“变分”在数学里是一个总称，它把好几块看似不相干的内容串在同一条思想主线之下：
给某个“函数”一个微小扰动，看它怎么变化，再用“导数＝0”的思想挑出极值或临界点。
一句话：变分＝“把函数当自变量求导”。
掌握“分部积分 → E-L 方程 → 边界条件”这三板斧，你就拿到了通往最优控制、几何分析、甚至机器学*里“梯度流”大门的钥匙。
1. 初等变分：一元／多元函数“带约束”极值
关键词：Lagrange 乘子、约束流形、切空间正交
核心直觉：把约束看成曲面，梯度必须在曲面法方向才能“无路可走”而成为极值。
最常用公式：
∇f(x) + λ∇g(x) = 0, g(x)=0
2. 经典变分法（Euler–Lagrange 框架）
关键词：泛函、容许函数空间、弱扰动、Euler–Lagrange 方程、自然边界条件
核心直觉：
把“函数”当成自变量，对整条曲线 y(x) 给一个“小山包”扰动 η(x)，
要求一阶变分 δJ=0，得到微分方程。
最核心公式：
⇒
例子：
最短路径 → 直线
最速降线 → 摆线
最小旋转面 → 悬链面
3. 二次变分与 Jacobi 场（判定极值性质）
关键词：Legendre 条件、Jacobi 方程、共轭点
核心直觉：
一阶变分只能筛出“临界点”，要判断是极小还是极大，需要看二阶变分
δ²J 的正定性；出现共轭点意味着极小性丢失。
4. 约束变分（等周问题、Lagrange 乘子变成函数）
关键词：积分约束、乘子 λ(x)、Abnormal extremal
例子：
给定周长求最大面积 → 圆；
给定长度求悬链线 → 双曲余弦。
5. 多变量／高阶导数／向量值场
关键词：多重指标、E-L 方程变成 PDE、自然边界条件出现法向导数项
例子：
极小曲面方程
线性弹性平衡方程 −∇·σ = 0 可由势能最小推导。
6. 直接方法（Dirichlet 原理 → Sobolev 空间）
关键词：弱收敛、下半连续性、Coercivity、Rellich–Kondrachov 紧嵌入
核心直觉：
当 E-L 方程非线性且古典解难找时，把泛函延拓到 Sobolev 空间，
用“凸性+紧性”直接拿极小元，再正则化。
7. 最优控制 & Pontryagin 最大值原理
关键词：状态方程、伴随方程、Hamiltonian、针状变分
核心直觉：
控制变量 u(t) 可以分段取值，用“针状”扰动把古典变分法推广到不可微端点。
Hamiltonian 最小化给出最优控制。
8. 几何变分（测地线、极小曲面、Willmore 曲面）
关键词：第一变分公式、第二基本形式、平均曲率 H=0
例子：
测地线方程 ∇γ' γ' = 0
极小曲面 H=0
9. 随机／度量空间变分（新前沿）
关键词：Γ-收敛、最优传输、Wasserstein 梯度流
应用：
图像分割、机器学*中的 WGAN、演化 PDE 看作“概率测度空间上的梯度流”。
“第一步”自学套餐（零门槛 → 能推 E-L 方程）
1. 读 Gelfand & Fomin《Calculus of Variations》前 30 页，把 δJ 的定义、分部积分推导写一遍。
2. 手算三题：
a) 最短路径 ∫√(1+y'²)dx → 直线
b) 最速降线 ∫√((1+y'²)/y)dx → 摆线参数方程
c) 等周问题 ∫y dx 最大，约束 ∫√(1+y'²)dx = L → 圆
3. 用 Python 的 scipy.optimize 直接离散化，把上面三题数值解一遍，对照解析答案。
走完这三步，你就拥有了“给任意泛函推 E-L 方程 + 判断边界条件 + 数值验证”的闭环能力。
进阶索引（按需跳读）
想看二阶条件 → 读 Giaquinta & Hildebrandt《Calculus of Variations I》第 5 章
想看直接方法 → 读 Dacorogna《Direct Methods in the Calculus of Variations》
想看几何 → 读 Colding-Minicozzi 讲义《A Course in Minimal Surfaces》
想看控制 → 读 Liberzon《Calculus of Variations and Optimal Control Theory》
想看概率/度量 → 读 Santambrogio《Optimal Transport for Applied Mathematicians》
版权声明：本文转载于今日头条，版权归作者所有，如果侵权，请联系本站编辑删除
