向量
向量的定义
所谓向量, 就是有长度及方向的量, 一般由多个标量组合而成。
例:
点A(x, y) 到 点B(x, y) 的向量表示为
A
B
→
\overrightarrow{AB}
AB
A
B
→
=
(
B
x
−
A
x
,
B
y
−
A
y
)
\overrightarrow{AB}=({B}_{x} - {A}_{x}, {B}_{y} - {A}_{y})
AB=(Bx−Ax,By−Ay)
3D游戏中表示向量 点 B (x, y, z) 为
B
→
\overrightarrow{B}
B. 只有一个点, 是因为默认点A(x, y, z) 的坐标为 (0, 0, 0). 带入上面的公式为:
B
→
=
(
B
x
−
A
x
,
B
y
−
A
y
,
B
z
−
A
z
)
\overrightarrow{B}=({B}_{x} - {A}_{x}, {B}_{y} - {A}_{y}, {B}_{z} - {A}_{z})
B=(Bx−Ax,By−Ay,Bz−Az)
B
→
=
(
B
x
−
0
,
B
y
−
0
,
B
z
−
0
)
\overrightarrow{B}=({B}_{x} - 0, {B}_{y} - 0, {B}_{z} - 0)
B=(Bx−0,By−0,Bz−0)
B
→
=
(
B
x
,
B
y
,
B
z
)
\overrightarrow{B}=({B}_{x}, {B}_{y}, {B}_{z})
B=(Bx,By,Bz)
向量数乘
向量 B(x, y) 与实数 n 的乘积为一个向量, 记做 nB .
例:
向量 B(x, y) 与 n 做数乘云算.
n
B
=
(
B
x
∗
n
,
B
y
∗
n
)
nB =({B}_{x} * n, {B}_{y} * n)
nB=(Bx∗n,By∗n)
向量数乘的几何意义
向量的数乘, 表现为向量的方向和向量的模 ( 向量的长度 ) 的变化, 可以看做对 向量方向, 向量长度 的调整算法:
当 n > 0 时, 向量方向不不变, 模 ( 向量的长度 ) 变为原来的 |n| 倍.
当 n < 0 时, 向量方向变为原来的反方向, 模 ( 向量的长度 ) 变为原来的 |n| 倍.
当 n = 0 时, 向量变为 0 向量, 模 ( 向量的长度 ) 等于 0 .
向量加法和减法
两个向量必须维度相同才能相加, 相减. 结果向量的维度与原向量相同.
例:
向量 W = Q + P, (Q, P 同为三维向量)
W
=
(
Q
x
+
P
x
,
Q
y
+
P
y
,
Q
z
+
P
z
)
W = ( {Q}_{x} + {P}_{x}, {Q}_{y} + {P}_{y}, {Q}_{z} + {P}_{z} )
W=(Qx+Px,Qy+Py,Qz+Pz)
向量加法和减法的几何意义
向量 a 和 b 的相加的几何解释为: 平移向量, 使向量a的头连接向量b的尾,接着从 a 的尾向 b 的头化一个向量. 这就是向量加法的 “三角形法则”. 向量减法与之类似.
加法: 向量 A + 向量 B = 0点 到 向量A + 向量A作为起点. 平移过来的向量B
图解:
减法: 向量 A - 向量 B = B为起点 A为终点的 向量
图解:
向量的长度(模)
向量的大小称为向量的长度或者模,
向量
V
V
V 的长度记为
∣
V
∣
\left | V \right |
∣V∣
向量长度的计算
一个
n
n
n 维向量
V
V
V 的长度(模), 得到下面公式:
∣
V
∣
=
∑
i
=
1
n
V
i
2
\left | V \right |=\sqrt{ \sum_{i=1 }^{n} {V_{i}}^{2} }
∣V∣=i=1∑nVi2
对于三维向量
V
V
V, 可以展开为:
∣
V
∣
=
V
x
2
+
V
y
2
+
V
z
2
\left | V \right |=\sqrt{ {V_{x}}^{2} + {V_{y}}^{2} + {V_{z}}^{2} }
∣V∣=Vx2+Vy2+Vz2
单位向量
长度为 1 的向量称为单位向量, 单位向量也使用上标符号^, 记为向量 V ^ \widehat{V} V (hat V)
向量的单位化
对于任意
n
n
n 维非零向量
V
V
V, 可以通过对于每一维上的数除以
∣
V
∣
\left | V \right |
∣V∣ 将向量
V
V
V的长度变为单位长度, 这个操作称为向量的单位化. 单位化后的向量记作
V
^
\widehat{V}
V
公式:
V
^
=
V
∣
V
∣
,
V
≠
0
\widehat{V}=\frac{V}{\left | V \right |}, V\neq 0
V
=∣V∣V,V̸=0
例:
单位化 2D 向量[12, -5]:
[
12
,
−
5
]
∣
[
12
,
−
5
]
∣
=
[
12
,
−
5
]
[
1
2
2
+
−
5
2
]
\frac{\left [ 12 , -5\right ]}{\left | \left [ 12 , -5\right ] \right |} =\frac{\left [ 12 , -5\right ]}{ \sqrt{\left [ 12^{2} + -5^{2}\right ] }}
∣[12,−5]∣[12,−5]=[122+−52][12,−5]
=
[
12
,
−
5
]
169
=\frac{\left [ 12 , -5\right ]}{ \sqrt{ 169 }}
=169[12,−5]
=
[
12
,
−
5
]
13
=\frac{\left [ 12 , -5\right ]}{ 13 }
=13[12,−5]
=
[
0.923
,
−
0.385
]
=\left [ 0.923 , -0.385\right ]
=[0.923,−0.385]
向量的点乘(点积)
数量积也叫内积, 点积, 求数量积的过程, 称为点乘. 两个
n
n
n 维向量
P
P
P和
Q
Q
Q的数量积, 记作
P
⋅
Q
P \cdot Q
P⋅Q
公式:
P
⋅
Q
=
∑
i
=
1
n
P
i
Q
i
P \cdot Q = \sum_{i=1 }^{n} {P_{i} Q_{i}}
P⋅Q=i=1∑nPiQi
三维向量的点乘, 可以展开为:
P
⋅
Q
=
P
x
Q
x
+
P
y
Q
y
+
P
z
Q
z
P \cdot Q = P_{x} Q_{x} + P_{y} Q_{y} + P_{z} Q_{z}
P⋅Q=PxQx+PyQy+PzQz
向量点乘(点积)的几何意义
一般来说, 点乘结果描述了两个向量的 “相似” 程度, 点乘结果越大, 两个向量越相近. 已知两个向量
P
P
P 和
Q
Q
Q 的长度和他们的夹角
α
\alpha
α. 则
P
⋅
Q
P \cdot Q
P⋅Q 满足下面公式:
P
⋅
Q
=
∣
P
∣
∣
Q
∣
c
o
s
α
P \cdot Q = \left | P \right| \left | Q \right| cos \space \alpha
P⋅Q=∣P∣∣Q∣cos α