用拉格郎日乘法求下列条的可疑极值点,并用无条件极值的方法确定是否取极值.

设 函数u=v^p(p≥1),当 x＞y＞0时,函数u在【x,y】上连续.应用拉格郎日定理（ξ^p）′=p【ξ^（p-1）】=（x^p-y^p）/（x-y)（y＜ξ＜x）,即x^p-y^p=（x-y)p【ξ^（p-1）】,函数u在【x,y】上是单调递增函数,py^(p-1)＜ξ^（p-1）＜px^(p-1),因此(x-y)py^(p-1)≤x^p-y^p≤(x-y)px^(p-1),命题得证.

看看第三条

简单的回应一下你问题的要求,但是：
1、以下没有图形解释,只有函数,自己画,都是简单函数!
2、正例不举了,这三个定理及其相关推论在基本函数的图像中都一目了然,自己随便写个函数,画坐标图看看即可.
3、正向推导中这些条件的必要性到可以说说,用来解释你的“为什么”.
4、给你点反例.
关于罗尔定理：
首先理一下该定理证明的思路：
连续且闭=>有最大最小=>存在x1使f(x1)=max=>f'x1=0
其中
前两步推导就是最大值最小值定理
或称
维尔斯特拉斯极值定理
其前提条件“连续且闭”不可或缺
后一步推导就是费马定理
其前提条件“x处可导”不可或缺
因此
罗尔定理的应用条件：闭连续+开可导
反例：
1、(a,b)可导,f(a)=f(b),则必存在x使得f'(x)=0
错!
反例：f(x)=x(0,1];=1(x=0)
这表明两端处连续性不可或缺!
2、f(x)=x[0,0.5];=1-x(0.5,1],所以存在f'(x)=0
错!
最大值f(0.5)处没有导数!
这表明可导性不可或缺!
关于拉格朗日定理：
还是先理一下证明思路：
引进辅助函数g(x)=f(x)-{[f(b)-f(a)]/(b-a)}*(x-a)
把函数图形做一个线性量上下移动后
即可将罗氏定理中结论用上.
因此拉氏是罗氏的变形,其应用前提一样
反例：
1、(a,b)可导,则存在x使f'(x)=[f(b)-f(a)]/(b-a)
错!
反例：f(x)=x(0,1];=1(x=0)
这表明两端连续不可或缺
2、[a,b]连续,则存在x使得f'(x)=[f(b)-f(a)]/(b-a)
错!
反例：f(x)=|x|[0,1]
这表明可导性不可或缺
3、f(x)=1/x(x不等于0)；=0（x=0）
不能应用拉氏定理
因为x=0为间断点
严格地说是：
结论未必能够成立（事实上不成立）
关于柯西中值定理：
先提醒一点：不能直接由拉氏作商或作差推出柯氏!
理一下定理推倒的思路
引入h(x)=f(x)-[f(b)-f(a)]/[g(b)-g(a)]*[g(x)-g(a)]作为辅助函数
=>
存在有h'(x)=0
=>
展开即可
可见基本同拉氏（拉氏是柯氏的特殊情况）
反例类似（略）
单调性是拉氏定理的倒推,所以需要这两个条件
凹凸性的充分性证明中用到的微分中值公式和拉氏差不多,所以也需要.
注：
凹凸性证明中,一般用一介导判据的增减性或二介导的正负性判断,这些判据的前提条件中没有“闭连续”,其实是一样的,因为可导必然连续（但有开闭之分）.
注：
对于类似|x|和x^2+|x|等不可导的函数,但并不意味着无法判断,因为导数判据是其结论的充分条件,因此只能用凹凸性的定义证明,而且前者最终的结论是非严格凹性（因为有等号成立）.
但其实一般应用中都是可导的简单函数,最多出现二介导不存在或零点的情况,分段即可.
注：
除了和拉氏、罗氏相同的两个条件外,
柯氏中还有一个前提条件:“分母导数”不为零

拉格朗日乘数法 在许多极值问题中,函数的自变量往往要受到一些条件的限制,比如,要设计一个容积为 V的长方体形开口水箱,确定长、宽和高,使水箱的表面积最小.设水箱的长、宽、高分别为 x,y,z,则水箱容积V=xyz
焊制水箱用去的钢板面积为 S=2xz+2yz+xy
这实际上是求函数 S 在 V 限制下的最小值问题.
这类附有条件限制的极值问题称为条件极值问题,其一般形式是在条件

