# بیشینه و کمینهٔ محلی و مطلق — از روی نمودار

دو دانش‌آموز به یک نمودار نگاه می‌کنند — منحنی‌ای با دو قله و یک درّه. معلم می‌پرسد: «بیشینهٔ تابع کجاست؟» یکی می‌گوید «دو تا قله داریم، پس دو تا بیشینه». دیگری می‌گوید «بیشینه یعنی بزرگ‌ترین، پس فقط یکی». 

هر دو راست می‌گویند — چون دارند به دو سؤالِ متفاوت جواب می‌دهند. ریاضی برای همین دو سؤال دو اسم دارد: **محلی** (نسبی) و **مطلق**. و جداکردنِ این دو، همان چیزی است که در امتحان نمره می‌شود و در دنیای واقعی، تصمیم.

## تعریف، با دقتِ کامل

- نقطه‌ای **بیشینهٔ محلی** است اگر از همهٔ همسایه‌های نزدیکش بالاتر باشد — «قهرمانِ محله».
- نقطه‌ای **بیشینهٔ مطلق** است اگر از همهٔ نقاطِ قلمرو تابع بالاتر باشد — «قهرمانِ کشور».

(برای کمینه، هر دو تعریف را برعکس کن.) نتیجهٔ منطقیِ بلافصل: **هر قهرمانِ کشور، قهرمانِ محلهٔ خودش هم هست** — بیشینهٔ مطلق همیشه یکی از بیشینه‌های محلی است. ولی عکسش نه: محله‌قهرمانِ زیاد داریم، کشورقهرمان یکی است.

## بخوانیمش از روی یک نمودار واقعی

تابعی را تصور کن که از چپ به راست این مسیر را می‌رود (ارتفاع‌ها را می‌نویسم تا با هم چک کنیم):

از ارتفاع ۱ شروع می‌کند → بالا می‌رود تا قله‌ای در ارتفاع **۵** → پایین می‌آید تا درّه‌ای در ارتفاع **۲** → دوباره بالا تا قله‌ای در ارتفاع **۷** → و در انتها سقوط تا ارتفاع **۰**.

حالا سرشماری، با استدلال نه با حدس:

| نقطه | محلی؟ | مطلق؟ | چرا |
|---|---|---|---|
| قلهٔ ۵ | بیشینهٔ محلی ✓ | ✗ | از همسایه‌هایش بالاتر است، ولی ۷ بالاتر از اوست |
| درّهٔ ۲ | کمینهٔ محلی ✓ | ✗ | از همسایه‌ها پایین‌تر، ولی انتهای نمودار (۰) پایین‌تر است |
| قلهٔ ۷ | بیشینهٔ محلی ✓ | بیشینهٔ مطلق ✓ | هیچ نقطه‌ای از آن بالاتر نیست |
| انتهای نمودار، ۰ | — | کمینهٔ مطلق ✓ | پایین‌ترین ارتفاعِ کلِ مسیر |

دو درسِ بزرگ در همین جدول است:

**۱. مطلق می‌تواند لبِ مرز باشد.** کمینهٔ مطلق (۰) قعرِ هیچ درّه‌ای نیست — نقطهٔ پایانی نمودار است. جایی که [شیب](/blog/slope-of-a-line) صفر نمی‌شود، ولی چون تابع همان‌جا تمام می‌شود، «پایین‌ترین مقدارِ موجود» همان‌جاست. قاعدهٔ عملی: **برای مطلق، قله/درّه‌ها را با دو سرِ بازه مقایسه کن.** جاافتادنِ همین مقایسه، پرتکرارترین کسرِ نمرهٔ این مبحث است.

**۲. «شیبِ صفر» فقط نامزدها را می‌دهد، نه برنده را.** درونِ نمودار، هر قله و درّه‌ای جایی است که شیب صفر می‌شود ([چرا؟ اینجا گفته‌ایم](/blog/max-min-of-a-function)) — ولی صفرشدنِ شیب فقط فهرستِ نامزدهاست؛ اینکه کدام محلی است و کدام مطلق، از مقایسهٔ ارتفاع‌ها درمی‌آید.

## چرا دنیای واقعی به هر دو مفهوم نیاز دارد؟

چون گاهی «بهترینِ دوروبر» کافی است و گاهی فاجعه:

- **کوهنوردِ در مه** فقط می‌فهمد قله‌ای محلی زیرِ پایش است؛ برای «بام منطقه» باید نقشهٔ کامل داشته باشد.
- **قیمت‌گذاری:** قیمتی که کمی بالا و پایینش سود را کم می‌کند، بیشینهٔ محلیِ سود است — ولی شاید یک استراتژیِ کاملاً متفاوت، سودی بسیار بالاتر داشته باشد که با «کمی تکان‌دادنِ قیمت» هرگز پیدایش نمی‌کنی.
- **یادگیری ماشین:** الگوریتمِ آموزش با دنبال‌کردنِ شیب، به یک کمینهٔ خطا می‌رسد — ولی فقط تضمینِ «محلی‌بودن» دارد. گیرکردن در کمینهٔ محلی به‌جای مطلق، یکی از مسائلِ کلاسیکِ این حوزه است؛ در [یادگیری ماشین چیست؟](/blog/machine-learning-explained) دیدی که چرا مدل «کوهنوردِ در مه» است.

و یک پل به مدرسه: در [تابعِ درجه دو](/blog/parabola-vertex-min-max) این بحث ساده‌ترین حالتش را دارد — سهمی فقط یک قله یا یک درّه دارد، پس محلی و مطلقش (در کل دامنه) یکی است. اولین‌جایی که این دو از هم جدا می‌شوند، توابعِ درجه سه به بالاست: همان‌ها که دو بار تغییرِ جهت می‌دهند.

جمع‌بندی: **محلی یعنی بهتر از همسایه‌ها، مطلق یعنی بهتر از همه — مطلق همیشه یکی از محلی‌هاست، و برای پیداکردنش باید قله/درّه‌ها را با لبه‌های بازه هم مقایسه کنی.** دو کلمه که یک نمودار را از «شکلِ قشنگ» به «سندِ تصمیم» تبدیل می‌کنند.

---
Source: https://yaadestan.com/blog/local-vs-absolute-extrema (یادستان, Yaadestan)
