優化計算機微積分

使用一階和二階導數檢定尋找任何函數的最大值和最小值。獲取臨界點、遞增與遞減區間、凹凸性分析、反曲點以及帶有逐步解法的互動式圖表視覺化。

優化計算機微積分

優化計算機微積分使用微積分中的一階和二階導數測試來尋找任何函數的最大值和最小值。無論您是在解決作業問題、分析利潤函數，還是探索曲線行為，此工具都能提供即時的臨界點分析，並附帶互動式圖表預覽、正負號圖表、區間分析以及詳細的 MathJax 逐步解法。

優化中的關鍵概念

△

臨界點

f'(x) = 0 或 f'(x) 未定義的點。局部最大值或最小值的候選點。這是任何優化問題的第一步。

📈

一階導數測試

檢查臨界點附近 f'(x) 的正負號。如果 f' 從 + 變為 −，則是局部最大值；如果從 − 變為 +，則是局部最小值。

📐

二階導數測試

如果在臨界點 c 處 f''(c) > 0，則 f 有局部最小值（凹向上）。如果 f''(c) < 0，則有局部最大值（凹向下）。

◆

反曲點

凹向改變方向的地方。發生在 f''(x) = 0 且 f'' 的正負號發生實際變化之處。曲線從 ∪ 切換到 ∩ 或反之亦然。

如何使用優化計算機微積分

輸入您的函數 f(x) — 使用標準數學符號輸入。例如：x^3 - 3x、sin(x)、x*exp(-x)、x^2/(1+x^2)。
設置定義域（可選） — 勾選區間方塊並輸入端點 [a, b]，以在閉區間上尋找絕對（全局）極值。如果不勾選，則分析整個實數線。
點擊「尋找極值」 — 計算機會查找所有臨界點並對其進行分類，計算反曲點，並生成互動式圖表。
查看分析結果 — 檢查極值摘要卡、標有臨界點和切線的函數圖表、f' 和 f'' 的正負號圖表、區間分析以及完整的逐步解法。

導數測試參考表

測試項目	條件	結論	適用時機
一階導數測試	f' 從 + 變為 −	局部最大值	始終有效；當 f''(c) = 0 時必需使用
一階導數測試	f' 從 − 變為 +	局部最小值	始終有效；當 f''(c) = 0 時必需使用
二階導數測試	f'(c) = 0, f''(c) > 0	局部最小值	當 f'' 易於計算時較快
二階導數測試	f'(c) = 0, f''(c) < 0	局部最大值	當 f'' 易於計算時較快
二階導數測試	f'(c) = 0, f''(c) = 0	無定論	必須回退到一階導數測試

常見優化問題

收入 / 利潤最大化 — 將收入建模為 R(x)，並找到 R'(x) = 0 的位置，以確定使利潤最大化的生產水平。
最小成本 / 材料 — 將成本表示為函數 C(x)，並找到 C'(x) = 0 的臨界點以最小化成本。
最大面積 / 體積 — 在約束條件下，將面積或體積表示為單變量函數並進行優化。
最短距離 — 使用距離公式，最小化 D(x) 或等效地最小化 D²(x) 以避免平方根。
相關變率優化 — 將導數信息與來自幾何或物理的約束方程相結合。

理解正負號圖表

正負號圖表可視化導數的正負號在區間內如何變化。對於 f'(x)，正號 (+) 表示函數正在遞增，負號 (−) 表示正在遞減。對於 f''(x)，正號表示凹向上（∪ 形），負號表示凹向下（∩ 形）。這些圖表上的轉換點分別對應於臨界點和反曲點。

常見問題 (FAQ)

什麼是微積分中的優化？

微積分中的優化是尋找函數最大值或最小值的過程。它使用導數來定位 f'(x) = 0 或 f'(x) 未定義的臨界點，然後應用一階或二階導數測試將每個臨界點分類為局部最大值、局部最小值或兩者都不是。

什麼是二階導數測試？

二階導數測試用於確定臨界點是局部最大值還是最小值。如果在臨界點 c 處 f''(c) > 0，則 f 在該處有局部最小值（凹向上）。如果 f''(c) < 0，則 f 有局部最大值（凹向下）。如果 f''(c) = 0，則測試無效，必須改用一階導數測試。

局部極值和絕對極值有什麼區別？

局部（相對）極值是與附近點相比的最大值或最小值。絕對（全局）極值是整個定義域上的最大值或最小值。在閉區間 [a, b] 上，絕對極值必須發生在臨界點或端點處。當您指定定義域時，此計算機會自動查找這兩種類型。

什麼是反曲點？

反曲點是函數凹向從凹向上變為凹向下或反之亦然的地方。它發生在 f''(x) = 0 且 f''(x) 的正負號發生實際變化的點。在反曲點處，曲線從向一個方向彎曲過渡到向另一個方向彎曲。

如何在閉區間上找到絕對最大值和最小值？

要在 [a, b] 上找到絕對極值：(1) 通過求解 f'(x) = 0 找到 (a, b) 中的所有臨界點。(2) 在每個臨界點以及兩個端點 a 和 b 處評估 f。(3) 最大值為絕對最大值，最小值為絕對最小值。在此計算機的可選欄位中輸入您的定義域即可自動執行此過程。

引用此內容、頁面或工具為：

"優化計算機微積分" 於 https://MiniWebtool.com/zh-tw/優化計算機微積分/，來自 MiniWebtool，https://MiniWebtool.com/

由 MiniWebtool 團隊提供。更新日期：2026-04-07

您還可以嘗試我們的 AI數學解題器 GPT，通過自然語言問答解決您的數學問題。

其他相關工具:

導數計算機

洛必達法則計算機新

優化計算機微積分