梯度与散度与拉普拉斯算子

梯度(矢量)

梯度的本意是一个向量(矢量),表示某一函数在该点处的方向导数沿着该方向取得最大值,即函数在该点处沿着该方向(此梯度的方向)变化最快,变化率最大(为该梯度的模)

假设一个三元函数  在空间区域G内具有一阶连续偏导数,点  ,称向量 

为函数  在的梯度,记为  或  

即     =  

                              = 

                              =(\frac{\partial f}{\partial x},\frac{\partial f}{\partial y},\frac{\partial f}{\partial k})

其中      

称为(三维的)向量微分算子或Nabla算子,

  。

同样,该梯度方向与取得最大方向导数的方向一致,而它的模为方向导数的最大值。

散度(标量),计算符号是“·

   散度(divergence)可用于表征空间各点矢量场发散的强弱程度,物理上,散度的意义是场的有源性。当div F>0 ,表示该点有散发通量的正源(发散源);当div F<0 表示该点有吸收通量的负源(洞或汇);当div F=0,表示该点无源。

散度是作用在向量场上的一个算子。用三维空间来举例,向量场就是在空间每一点处都对应一个三维向量的向量函数:

F(x,y,z)=(v_1(x,y,z),v_2(x,y,z),v_3(x,y,z))^T

div(F)=\frac{\partial v_1}{\partial x}+\frac{\partial v_2}{\partial y}+\frac{\partial v_3}{\partial z}。 它是一个标量函数(场),也就是说,在定义空间中每一点的散度是一个值。

矢量V的散度在笛卡尔坐标(直角坐标系)下的表达式:

                                                        

向量场A,数量场u

▽称为汉密尔顿算子,  ▽·▽=△,

△称为拉普拉斯算子。

梯度▽u

散度·A   (点乘结果为数)

两者之间一个有“.”符号,一个没有“.”符号!!!

拉普拉斯算子

      拉普拉斯算子(Laplace Operator)是n维欧几里德空间中的一个二阶微分算子,定义为梯度(▽f)的散度(▽·f)。

    

          =div(grad f)

笛卡尔坐标系下的表示法

                      

相关推荐
©️2020 CSDN 皮肤主题: 技术黑板 设计师:CSDN官方博客 返回首页