Julia求导咨询：如何计算向量形式函数的偏导数

方案1：用Symbolics.jl生成显式偏导表达式 #

如果你需要得到20x[1]^3这种简洁的显式结果，Symbolics.jl是最优选择，还能转换成适配hcubature的数值函数。

1. 安装并加载包：

using Pkg
Pkg.add("Symbolics")
using Symbolics

2. 定义符号变量和目标函数：

@variables x[1:2]
f(x) = 5x[1]^4 - 2x[2]^2

3. 计算对x[1]的偏导：

df_dx1 = Symbolics.derivative(f(x), x[1])

执行后会直接得到20x₁^3的显式表达式，完全符合你的要求。

4. 转成可调用的数值函数（支持向量输入）：

df_dx1_func = Symbolics.build_function(df_dx1, x, expression=Val{false})[1]

测试一下：df_dx1_func([2, 3])会返回160，完美适配后续的hcubature调用。

方案2：用ForwardDiff.jl做数值自动微分 #

你之前用ForwardDiff出错应该是用法问题，它完全支持向量输入，且和hcubature兼容。

1. 安装并加载包：

using Pkg
Pkg.add("ForwardDiff")
using ForwardDiff

2. 定义接受向量参数的目标函数：

f(x) = 5x[1]^4 - 2x[2]^2

3. 两种方式求x[1]的偏导：
   • 求梯度后取第一个元素：

     grad_f(x) = ForwardDiff.gradient(f, x)[1]
     

   • 直接指定求第1个变量的偏导：

     df_dx1(x) = ForwardDiff.partialderivative(f, x, 1)
     

   两种方式调用后都能得到正确结果，比如grad_f([2,3])返回160。

和hcubature结合的示例 #

不管用哪种方法得到的偏导函数，都能直接传入hcubature做二重积分。比如计算偏导在[0,1]×[0,1]上的积分：

using Pkg
Pkg.add("HCubature")
using HCubature

# 以Symbolics生成的函数为例
integral, err = hcubature(df_dx1_func, [0,0], [1,1])

内容的提问来源于stack exchange，提问作者L_J