雅可比矩阵在积分换元中的应用

1．雅可比矩阵和雅可比行列式

雅可比矩阵可以理解为一个向量对另一个向量的微分，例如对于向量
$$y=\left[\begin{array}{c}\begin{array}{c}\begin{array}{c}{f}_1(x_1,x_2,\cdots ,x_n)\\ f_2(x_1,x_2,\cdots ,x_n)\end{array}\\ ⋮\end{array}\\ f_m(x_1,x_2,\cdots ,x_n)\end{array}\right]$$
和向量$x={\left[\begin{array}{ccc}\begin{array}{cc}{x}_1& x_2\end{array}& \cdots & x_n\end{array}\right]}^T$，则$x\to y$的雅可比矩阵可表示为
$$J=\frac{\partial y}{\partial x^T}=\left[\begin{array}{cccc}\frac{\partial f_1}{\partial x_1}& \frac{\partial f_1}{\partial x_2}& \cdots & \frac{\partial f_1}{\partial x_n}\\ \frac{\partial f_2}{\partial x_1}& \frac{\partial f_2}{\partial x_2}& \cdots & \frac{\partial f_2}{\partial x_n}\\ ⋮& ⋮& ⋮& ⋮\\ \frac{\partial f_m}{\partial x_1}& \frac{\partial f_m}{\partial x_2}& \cdots & \frac{\partial f_m}{\partial x_n}\end{array}\right]$$
则对于全微分向量$dx$和$dy={\left[d{f}_1\cdots d{f}_m\right]}^T$有如下关系（$\ast$表示矩阵乘法）
$$dy=J\ast dx$$
在$m=n$的条件下，可以定义雅可比矩阵$J$的行列式$\left|J\right|$

2．在积分换元中的应用

雅可比矩阵行列式在多重积分换元中的应用有如下关系
$$d{y}_{1}d{y}_2\cdots d{y}_n=\left|J\right|d{x}_{1}d{x}_2\cdots d{x}_n$$
上面的这个公式就是本篇文章想要说明的核心内容。下面以二维平面的例子对上述公式进行说明（主要参考[1]），定义要求解的二重积分为
$${\iint }_{S}f(x,y)dxdy$$
现要将$x-y$平面转化为在$u-v$平面上求解上述积分，并已知
$$x=f_1(u,v)$$
$$y=f_2(u,v)$$
则根据雅可比矩阵的定义有
$$\left[\begin{array}{c}dx\\ dy\end{array}\right]=J\left[\begin{array}{c}du\\ dv\end{array}\right]$$
其中
$$J=\left[\begin{array}{cc}\frac{\partial x}{\partial u}& \frac{\partial x}{\partial v}\\ \frac{\partial y}{\partial u}& \frac{\partial y}{\partial v}\end{array}\right]$$
表现在二维平面上，则有以下关系

上图中的雅可比矩阵$J$起到坐标变换的功能（$u-v$平面中的小长方形映射到$x-y$平面上变为了平行四边形）。

在求${\iint }_{S}f(x,y)dxdy$时，$f(x,y)$表示高度，$dxdy$为积分面元，在进行积分换元时，$f(x,y)$用$f\left(f_1(u,v),f_2(u,v)\right)$替代，这两者是等价的。对于积分面元的变换，原本的积分面元是小长方形的$dxdy$，变换后的积分面元同样应为小长方形，即为$dudv$，但根据上图所展示的，积分面元$dxdy$与$dudv$很可能并不等价（经过了坐标变换的缩放和平移）。

上图中的左边小长方形面积为$dudv$，右边所映射的平行四边形面积为（行列式具有体积面积的几何含义，关于这一点将在本文第3节详细说明）
$$\left|J\left(\begin{array}{cc}du& 0\\ 0& dv\end{array}\right)\right|=\left|J\right|\left|\left(\begin{array}{cc}du& 0\\ 0& dv\end{array}\right)\right|=\left|J\right|dudv$$
可以看出，积分面元$dxdy$变换到$u-v$平面时，面积会缩小$\left|J\right|$倍。因此，在将$dxdy$替换为$dudv$时，为保证积分面积不变，需要在$dudv$前乘以$\left|J\right|$，因此便得到
$${\iint }_{S}f(x,y)dxdy={\iint }_{S^{\prime }}f\left(f_1(u,v),f_2(u,v)\right)\left|J\right|dudv$$
值得注意的是
$$dxdy=\left(\frac{\partial x}{\partial u}du+\frac{\partial x}{\partial v}dv\right)\cdot \left(\frac{\partial y}{\partial u}du+\frac{\partial y}{\partial v}dv\right)\ne \left|J\right|dudv$$
这一点非常容易令人疑惑，实际上，$dxdy$为下图右边蓝色长方形的面积，$\left|J\right|dudv$为下图右边绿色平行四边形的面积

为了在积分换元时得到$dudv$的小长方形（或正方形），就需要求其对应映射的绿色的平行四边形的面积，而不是求 对应的蓝色长方形面积。这也说明在进行多重积分公式的积分换元时，需要考虑的是积分面元之间的坐标映射关系以及缩放比例，而不是简单的积分面积元之间的粗暴等价相乘。

3．行列式所表示的几何含义

行列式是线性代数中的基础内容，这里不给出其定义的计算方式（看着有点抽象），只给出一个计算三阶行列式的计算示例[2]：

关于行列式的计算方式个人感觉是挺奇怪的，据说是来源于线性方程组求解，这一点不进行深入探讨（可参考博客[3]），我们所重点关注的是其几何含义，即行列式的绝对值等于行列式中的向量所组成的平行多面体的体积。

这里依然以二维的示例进行说明（这部分内容主要参考了知乎上的文章[4]）。

（手打的公式不知道什么原因不能编辑了，后面的内容截图显示）

4．应用实例

可以利用求数值积分的方式验证上述解析求解方式的正确性，数值求解的代码如下：

from scipy.integrate import dblquad
import numpy as np
#定义被积函数 f(x, y)
def f(y, x):
    return np.exp(y/(x+y))
#求解
result1, error = dblquad(f,                         
                        0, 1,  # y 的范围
                        lambda y: 0,      # x 的下限
                        lambda y: 1-y) # x 的上限
print(result1)  
print((np.exp(1)-1)/2) 

输出结果为

print(result1) ：0.8591409142295229
print((np.exp(1)-1)/2) ：0.8591409142295225

可以看到解析解和数值求解的结果基本一致，误差极小。如果求解积分换元后的数值积分结果：

# 定义被积函数 f(x, y)
def f(k, m):
    return np.exp(k/(k+1))*m/(k+1)**2

# 求解
result2, error = dblquad(f,                         
                        0, np.inf,  # k 的范围
                        lambda x: 0,      # m 的下限
                        lambda x: 1) # m 的上限
print(result2) 

输出结果为result2= 0.3243606366004509，很明显数值积分求解的结果是不对的（由于存在无穷的积分范围，可能会导致数值积分结果难以收敛）。这一现象说明，目前计算机和人脑的工作方式仍呈现出较为明显的不一致性，计算机擅长应对繁琐但直接的问题，而计算机在如何处理类似数学这种更为抽象的东西方面，仍有很大进步空间。

5．参考

[1]https://math.stackexchange.com/questions/4751277/how-to-show-algebraically-that-the-determinant-of-the-jacobian-the-scaling-facto?
[2] https://zhuanlan.zhihu.com/p/360292803
[3] https://blog.csdn.net /qq_17065591/article/details/107441773
[4] https:// zhuanlan.zhihu.com/p/30443024
[5]https://zhuanlan. zhihu.com /p/111501020