3D游戏与计算机图形学中的数学方法-----------1、向量

1、向量性质
n维向量可以表示为
$$\vec{V}=⟨V_1,V_2,\cdots ,V_n⟩$$
数值$V_i$被称为向量$\vec{V}$的分量。向量$\vec{V}$也可表示成仅有一列n行的矩阵：
$$\vec{V}=\left[\begin{array}{c}{V}_1\\ V_2\\ ⋮\\ V_n\end{array}\right]$$
向量通常表示为这两种形式之一，但有时需要表示为一行n列的行向量形式，行向量表示成相应列向量的转置：
$${\vec{V}}^T=⟨V_1,V_2,\cdots ,V_n⟩$$
向量可以乘以一个标量变成一个新的向量，标量a与向量$\vec{V}$的乘积定义如下：
$$a\vec{V}=\vec{V}a=⟨a{V}_1,a{V}_2,\cdots ,a{V}_n⟩$$
当$a=-1$时，用简化符号$-\vec{V}$表示向量$\vec{V}$的反向量。
向量加减法：$$\vec{P}+\vec{Q}=⟨P_1+Q_1,P_2+Q_2,\cdots ,P_n+Q_n⟩$$
给定任意两个标量a和b，三个向量 $\vec{P}、\vec{Q}、\vec{R}$，以下性质成立。
(a) $\vec{P}+\vec{Q}=\vec{Q}+\vec{P}$
(b) $(\vec{P}+\vec{Q})+\vec{R}=\vec{P}+(\vec{Q}+\vec{R})$
© $(ab)\vec{P}=a(b\vec{P})$
(d) $a(\vec{P}+\vec{Q})=a\vec{P}+a\vec{Q}$
(e) $(a+b)\vec{P}=a\vec{P}+b\vec{P}$
n维向量$\vec{V}$的绝对值是一个标量，用$||\vec{V}||$表示，计算公式如下：
$$||\vec{V}||=\sqrt{\sum _{i=1}^n{V}_i^2}$$
给定任意标量a和任意两个向量$\vec{P}$和$\vec{Q}$，以下性质成立。
(a) $||\vec{P}||\ge 0$
(b) 当且仅当 $\vec{P}=⟨0,0,\cdots ,0⟩，||\vec{P}||=0$
(d) $||\vec{P}+\vec{Q}||\le ||\vec{P}||+||\vec{Q}||$

2、内积和外积
两个向量的内积也被称为向量的点积或者标量积，内积可用来计算两个向量的方向差。
两个n维向量$\vec{P}$和$\vec{Q}$的内积可以表示为$\vec{P}\cdot \vec{Q}$，是一个标量。计算公式如下：
$$\vec{P}\cdot \vec{Q}=\sum _{i=1}^n{P}_i{Q}_i$$
给定任意两个n维向量$\vec{P}$和$\vec{Q}$，内积$\vec{P}\cdot \vec{Q}$满足以下等式。
$$\vec{P}\cdot \vec{Q}=||\vec{P}||||\vec{Q}||cos\alpha$$
其中$\alpha$是坐标原点分别与向量$\vec{P}$和$\vec{Q}$对应的点之间连线的夹角。
给定任意标量a和任意三个向量$\vec{P}$、$\vec{Q}$和$\vec{R}$，向量内积具有以下性质。
(a) $\vec{P}\cdot \vec{Q}=\vec{Q}\cdot \vec{P}$
(b) $(a\vec{P})\cdot \vec{Q}=a(\vec{P}\cdot \vec{Q})$
© $\vec{P}\cdot (\vec{Q}+\vec{R})=\vec{P}\cdot \vec{Q}+\vec{P}\cdot \vec{R}$
(d) $\vec{P}\cdot \vec{P}=||\vec{P}|{|}^2$
(e) $|\vec{P}\cdot \vec{Q}|\le ||\vec{P}||||\vec{Q}||$
向量$\vec{P}$在向量$\vec{Q}$上的投影
$$pro{j}_Q\vec{P}=\frac{\vec{P}\cdot \vec{Q}}{||\vec{Q}|{|}^2}\vec{Q}$$
向量$\vec{P}$相对于向量$\vec{Q}$的垂直分量可表示为
$$per{p}_Q\vec{P}=\vec{P}-\frac{\vec{P}\cdot \vec{Q}}{||\vec{Q}|{|}^2}\vec{Q}$$
两个三维向量的外积也称为向量积，两个向量的外积可以产生一个与这两个向量都垂直的新向量。
给定两个三维向量$\vec{P}$和$\vec{Q}$，它们的外积可写为$\vec{P}\times \vec{Q}$，其结果也为一个向量：
$$\vec{P}\times \vec{Q}=⟨P_y{Q}_z-P_z{Q}_y,P_z{Q}_x-P_x{Q}_z,P_x{Q}_y-P_y{Q}_x⟩$$
