方向导数与梯度(二维)

方向导数：
定义：函数沿某一指定方向的变化率
定理：如果函数$f(x,y)$在点$P_0(x_0, y_0)$可微分，那么函数在该点沿任一方向$l$的方向导数都存在，且方向导数：

$$\frac{\nabla f}{\nabla l}|_{x_0,y_0} = [f_x(x_0,y_0), f_y(x_0, y_0)]e_l$$

$$e_l(方向l的单位向量) = (\cos \alpha, \cos \beta)$$

梯度：
定义：函数在区域内某一点的具有方向的全微分
设函数$f(x,y)$在区域$D$内具有一阶连续偏导数，则对于区域$D$内的任一点$P_0(x_0,y_0)$，有梯度：

$$\nabla f(x_0, y_0) = grad\ f(x_0,y_0) = f_x(x_0, y_0)i + f_y(x_0, y_0)j$$ 其中 $$\nabla = \frac{\partial}{\partial x}i + \frac{\partial}{\partial y}j$$ 称为 向量微分算子/Nabla算子

与方向导数相联系，可得：

$$\frac{\partial f}{\partial l}|_{x_0,y_0} = \nabla f(x_0, y_0)e_l = |\nabla f(x_0, y_0)|\cos \theta$$ $$\theta = \widehat{(\nabla f(x_0,y_0), e_l)}$$
由上述联系可得：

• 当$\theta=0 或 e_l 与\nabla f(x_0,y_0)的方向相同$时，函数$f(x,y)$增长最快，此时函数在这个方向的方向导数达到最大值，$\frac{\partial f}{\partial l}|_(x_0,y_0) = |\nabla f(x_0,y_0)|$
• 当$\theta=\pi 或 e_l 与\nabla f(x_0,y_0)的方向相反$时，函数$f(x,y)$减少最快，此时函数在这个方向的方向导数达到最小值，$\frac{\partial f}{\partial l}|_(x_0,y_0) = -|\nabla f(x_0,y_0)|$
• 当$\theta=\frac{\pi}{2} 或 e_l 与\nabla f(x_0,y_0)的正交$时，函数$f(x,y)$变化率为零，此时函数在这个方向的方向导数为0，$\frac{\partial f}{\partial l}|_(x_0,y_0) = 0$

梯度的运算法则：

• $\nabla(Cf) = C\nabla f$
• $\nabla(f \pm g) = \nabla f \pm \nabla g$
• $\nabla(f·g) = f\nabla g + g\nabla f$
• $\nabla(\frac{f}{g}) = \frac{f\nabla g - g\nabla f}{g^2}$