梯度、散度、旋度与麦克斯韦方程组

麦克斯韦方程组在大学物理是比较难以理解的一组方程。它们的推导过程与梯度、散度、与旋度具有密切的关系。本文主要通过对三维空间中梯度、散度与旋度的解释来分析麦克斯韦方程组。为了方便表示，这里$f(x,y,z)$表示一个含有三个变量x,y,z的一个函数，并且设$f(x,y,z)=x^2+y^2+z^2$。$\vec{F}=<P,Q,R>$表示空间中的矢量场。可以是梯度场、速度场、力场等。这里就假设是函数f(x,y,z)对应的梯度场。

0. $▽$ 算子

又叫“del”算子，即$<\frac{\partial }{\partial x},\frac{\partial }{\partial y},\frac{\partial }{\partial z}>$。可以理解为一个符号向量，向量里的元素是偏微分运算符号，没有任何具体意义，只是一个表示方法。

1. 梯度、散度、旋度

有了$▽$算子，梯度、散度、旋度都可以用$▽$向量来表示。

梯度 gradient

函数$f(x,y,z)$(标量)的梯度可以理解为$▽$向量与函数的乘积,即：
$$grad(f)=▽f=<\frac{\partial }{\partial x},\frac{\partial }{\partial y},\frac{\partial }{\partial z}>f=<\frac{\partial f}{\partial x},\frac{\partial f}{\partial y},\frac{\partial f}{\partial z}>$$
针对一开始给出的例子，可知： $▽f=<2x,2y,2z>$

散度 divergence

散度是表示矢量扩散程度的一个量，是对场的一个运算。散度可以表示为$▽$向量与矢量场的点积，这里以$\vec{F}=<P,Q,R>$为例子，则：
d i v ( F ⃗ ) = ▽ ⋅ F ⃗ = &lt; ∂ ∂ x , ∂ ∂ y , ∂ ∂ z &gt; ⋅ &lt; P , Q , R &gt; = ∂