在介绍梯度,旋度,与散度这些东西之前,我们首先引入一个东西:nabla算符
(也叫做向量微分算子),其中
。
这个东西到底有什么用呢,继续向下看,你就会明白我把这个东西放在最前面的用意。梯度:在介绍梯度之前,就不得不说方向向量的事情。首先假设我们都是纸片人,在爬一座纸片山
显然我们向上爬的时候,每一处地方,山的陡峭程度是不同的。我们直观的感受就是爬山的时候费不费力。在二维中,这个陡峭程度我们把它叫做导数,导数可以表示函数曲线上的切线斜率。除了切线的斜率,导数还表示函数在该点的变化率。
回到现实,我们开始爬这座三维的山,不同于二维之中,我们只能上下爬山,在三维之中,当我们站在一个点的时候,我们可以向四周随意行动(注意安全)。这也就意味着在这一点有着无数的方向,这么多方向,我们如何才能把他们表示出来呢?这时我们有了一个好办法,就像在一个坐标系中的向量可以用x,y轴上的单位向量表示一样,我们可以建立空间直角坐标系,把山放进坐标系之中,假设山坡可以表示为
,和之前的思想类似,我们同样可以把不同方向的斜率用x,y方向上的变化表示。而y方向的斜率可以对y偏微分得到.,x方向的斜率可以对x偏微分得到。这里我们直接给出这个结论:
设
。我们可以把之前这个式子写成两个向量点积的形式,
,
一点处的方向导数有很多,但是如果我们要找一个最大,那么
。
这时候当A和I重合时,方向导数最大,也就意味着这时,在这一点,山是最陡峭的。这时我们把A命名为梯度,记作
,