令两个向量$\vec{P}$和$\vec{Q}$为三维向量，则$(\vec{P}\times \vec{Q})\cdot \vec{P}=0$，而且$(\vec{P}\times \vec{Q})\cdot \vec{Q}=0$。
给定两个三维向量$\vec{P}$和$\vec{Q}$，外积$\vec{P}\times \vec{Q}$满足一下方程：
$$||\vec{P}\times \vec{Q}||=||\vec{P}||||\vec{Q}||sin\alpha$$
以上公式计算出的两个向量的外积的大小等于平行四边形的面积，该平行四边形的两个邻边分别是两个向量$\vec{P}$和向量$\vec{Q}$，继而可得出，有三个顶点$\overrightarrow{V_1}$、$\overrightarrow{V_2}$和$\overrightarrow{V_3}$组成的任意三角形的面积A可由以下公式计算：
$$A=\frac{1}{2}||(\overrightarrow{V_2}-\overrightarrow{V_1})\times (\overrightarrow{V_3}-\overrightarrow{V_1})||$$
规定向量外积得到的新向量遵循右手定律，右手手指的方向与向量$\vec{P}$的方向对齐，手掌朝向向量$\vec{Q}$的方向，则拇指所指的方向就是向量$\vec{P}$和$\vec{Q}$的外积$\vec{P}\times \vec{Q}$的方向。
给定任意两个标量a和b以及任意3个三维向量$\vec{P}$、$\vec{Q}$和$\vec{R}$，向量外积具有以下性质。
(a) $\vec{Q}\times \vec{P}=-(\vec{P}\times \vec{Q})$
(b) $(a\vec{P})\times \vec{Q}=a(\vec{P}\times \vec{Q})$
© $\vec{P}\times (\vec{Q}+\vec{R})=\vec{P}\times \vec{Q}+\vec{P}\times \vec{R}$
(d) $\vec{P}\times \vec{P}=\vec{0}=⟨0,0,0⟩$
(e) $(\vec{P}\times \vec{Q})\cdot \vec{R}=(\vec{R}\times \vec{P})\cdot \vec{Q}=(\vec{Q}\times \vec{R})\cdot \vec{P}$
(f) $\vec{P}\times (\vec{Q}\times \vec{P})=\vec{P}\times \vec{Q}\times \vec{P}={\vec{P}}^2\vec{Q}-(\vec{P}\cdot \vec{Q})\vec{P}$

3、向量空间
向量空间是一个集合V，该集合的元素都是向量，定义了加法和标量乘法，则以下性质成立。
（a）集合V对加法运算封闭，即集合V中的任意向量$\vec{P}$和$\vec{Q}$，它们的和$\vec{P}+\vec{Q}$也是集合V的向量。
（b）集合V对标量乘法运算封闭，即对于任意实数a和集合V中的任意向量$\vec{P}$，它们的积$a\vec{P}$也是集合V的向量。
（c）集合V中存在$\vec{0}$向量，对于集合V中的任意向量$\vec{P}$，$\vec{P}+\vec{0}=\vec{0}+\vec{P}=\vec{P}$成立。
（d）对于集合V中的任意向量$\vec{P}$，集合V中存在向量$\vec{Q}$，使$\vec{P}+\vec{Q}=\vec{0}$成立。
（e）集合V中的向量满足结合律，即对于集合V中的任意向量$\vec{P}$、$\vec{Q}$和$\vec{R}$，$(\vec{P}+\vec{Q})+\vec{R}=\vec{P}+(\vec{Q}+\vec{R})$成立。
（f）标量乘法满足结合律，即对于任意实数a和b，以及集合V中的任意向量$\vec{P}$，$(ab)\vec{P}=a(b\vec{P})$成立。
（g）标量与向量和的乘法满足分配律，即对于任意实数a，以及集合V中的任意向量$\vec{P}$和$\vec{Q}$，$a(\vec{P}+\vec{Q})=a\vec{P}+a\vec{Q}$成立。
（h）标量和与向量的乘法满足分配律，即对于任意实数a和b，以及集合V中的任意向量$\vec{P}$，$a(\vec{P}+\vec{Q})=a\vec{P}+a\vec{Q}$成立。
对于含有那个向量的集合 { e 1 ⃗ , e 2 ⃗ , ⋯   , e n ⃗ } \lbrace \vec{e_1},\vec{e_2},\cdots,\vec{e_n} \rbrace {e1​ ​,e2​ ​,⋯,en​ ​}，如果不存在不全为0的数$a_1,a_2,\cdots ,a_n$使下式成立，则向量集合线性无关。
