简介：一份关于Matlab建模教程中变分法基础的文档资料，面向需要理解泛函极值与最优路径问题的高校学生、科研人员及工程技术人员。内容从约翰·伯努利的最速降线问题与悬链线问题切入，系统讲述变分法的起源、泛函与变分的定义、极值函数概念，并重点推导古典变分法中的欧拉-拉格朗日方程，说明如何将连接固定点的曲线长度等优化问题转化为微分方程求解。文档共1个doc文件，压缩包大小约617KB，为单篇教学讲义形式，适合作为Matlab数值建模前的理论补充或课堂笔记使用，目前已有138人浏览学习。读者可快速理清变分法从历史案例到数学表达式的完整脉络，掌握利用拉格朗日方程建立泛函极值模型的思路，为后续在Matlab中实现最速降线、悬链线等数值模拟打下基础。文中还结合悬链线的双曲余弦形式等实例，展示了理论推导与Matlab可视化建模的结合点，便于边读边练。

1. 变分法建模这份文档，能帮你把“最短路径”这类问题算到根上

第一次接触变分法，多半不是因为数学课，而是被“最速降线”这种反直觉问题逼的：两点之间最快下落曲线不是直线，而是摆线。这份《Matlab建模教程-变分法简介》正是从这个问题切入，把泛函、变分、欧拉方程、横截条件到有约束极值的完整脉络一次讲透。它不只是一份理论资料，更像一套可以直接复现的建模笔记——从伯努利兄弟的争议出发，用最简泛函统一了最速降线、最小旋转面、悬链线势能三个经典算例，最后落到端点变动和最优控制的必要条件。适合三类人：准备数学建模竞赛想补优化理论底子的，用Matlab做轨迹规划或曲线设计但说不清“为什么是这个函数”的，以及想快速看懂欧拉方程在工程问题里怎么落地的从业者。

2. 从最速降线到悬链线：变分法要解决的不是“数”，是“函数”

2.1 最速降线：极值问题的自变量从“点”变成了“曲线”

1696年约翰·伯努利向全欧洲数学家挑战的那个问题，本质上是把传统的极值思想捅破了一个洞。以前求极值，自变量是数，比如求某个x让函数f(x)最小；最速降线里，自变量是整条曲线y(x)，目标函数是质点沿曲线滑行的时间。你没法通过“求导=0”直接得到答案，因为未知量不是一个点，而是一个函数。文档里把这类问题抽象成泛函的概念：对每一个函数y(x)，都有一个实数J与之对应，比如曲线长度、滑行时间、旋转体侧面积，这个J就是泛函。容许函数集S限定了候选曲线的范围——一般是满足端点条件和一定光滑度要求的函数集合。

罗比塔、雅可比·伯努利、莱布尼茨、牛顿都解出了最速降线，但解法路线完全不同：约翰的解法漂亮，而雅可布的解法更一般化。这个细节其实透出变分法的核心方法论：不同问题看起来千差万别，但都能归结成“求泛函极值”这一件事，而后来的欧拉和拉格朗日把这件事统一成了普适解法。这也就是为什么变分法在现代控制理论里仍是底层工具——你要找的从来不是某个具体数值，而是整个控制策略u(t)或轨线x(t)。

2.2 悬链线：伽利略猜抛物线，但欧拉方程给的是双曲余弦

悬链线问题的戏剧性在于，伽利略凭肉眼观察猜它是抛物线，惠更斯17岁就用物理论证否定了这个猜测，但当时也求不出答案。直到1691年，莱布尼茨、惠更斯和约翰·伯努利才各自用微积分得到正确解：y = a·cosh((x-c1)/a) + c2，是双曲余弦，不是抛物线。文档特意强调，悬链线问题本身和变分法无直接关系，但雅可比·伯努利随后证明“同一条项链的所有形状中，悬链线的重心最低，具有最小势能”，这个结论就能用变分法来证。这给我们一个很重要的建模启发：很多物理问题的最优解，你凭直觉猜的形状基本是错的，需要老老实实写出泛函、列欧拉方程、解微分方程。

工程里悬链线出现频率极高：两电线杆之间的电缆、吊桥主缆、甚至挂水珠的蜘蛛网。如果你用抛物线拟合这些结构，在跨度大、垂度小的时候误差会很明显。文档里给出的最小旋转面问题更直接——过两定点的所有光滑曲线绕x轴旋转，侧面积最小的就是悬链线。这意味着“自然下垂形状”和“最小面积形状”指向同一个函数，背后是同一个欧拉方程。

