起来叫做容许函数类。

最常见的泛函长这样：

所以，修路队长要回答的问题变成了：在无数条候选路线中，哪一条能让 \(J[y]\) 达到极小？这就是变分法的出发点。

2 变分思想

修路队长想做一个小实验：先画一条可行的路线，然后轻轻拨动路线上的每个点，让整条路发生一点“波浪形”的小变形。只要起点和终点还钉在原地，这条路仍然是从 A 到 B 的合法路线。我们会看到，路线一旦变形，造价 \(J\) 也会跟着变化。如果无论怎么拨动，造价的“一阶变化”都是零，那这条路就有可能是最优路线。

这个“轻轻拨动整条曲线”的动作，就是变分。我们把候选曲线记为 \(y(x)\)，把一个小扰动记为 \(\eta(x)\)，并要求它在端点处为零：\(\eta(a)=\eta(b)=0\)。然后让扰动强度用一个很小的参数 \(\varepsilon\) 来控制。当 \(\varepsilon=0\) 时，曲线回到原始路线；\(\varepsilon\) 稍大一点，曲线就偏离原路线。所谓一阶变分，就是看原始路线在“所有扰动方向”上的导数是否为零。

用公式写出来就是：

最优路线必须满足 \(\delta J = 0\)，对任意端点为零的扰动 \(\eta\) 都成立。这和普通函数求极值时令导数等于零，本质上是同一个思想，只不过把“点”换成了“整条路线”。

3 欧拉方程

修路队长心里明白：一条路如果某个局部还能通过微调变得更省，那它就不可能是最优。问题是，怎么把“任意扰动下 \(\delta J=0\)”这个整体条件变成每个点都要满足的局部方程？

办法是打开 \(\delta J\)，把里面的扰动项整理出来。\(F\) 里既有 \(y\) 又有 \(y'\)，扰动会同时通过这两条渠道影响造价。对包含 \(y'\) 的项做分部积分，就能把“扰动函数的导数”转移到“被积函数的导数”上；又因为端点处扰动为零，分部积分产生的边界项自动消失。最后再用一个基本引理：如果一个连续函数乘上任意扰动后积分为零，那这个连续函数本身必须处处为零。于是我们得到：

这就是欧拉-拉格朗日方程。它像是一条“局部平衡律”：最优路在线上的每一小段都处于力学平衡，没有任何局部拨动能让造价下降。修路队长不再需要同时检查整条路，只需要检查每一段是否满足这个方程。

4 边界条件

修路队长还要决定栈道两端怎么固定。最常见的办法是：起点和终点都钉死，游客从 A 出发必须到 B 结束。这时扰动在两端为零，分部积分产生的边界项自动消失。但在很多实际问题里，端点不一定固定，比如索道的一端可以沿山坡自由滑动，或者最终时刻的位置没有规定。这时边界项就不能随便丢掉了。

边界条件不是欧拉-拉格朗日方程的“附加题”，而是方程能否成立的组成部分。固定端点会让边界项 \([F_{y'}\eta]_a^b=0\) 自动满足；自由端点则要求被积函数的“坡度响应”在边界处也为零，也就是：

这种由边界项推出来的条件叫做自然边界条件。它告诉我们：最优路不只内部要平衡，边界上也要给出“门是开着还是关着”的规则。修栈道时，如果桥头可以自由滑动，那么桥头处的受力方向也必须满足新的平衡，而不是随便停在某个位置。

5 经典问题

变分法最迷人的故事之一就是最速降线：一个小球只受重力作用，从 A 点滑到 B 点，走什么曲线用时最短？直觉上可能以为是直线，但修路队长知道，直线虽然是路程最短，却不是时间最短。若让小球先快速下降获得速度，再转弯到终点，往往更快。