限制下,求函数F的极值
条件极值与无条件极值的区别
条件极值是限制在一个子流形上的极值,条件极值存在时无条件极值不一定存在,即使存在二者也不一定相等.
例如,求马鞍面 z=x.^2-y.^2+1 被平面XOZ 平面所截的曲线上的最低点.
从其几何图形可以看出整个马鞍面没有极值点,但限制在马鞍面被平面 平面所截的曲线上,有极小值 1,这个极小值就称为条件极值.
二.条件极值点的必要条件
设在约束条件 之下求函数 的极值 .当满足约束条件
的点 是函数 的条件极值点 ,且在该点函数 满足隐函数存在条件时,由方程 决定隐函数 ,于是点 就是一元函数 的极限点 ,有
.
代入 ,就有
,
( 以下 、 、 、 均表示相应偏导数在点 的值 .)
即 — ,亦即 ( ,) ,) .
可见向量( ,)与向量 ,)正交.注意到向量 ,)也与向量 ,)正交,即得向量( ,)与向量 ,)线性相关,即存在实数 ,使
( ,) + ,) .
亦即
Lagrange乘数法 :
由上述讨论可见 ,函数 在约束条件 之下的条件极值点应是方程组
的解.
引进所谓Lagrange函数
,( 称其中的实数 为Lagrange乘数 )
则上述方程组即为方程组
因此,解决条件极值通常有两种方法
1）直接的方法是从方程组（1）
中解出 并将其表示为
代入 消去 成为变量为 的函数
将问题化为函数 的无条件极值问题；
2）在一般情形下,要从方程组（1）中解出 来是困难的,甚至是不可能的,因此上面求解方法往往是行不通的.通常采用的拉格朗日乘数法,是免去解方程组（1）的困难,将求 的条件极值问题化为求下面拉格朗日函数
的稳定点问题,然后根据所讨论的实际问题的特性判断出哪些稳定点是所求的极值的.
一.用Lagrange乘数法解应用问题举例 :
例1 抛物面 被平面 截成一个椭圆.求该椭圆到坐标
原点的最长和最短距离.
例3求函数 在条件
下的极小值.并证明不等式 ,其中 为任意正常数 .
现在就以上面水箱设计为例,看一看拉格朗日乘数法求解条件极值的过程
这个问题的实质是求函数
在条件下的最小值问题,应用拉格朗日乘法,令
L='2*(x*z+y*z)+x*y+v*(x*y*z-V)';
dLdx=diff(L,'x')
dLdy=diff(L,'y')
dLdz=diff(L,'z')
dLdv=diff(L,'v')
dLdx =2*z+y+v*y*z
dLdy =2*z+x+v*x*z
dLdz =2*x+2*y+v*x*y
dLdv =x*y*z-V
令 L 的各偏导等零,解方程组求稳定点
s1='2*z+y+v*y*z';
s2='2*z+x+v*x*z';
s3='2*x+2*y+v*x*y';
s4='x*y*z-V';
[v,x0,y0,z0]=solve(s1,s2,s3,s4)
v =
[ -2*2^(2/3)/V^(1/3)]
[ -8*(-1/4*2^(1/3)*V^(1/3)+1/4*i*3^(1/2)*2^(1/3)*V^(1/3))^2/V]
[ -8*(-1/4*2^(1/3)*V^(1/3)-1/4*i*3^(1/2)*2^(1/3)*V^(1/3))^2/V]
x0 =[ 2^(1/3)*V^(1/3)]
y0 =[ 2^(1/3)*V^(1/3)]
z0 =[ 1/2*2^(1/3)*V^(1/3)]
这里显然只有实数解才有意义,所以 L 的稳定点只有下面一个
又已知所求的问题确实存在最小值,从而解出的稳定点就是最小值点,即水箱长宽与为高的2倍时用钢板最省.
下面再看一个条件极值求解问题
例2 抛物面 被平面 截成一个椭圆,求这个椭圆到坐标原点的最长最短距离.(x73)
解 这个问题的实质是求函数
在条件 与 下的最大、最小值问题,应用拉格朗日乘法,令
L='x^2+y^2+z^2+v*(x^2+y^2-z)+h*(x+y+z-1)';
dLdx=diff(L,'x')
dLdy=diff(L,'y')
dLdz=diff(L,'z')
dLdv=diff(L,'v')
dLdh=diff(L,'h')
dLdx =2*x+2*v*x+h
dLdy =2*y+2*v*y+h
dLdz =2*z-v+h
dLdv =x^2+y^2-z
dLdh =x+y+z-1
s1='2*x+2*v*x+h';
s2='2*y+2*v*y+h';
s3='2*z-v+h';
s4='x^2+y^2-z';
s5='x+y+z-1';
[h,v,x0,y0,z0]=solve(s1,s2,s3,s4,s5);
x0,y0,z0
x0 =
[ 3/4-1/4*i*13^(1/2)]
[ 3/4+1/4*i*13^(1/2)]
[ -1/2+1/2*3^(1/2)]
[ -1/2-1/2*3^(1/2)]
y0 =
[ 3/4+1/4*i*13^(1/2)]
[ 3/4-1/4*i*13^(1/2)]
[ -1/2+1/2*3^(1/2)]
[ -1/2-1/2*3^(1/2)]
z0 = -1/2,-1/2,2-3^(1/2),2+3^(1/2)
即 的稳定点有两个
因为函数 在有界闭集 上连续,必有最大值和最小值,而求得的稳定点又恰是两个,所以它们一个是最大点,另一个是最小,其最大
最小值为.(x73)
x1=-1/2+1/2*3^(1/2);
x2=-1/2-1/2*3^(1/2);
y1=-1/2+1/2*3^(1/2);
y2=-1/2-1/2*3^(1/2);
z1=2-3^(1/2);
z2=2+3^(1/2);
f1=(x1^2+y1^2+z1^2)^(1/2)
f2=(x2^2+y2^2+z2^2)^(1/2)
f1 = 0.5829 ; f2 = 4.2024