2.3 泛函的变分：从函数微分到泛函变分，换的不是符号是对象

文档对变分的定义很明确：函数的微分是增量的线性主部，泛函的变分是泛函增量的线性主部。自变量的增量δx(t)称为函数的变分，由它引起的泛函增量记作ΔJ，如果ΔJ能分离成线性项L(δx)和高阶项r(δx)，线性项就是泛函在x0(t)处的变分δJ。最关键的公式是δJ可以表示成对参数α的导数：

δJ = d/dα J(x0 + α·δx) |_{α=0}

这个式子我脚手架搭得特别多。实际算变分时不需要每次从定义走，直接用这个参数导数技巧，把泛函J(x0+αδx)展开成α的函数，对α求导再令α=0，线性主部就出来了。文档后面推导欧拉方程时，正是用这条路径：先把变分算出来，对第二项做分部积分，利用端点处δx(t0)=δx(tf)=0消去边界项，再根据δx的任意性和变分法基本引理，得到积分恒为零只能是被积函数恒为零。

3. 欧拉方程推导与四种特殊形式：拿到泛函就能写出微分方程

3.1 极值必要条件：δJ=0 与函数极值必要条件的对应

泛函极值的必要条件证明思路很巧妙：对任意给定的δx，J(x0+αδx)是变量α的一元函数，而x0让泛函取极值，等价于这个一元函数在α=0处取极值。一元函数极值的必要条件是一阶导数为零，即d/dα J(x0+αδx)|_{α=0}=0，代入变分参数导数式，就得到δJ=0。这个推导只有三步，但意义重大：它把无限维的泛函极值问题，降维成“对任意扰动方向，一阶变分为零”的有限维检查条件。后续无论是最速降线还是悬链线势能，核心计算都绕着这个条件展开。

最简泛函的欧拉方程推导，文档里写得很完整。对泛函J = ∫F(t,x,x')dt做变分，得到δJ = ∫(F_x·δx + F_x'·δx')dt。第二项分部积分后，因为端点固定，δx(t0)=δx(tf)=0，边界项消掉，剩下δJ = ∫(F_x - d/dt F_x')·δx dt。再利用δx的任意性和基本引理，被积函数本身必须为零：

F_x - d/dt F_x' = 0

这就是欧拉方程。注意通解里两个任意常数由端点条件x(t0)=x0、x(tf)=xf确定。实际用的时候我一般建议先把F对x和x'的偏导都算出来，再决定是直接套二阶微分方程还是用首次积分化简，因为很多场景下F不显含t，直接用首次积分能省掉一大半代数运算。

3.2 四种特殊形式：看见F的结构就能预判解的形状

文档把最简泛函按F对t、x、x'的依赖关系拆成四种情况，这个分类在实操里极有用，因为每种情况欧拉方程的求解路径完全不同。

第(iv)种情况最常碰到，也最容易卡壳。文档给出了首次积分F - x'F_x' = c1的证明路径：因为F不显含t，d/dt(F - x'F_x') = 0。这意味着你不需要解二阶微分方程，先解一个一阶方程，大幅降低求解难度。最速降线问题的F = sqrt(1+y'^2)/sqrt(2gy)正是这种形式，所以文档直接走首次积分路线，令y' = cot(θ/2)之类的三角替换，得到摆线参数方程。工程中遇到测地线、最小曲面、光程极值问题时，先检查F是否显含t和x，几乎总能命中第(iv)种。

3.3 推广：多函数、高阶导数、多元函数分别对应什么方程

文档把最简泛函的欧拉方程推广到三类更一般的场景。含多个函数的泛函，比如F(x,y,y',z,z')，极值条件变成欧拉方程组，每个函数对应一条方程：F_y - d/dx F_y' = 0和F_z - d/dx F_z' = 0。这在多体动力学、多变量最优控制里是标配。含高阶导数的泛函，比如F(x,y,y',y'')，欧拉方程变成F_y - d/dx F_y' + d²/dx² F_y'' = 0，处理梁的弯曲变形、弹性杆稳定性这类问题时直接套。含多元函数的泛函，比如F(x,y,z,z_x,z_y)，极值条件变成奥式方程，也就是偏微分形式的欧拉方程，这在弹性力学、变分原理推导有限元方程时是核心工具。