把下滑时间写成泛函，就是一个典型的变分问题：

对 \(T[y]\) 应用欧拉-拉格朗日方程，会得到摆线参数方程 \(x = r(\theta-\sin\theta), y = r(1-\cos\theta)\)。这条摆线不是直觉中的直线，而是“先陡后缓”的曲线。同类经典问题还有很多：在曲面上找两点间最短路径的短程线、悬链线、等周问题等，它们都共享同一个“局部平衡”内核。

6 物理应用

修路队长的直觉在物理学中有一个更宏大的版本：大自然也像在“挑路线”。法国数学家莫佩尔蒂提出，物体真实运动的轨迹，不是凭某一点的受力，而是让某个作用量取极值。后来拉格朗日把这个思想整理成最小作用量原理：从 \(t_1\) 到 \(t_2\)，系统的运动轨迹使作用量泛函取驻值。

作用量由拉格朗日量 \(L = T - V\) 定义，其中 \(T\) 是动能，\(V\) 是势能。对每个广义坐标 \(q(t)\)，泛函写成：

令 \(\delta S=0\)，欧拉-拉格朗日方程立刻变成理论力学的核心：\(\frac{d}{dt}\frac{\partial L}{\partial \dot q} - \frac{\partial L}{\partial q}=0\)。牛顿方程、能量守恒、诺特定理都能从这一条原则里长出来。可以说，修路队长找的是“山谷里的最优栈道”，物理学家找的是“所有可能历史中的最优剧情”。

7 现代应用

在现代 AI 与工程中，变分法仍然在“修路”。比如机器人规划一条从 A 到 B 的轨迹，既要快速到达，又要避免关节剧烈抖动，这就是在函数空间中优化一条轨迹；最优控制理论中的许多问题，本质上都是泛函极值问题。

机器学习里也有类似场景。训练一个连续函数 \(f(x)\) 去拟合数据时，我们常常不仅要让拟合误差小，还要让函数足够平滑，防止过拟合。把这两件事合起来写成一个泛函：

对这个泛函求变分，会得到关于 \(f\) 的欧拉-拉格朗日方程，也就是著名的偏微分方程正则化方法。变分推断、神经场、最优控制中的轨迹优化，都可以看作“修路队长”在不同领域里的分身：眼前的目标千变万化，但找到最优路线的数学内核始终如一。

AI 应用场景

Python 演示

import math N = 50YA = 0.0YB = 1.0dx = 1.0 / Nlr = 0.08epochs = 300 def evaluate(y):    total = 0.0    for i in range(N):        slope = (y[i + 1] - y[i]) / dx        total += slope * slope    return 0.5 * total * dx def gradient(y):    g = [0.0] * (N + 1)    for i in range(1, N):        g[i] = (2.0 * y[i] - y[i - 1] - y[i + 1]) / dx    return g def main():    y = [YA + (YB - YA) * i / N for i in range(N + 1)]    for epoch in range(epochs):        g = gradient(y)        for i in range(1, N):            y[i] -= lr * g[i]        y[0] = YA        y[N] = YB        if epoch % 50 == 0:            print("epoch", epoch, "J =", round(evaluate(y), 6))    max_dev = max(abs(y[i] - (YA + (YB - YA) * i / N)) for i in range(N + 1))    print("max deviation from straight line:", round(max_dev, 10))    print("y[25] =", round(y[25], 6)) if __name__ == "__main__":    main()

1. def evaluate(y):把离散路线代入费用函数，给我们一个可以监控的数值。
2. slope = (y[i + 1] - y[i]) / dx计算相邻两点之间的斜率，近似导数 \(y'\)。
3. return 0.5 * total * dx对斜率平方做离散积分，这就是泛函的数值版本。
4. g[i] = (2.0 * y[i] - y[i - 1] - y[i + 1]) / dx这就是离散化的欧拉-拉格朗日残差，对应每个点上的微小扰动一阶项。
5. y[i] -= lr * g[i]沿负梯度方向修路，让每个点都朝降低费用的方向移动。
6. y[0] = YA; y[N] = YB固定两端点，保证候选路线始终合法。

常见误区

面试题