深入浅出变分法：从离散扰动一步步推导欧拉-拉格朗日方程

在最优控制和变分法中，欧拉-拉格朗日方程（Euler-Lagrange Equation） 是核心中的核心。它的物理意义（如最小作用量原理）往往让人感叹数学的优美，但其推导过程，尤其是从离散化到取极限的中间步骤，却常常让初学者卡壳（特别是面对一堆带下标和不带下标的 $g$ 时）。

今天我们就来手把手拆解这个推导过程，彻底搞懂它是怎么来的。

1. 将连续问题离散化

我们的目标是寻找一个函数 $x(t)$，使得性能指标（泛函） $J(x)$ 最小：

$$J(x)={\int }_{t_0}^{t_f}g(x(t),\dot{x}(t),t)dt$$

由于计算机和微积分原理的限制，我们很难直接处理连续积分。Euler 的巧妙想法是：将时间划分成 $N$ 个等间距的小区间，步长为 $\Delta t$。用折线来近似曲线 $x(t)$。

此时，积分变成了黎曼和：
$$J\approx \sum _{k=0}^{N-1}g(x_k,{\dot{x}}_k,t_k)\Delta t$$
其中导数 $\dot{x}$ 用一阶向前差分近似：
$${\dot{x}}_{k-1}\approx \frac{x_k-x_{k-1}}{\Delta t},{\dot{x}}_k\approx \frac{x_{k+1}-x_k}{\Delta t}$$

2. 驻点条件：施加“扰动”

要让 $J$ 达到极小值，就像求普通函数极值一样，我们需要对所有变量求导并令其为 0。

变分的核心思想是“扰动”：假设在某一时刻 $t_k$，我们只让状态变量 $x_k$ 发生一个微小变化（扰动），而其他所有点（$x_{k-1},x_{k+1}$ 等）都保持不变。 这个扰动的结果必须是 $J$ 的驻点，即：
$$\frac{\partial J}{\partial x_k}=0$$

关键点来了： 为什么书中说“对 $x_k$ 施加很小的扰动，只会引起相邻的两个区间 $[t_{k-1},t_k]$ 和 $[t_k,t_{k+1}]$ 上的性能指标扰动”？
因为 $x_k$ 只在第 $k-1$ 项（作为 ${\dot{x}}_{k-1}$ 分子的一部分）和第 $k$ 项（作为显式 $x_k$ 和 ${\dot{x}}_k$ 分子的一部分）中出现。其他项完全不包含 $x_k$，求导后均为 0。

所以我们的任务变成了求：
$$\frac{\partial }{\partial x_k}\left[g(x_{k-1},{\dot{x}}_{k-1},t_{k-1})\Delta t+g(x_k,{\dot{x}}_k,t_k)\Delta t\right]=0$$

3. 详细推导过程（核心步骤）

第一步：对第 $k-1$ 项求导

$x_{k-1}$ 和 $t_{k-1}$ 都是常数。只有 ${\dot{x}}_{k-1}$ 里面藏着 $x_k$！
因为 ${\dot{x}}_{k-1}=\frac{x_k-x_{k-1}}{\Delta t}$，所以 $\frac{\partial {\dot{x}}_{k-1}}{\partial x_k}=\frac{1}{\Delta t}$。

这里用到了链式法则（全导数），由于 $x$ 和 $t$ 的路径求导均为 0，只剩下 $\dot{x}$ 这条路：
$$\frac{\partial g}{\partial \dot{x}}\cdot \frac{\partial {\dot{x}}_{k-1}}{\partial x_k}\cdot \Delta t=\frac{\partial g}{\partial \dot{x}}\cdot \frac{1}{\Delta t}\cdot \Delta t={\frac{\partial g}{\partial \dot{x}}|}_{t_{k-1}}$$
(注意：最后的 $\Delta t$ 抵消了！)