$$a_1\overrightarrow{e_1}+a_2\overrightarrow{e_2}+\cdots +a_n\overrightarrow{e_n}=\vec{0}$$
反之，则向量集合线性相关。
向量空间V的基$\beta$是n个线性无关向量的集合， β = { e 1 ⃗ , e 2 ⃗ , ⋯   , e n ⃗ } \beta=\lbrace \vec{e_1},\vec{e_2},\cdots,\vec{e_n} \rbrace β={e1​ ​,e2​ ​,⋯,en​ ​}，对于向量空间V中的任意向量$\vec{P}$，存在一组实数$a_1,a_2,\cdots ,a_n$，使下式成立。
$$\vec{P}=a_1\overrightarrow{e_1}+a_2\overrightarrow{e_2}+\cdots +a_n\overrightarrow{e_n}$$
一个向量空间有无穷多个基。
在向量空间的基$\beta$中，如果任意两个向量$\overrightarrow{e_i}$和$\overrightarrow{e_j}$，$i\ne j$，且$\overrightarrow{e_i}\cdot \overrightarrow{e_j}=0$，则基$\beta$称为向量空间的正交基。
给定任意两个向量$\overrightarrow{e_1}$和$\overrightarrow{e_2}$，如果$\overrightarrow{e_1}\cdot \overrightarrow{e_2}=0$，则$\overrightarrow{e_1}$和$\overrightarrow{e_2}$两个向量线性无关。
在向量空间V中，找到n个正交向量，那么这些正交向量的集合组成向量空间的基。
对于向量空间的正交基，如果其中每个向量的长度均为1，则称为规范正交基。为了方便表示，引入克罗内克符号函数
$${\delta }_{ij}\equiv \{\begin{array}{ll}1,& \text{如果i=j}\\ 0,& \text{如果i=j}\end{array}$$
在向量空间的基 β = { e 1 ⃗ , e 2 ⃗ , ⋯   , e n ⃗ } \beta=\lbrace \vec{e_1},\vec{e_2},\cdots,\vec{e_n} \rbrace β={e1​ ​,e2​ ​,⋯,en​ ​}中，如果任意两个向量$\overrightarrow{e_i}$和$\overrightarrow{e_j}$，$\overrightarrow{e_i}\cdot \overrightarrow{e_j}={\delta }_{ij}$，则基$\beta$称为向量空间的规范正交基。
下面使在向量空间中，将n个线性无关向量组成的集合变换成正交基的方法。
Gram-Schmidt正交化算法。给定n个线性无关向量组成的集合$\beta$， β = { e 1 ⃗ , e 2 ⃗ , ⋯   , e n ⃗ } \beta=\lbrace \vec{e_1},\vec{e_2},\cdots,\vec{e_n} \rbrace β={e1​ ​,e2​ ​,⋯,en​ ​}，该算法可计算出向量集合 β ′ = { e 1 ′ ⃗ , e 2 ′ ⃗ , ⋯   , e n ′ ⃗ } \beta^\prime=\lbrace \vec{e_1^\prime},\vec{e_2^\prime},\cdots,\vec{e_n^\prime} \rbrace β′={e1′​ ​,e2′​ ​,⋯,en′​ ​}，当$i\ne j$时，$\overrightarrow{e_i^{\prime }}\cdot \overrightarrow{e_j^{\prime }}=0$。
(a) 令$\overrightarrow{e_1^{\prime }}=\overrightarrow{e_1}$；
(b) $i=2$；
© 从向量$\overrightarrow{e_i}$中减去$\overrightarrow{e_i}$在向量$\overrightarrow{e_1^{\prime }},\overrightarrow{e_2^{\prime }},\cdots ,\overrightarrow{e_{i-1}^{\prime }}$上的投影，结果保存到$\overrightarrow{e_i^{\prime }}$中，即
$$\overrightarrow{e_i^{\prime }}=\overrightarrow{e_i}-\sum _{k=1}^{i-1}\frac{\overrightarrow{e_i}\cdot \overrightarrow{e_k^{\prime }}}{{\overrightarrow{e_k^{\prime }}}^2}\overrightarrow{e_k^{\prime }}$$
(d) 如果$i<n$，$i$加1，转到步骤©。