这三个推广不是让你背公式，而是建立一套对应关系：泛函的自变量是函数，函数有几个、是几阶、是几元，欧拉方程就跟着变形成方程组、高阶方程、偏微分方程。拿到一个具体物理问题时，先判断泛函长什么样，再决定套哪一层欧拉方程，这个判断能力比背公式值钱得多。

4. 三个经典算例的Matlab验证：从欧拉方程到数值曲线

4.1 最速降线：摆线参数方程与c1的确定方法

最速降线的求解过程是一个标准的“欧拉方程→首次积分→参数替换→边界条件定常数”四步流程。F = sqrt(1+y'^2)/sqrt(2gy)不显含x，直接有首次积分F - y'F_y' = c1。文档引入y' = cot(θ/2)的替换，把微分方程化成摆线参数形式x = c1(θ - sinθ)/2 + c2, y = c1(1 - cosθ)/2。由A点(0,0)可得c2=0，另一个常数c1由B点坐标确定。我一般会用Matlab的符号计算先把欧拉方程列出来，再用数值方法解c1，避免手算卡在超越方程上：

% 确定最速降线摆线参数 c1 % 端点 A(0,0), B(x1,y1)，摆线参数方程 x = c1*(theta - sin(theta))/2, y = c1*(1 - cos(theta))/2 x1 = 2; y1 = -1; % 示例端点，B点在A点右下方 % 由 y = c1*(1-cos(theta))/2 解出 c1 = 2*y1/(1-cos(thetaB)) % 代入 x 方程：x1 = y1*(thetaB - sin(thetaB))/(1 - cos(thetaB)) syms thetaB f = x1 - y1*(thetaB - sin(thetaB))/(1 - cos(thetaB)); thetaB_num = vpasolve(f, thetaB, pi/2); % 初值给pi/2附近，避免收敛到0 c1 = 2*y1/(1 - cos(thetaB_num)); % 生成摆线离散点 theta = linspace(0, double(thetaB_num), 200); x_cycloid = c1/2*(theta - sin(theta)); y_cycloid = c1/2*(1 - cos(theta)); plot(x_cycloid, y_cycloid, 'LineWidth', 1.5); hold on; plot([0 x1], [0 y1], 'k--'); % 直线段作对比 axis equal; grid on; xlabel('x'); ylabel('y'); legend('最速降线(摆线)', '直线路径');

逻辑说明：这段代码先把端点B坐标代入摆线参数方程，消去c1得到一个只含θB的标量方程，再用vpasolve数值求解。注意初值给pi/2而不是默认的0附近，是因为θ=0是平凡解，对应曲线缩成一个点，初值太靠近0会收敛到错误解。参数c1的量纲是长度，物理上等于摆线滚动圆的半径，它决定了曲线的“弯曲程度”。画图时把直线路径用虚线叠加，能直观看到两点间直线并不是时间最短路径，落差越大摆线优势越明显。

4.2 最小旋转面：悬链线参数拟合与侧面积对比

最小旋转面问题里，侧面积泛函是J = 2π∫y·sqrt(1+y'^2)dx，F = 2πy·sqrt(1+y'^2)不显含x，所以也有首次积分。文档求解得到y = c1·cosh((x-c2)/c1)，是悬链线。这里有个容易忽略的工程细节：当两个定点的横向距离和纵向距离满足一定条件时，悬链线解未必存在，此时极小曲线可能是“折线”形式的退化解，也就是Goldschmidt解。文档没展开这个退化情形，但做旋转体设计的人必须知道——不是所有边界条件都有光滑悬链线解。

