梯度的旋度为零证明_梯度，旋度，与散度

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

，