第二步：对第 $k$ 项求导

这里是难点。在 $g(x_k,{\dot{x}}_k,t_k)$ 中，$x_k$ 出现了两次：

1. 直接路径：作为显式的 $x_k$。它对自己求导是 1。
2. 间接路径：藏在 ${\dot{x}}_k$ 里。因为 ${\dot{x}}_k=\frac{x_{k+1}-x_k}{\Delta t}$，注意这里分子是 $-x_k$！所以 $\frac{\partial {\dot{x}}_k}{\partial x_k}=-\frac{1}{\Delta t}$。

用链式法则相加：

• 直接路径贡献：$\frac{\partial g}{\partial x}\cdot 1\cdot \Delta t={\frac{\partial g}{\partial x}|}_{t_k}\Delta t$
• 间接路径贡献：$\frac{\partial g}{\partial \dot{x}}\cdot \left(-\frac{1}{\Delta t}\right)\cdot \Delta t=-{\frac{\partial g}{\partial \dot{x}}|}_{t_k}$

将两项相加，得到第 $k$ 项的导数为：
$${\frac{\partial g}{\partial x}|}_{t_k}\Delta t-{\frac{\partial g}{\partial \dot{x}}|}_{t_k}$$

第三步：合并并移项

将第一步和第二步的结果加起来，令其为 0：
$${\frac{\partial g}{\partial \dot{x}}|}_{t_{k-1}}+{\frac{\partial g}{\partial x}|}_{t_k}\Delta t-{\frac{\partial g}{\partial \dot{x}}|}_{t_k}=0$$
把含有 $\Delta t$ 的项留在左边：
$${\frac{\partial g}{\partial x}|}_{t_k}\Delta t={\frac{\partial g}{\partial \dot{x}}|}_{t_k}-{\frac{\partial g}{\partial \dot{x}}|}_{t_{k-1}}$$

第四步：取极限（连续化）

两边同时除以 $\Delta t$：
$${\frac{\partial g}{\partial x}|}_{t_k}=\frac{{\frac{\partial g}{\partial \dot{x}}|}_{t_k}-{\frac{\partial g}{\partial \dot{x}}|}_{t_{k-1}}}{\Delta t}$$
仔细观察右边，这就是函数 $h(t)=\frac{\partial g}{\partial \dot{x}}$ 在 $t_k$ 处的差商定义。

当 $\Delta t\to 0$（即 $N\to \infty$）时，差商就变成了导数：
$$\underset{\Delta t\to 0}{\lim }\frac{h(t_k)-h(t_{k-1})}{\Delta t}=\frac{d}{dt}\left(\frac{\partial g}{\partial \dot{x}}\right)$$

于是，我们终于得到了大名鼎鼎的欧拉-拉格朗日方程：
$$\frac{\partial g}{\partial x}-\frac{d}{dt}\left(\frac{\partial g}{\partial \dot{x}}\right)=0$$

4. 关于“下标”和“不带下标”的深度释疑

很多初学者在这里都会晕：“为什么有的 $x$ 带下标 $x_k$，有的不带？$g$ 到底是谁的函数？”

• 不带下标的 $x,\dot{x},t$：代表的是通用规则（占位符）。 $g(x,\dot{x},t)$ 是一个纯粹的多元函数。当我们写 $\frac{\partial g}{\partial x}$ 时，是把 $x$ 和 $\dot{x}$ 看作两个毫不相干的独立变量来求偏导。
• 带下标的 $x_k,{\dot{x}}_k,t_k$：代表的是具体数值（第 $k$ 个时间点的状态）。
• ${\frac{\partial g}{\partial \dot{x}}|}_{t_k}$ 写法：意思是“先按照通用规则对 $g$ 的第二个槽位求偏导，算出公式后，再把 $x_k,{\dot{x}}_k,t_k$ 代入进去，得到具体的数值结果”。

5. 结语

回顾整个推导，最让人惊叹的地方在于，离散化的项中，$\Delta t$ 竟然神奇地完美抵消了，使得差商形式自然而然地过渡到了微分形式。

这种在局部施加扰动，利用“各项之间互不干扰”的性质进行“剥离”的技巧，正是变分法的精髓。希望这个详细的分步推导，能帮你真正扫清符号和链式法则的迷雾！