Matlab验证思路是：给定两个端点，先符号求解悬链线参数，再数值积分计算侧面积，和抛物面、锥面的侧面积做对比：

% 最小旋转面：悬链线参数拟合与侧面积数值积分 A = [0, 1]; B = [2, 2]; % 两个端点坐标 syms c1 c2 % 端点条件 eq1 = A(2) - c1*cosh((A(1)-c2)/c1); eq2 = B(2) - c1*cosh((B(1)-c2)/c1); sol = vpasolve([eq1, eq2], [c1, c2], [1, 0]); % 初值c1=1, c2=0 c1_num = double(sol.c1); c2_num = double(sol.c2); % 悬链线侧面积：J = 2*pi*integral(y*sqrt(1+y'^2), x, A(1), B(1)) x = linspace(A(1), B(1), 500); y_cat = c1_num*cosh((x - c2_num)/c1_num); dy = gradient(y_cat, x); area_catenoid = 2*pi*trapz(x, y_cat.*sqrt(1 + dy.^2)); % 对比：直线旋转成的圆锥台侧面积 k = (B(2)-A(2))/(B(1)-A(1)); y_line = A(2) + k*(x - A(1)); area_cone = 2*pi*trapz(x, y_line.*sqrt(1 + k^2)); fprintf('悬链线旋转面侧面积: %.4f, 圆锥台侧面积: %.4f\n', area_catenoid, area_cone);

逻辑说明：vpasolve解两个端点条件构成的非线性方程组时，初值的选择直接影响收敛结果。c1的物理意义是悬链线的“形状参数”，大致和两端的横向跨度同量级，所以初值给1；c2是水平偏移，两端点横向距离不大时初值给0通常够用。侧面积用数值积分trapz计算，关键是y和y'都要在相同的x网格上离散对齐，gradient计算导数后直接逐点相乘再积分。这样对比能定量验证“悬链线确实比圆锥台面积小”，而不是停留在理论推导。

4.3 悬链线势能最小：用欧拉方程验证最小势能原理

文档用变分法证明了雅可比·伯努利的结论：固定长度的项链，重心最低的形状是悬链线。建模时把等长条件作为约束，重心纵坐标泛函J = (1/L)∫y·sqrt(1+y'^2)dx，欧拉方程化简后求解得y = (1/k)·cosh(k(x+c1)) + c2。这算是一个带约束的变分问题雏形，和后面有约束泛函极值的内容衔接。

最小势能原理在工程里到处都是：悬索桥的主缆在自重下自动找形，高压线的弧垂，膜结构的初始形态，本质上都在解同一个悬链线方程。用Matlab做形态找形时，核心是验证等长约束是否满足——解出的悬链线弧长必须等于给定项链长度L，否则解没有物理意义。这个检查步骤容易被跳过去，导致理论解和实际结构对不上。

5. 避坑与排查：变分法建模中五个高频翻车点

5.1 端点条件没入方程就解欧拉方程，得到一堆毫无意义的曲线族

现象：解出欧拉方程的通解后，发现曲线完全不过给定端点，或者有无数条曲线都“看起来满足”微分方程，但选不出哪条是答案。

原因：欧拉方程只是极值的必要条件，通解里的任意常数必须由固定端点条件确定。文档里最速降线和最小旋转面问题的求解模板都是“先解方程，再代端点定常数”，这个顺序反了不行。很多人跳过了端点条件，拿到通解就开始画图，自然得不到目标曲线。

解决：解出通解后，先写清楚端点条件x(t0)=x0和x(tf)=xf，代入通解解出任意常数。如果端点条件是自由端点，不能用固定端点条件，要改用横截条件（见后续章节）。我习惯在代码里把端点条件写成显式等式，用vpasolve或solve统一解常数，而不是肉眼观察。

5.2 F不依赖x'的泛函套二阶微分方程解法，算出一个不存在的“极值曲线”

现象：对F只含t和x的泛函，硬套F_x - d/dt F_x' = 0，得到F_x = 0，然后把F_x = 0当微分方程解。

原因：F_x' = 0时欧拉方程退化成代数方程F_x(t,x) = 0，它给出的是x和t之间的隐式关系，不是微分方程的积分曲线。文档明确说了，这种情况下解出的“曲线”一般不满足边界条件，变分问题无解。这是变分法和普通微分方程最本质的差别之一。

解决：拿到泛函先检查F的结构，命中四种特殊形式之一就直接走对应路线。F不依赖x'时，先判断F_x = 0和边界条件是否相容，不相容就如实写“该变分问题在给定容许函数集内无解”，不要硬凑曲线。

5.3 最速降线的摆线参数范围选错，曲线只画出一小段

现象：用Matlab画最速降线，摆线参数方程代入后图形扭曲、不全，或者B点不在曲线上，看起来像只画了摆线的一部分。

原因：摆线是周期曲线，θ从0到2π对应一个完整拱。实际问题中B点不一定落在第一个拱内，vpasolve求θB时如果初值给得不合适，可能收敛到第二、第三个拱的θ值，这时曲线会绕很多圈。

解决：先画一条完整的摆线拱检查形态，再根据B点位置估计θB的大致范围，给vpasolve设定搜索区间，比如用[0.01, 2*pi-0.01]限定第一个拱。另外，A点(0,0)对应θ=0，B点的θ一定在(0, 2π)之间，可以用这个区间做约束，避免收敛到平凡解或周期重复解。

5.4 悬链线参数拟合时初值给得离谱，vpasolve直接不收敛

现象：vpasolve解悬链线端点方程组时报错“Cannot find explicit solution”或者计算出复数解，画出的悬链线形态完全错误。

原因：c1是形状参数，数量级和跨度量级相关；c2是水平偏移，数量级和端点横向坐标相关。初值如果差了几十个量级，非线性方程组的迭代求解器根本找不到盆地。这是符号计算最常见的坑——方程没问题，初值给错了。

解决：先估算c1和c2的合理范围。横跨2个单位时，c1大概率在0.5到2之间，直接用端点距离做缩放：c1_guess = abs(B(1)-A(1))，c2_guess = (A(1)+B(1))/2。实在不收敛就先用fminsearch极小化方程残差的平方和，得到一个近似解作为vpasolve的初值，双保险。

5.5 有约束极值只列欧拉方程，忘了哈密顿函数对u的偏导为零

现象：做最优控制问题，只写了状态方程和协态方程，没算∂H/∂u = 0，导致解不出最优控制策略u*(t)。

原因：有约束泛函极值问题里，最优控制策略必须同时满足状态方程、协态方程和控制条件。文档1.4.3节明确给出了三件套：x' = ∂H/∂λ，λ' = -∂H/∂x，∂H/∂u = 0。初学者套欧拉方程时只处理了x和λ，漏掉了u这条支路。

解决：把哈密顿函数H = F + λ^T·f完整写出来，先对u求偏导并令其为零，解出u用x和λ表达的形式，再代回状态方程和协态方程消去u，得到关于x和λ的闭式方程组，最后用边界条件定积分常数。这个流程在最优控制里几乎成了标准作业，拿到问题先写H，再按三件套走。

6. 横截条件与有约束极值：从欧拉方程到最优控制的落地要点

把端点固定的欧拉方程推广到端点变动时，关键差异在于：端点条件不够了，需要补充横截条件。文档给出了通用形式，即在端点处满足[F - (∂F/∂x')(x' - φ')]|{t=tf}的变分为零，最终化简为F_x'·δx + (F - x'F_x')·δt在端点处的组合条件。两种最常用的情况值得重点记：自由端点——t固定但x(tf)自由，横截条件是∂F/∂x'|{t=tf} = 0；平动端点——t自由但x(tf)固定，横截条件是F - x'·∂F/∂x'|_{t=tf} = 0。前者出现在“终点位置不限定”的轨迹规划里，后者出现在“终点时间不限定但必须落在某条线/某个点”的到达问题里。

处理有约束泛函极值时，文档演示了拉格朗日乘子法的变分版本：引入乘子向量λ(t)，定义哈密顿函数H = F + λ^T·f，把约束动态系统并入性能指标，然后对扩增泛函求变分。得到的必要条件就是最优控制理论里的正则方程：状态方程x' = ∂H/∂λ，协态方程λ' = -∂H/∂x，控制方程∂H/∂u = 0。再加上边界条件和终端横截条件，完整闭式求解。如果控制策略u(t)取值受限于一个有界集合U，则∂H/∂u = 0要换成哈密顿函数在U上的极小（或极大）条件，这就是最大值原理的雏形。

实操里我一般按五步走：第一步，明确状态变量和控制变量，写出动态约束x'=f和性能指标J；第二步，构造H并写出正则方程和控制方程；第三步，消去u得到关于x和λ的微分方程组；第四步，根据端点固定/自由/平动情况确定边界条件和横截条件；第五步，用Matlab的bvp4c或symbolic求解边值问题。从那以后我做轨迹优化，每次都强制先写H、逐项检查x'和λ'是否配对、确认控制条件用的是∂H/∂u=0还是极值条件，再动任何求解器，这个习惯帮我挡掉了无数个黑匣子式的报错。变分法初看玄学，但把欧拉方程、首次积分、横截条件这三板斧练熟，绝大多数泛函极值问题都能稳稳落地，希望帮到你。

本文还有配套的精品资源，点击获取