下标表示法和曲面坐标系

   最近在学《电磁场与电磁波》，其中应用到了爱因斯坦标记法（Einstein notation)，以简便地表示向量运算； 对于有别于直角坐标系的曲面坐标系(curvilinear coordinates)，梯度（gradient）、旋度(curl)和散度(divergence)的表达式也不尽相同，但仍可通过拉梅系数统一。

下标表示法¹

在课程中，爱因斯坦标记法主要指一种对向量的下标表示法，且对于标量 $C$，其表示仍为 $C$ 。

异名下标的遍历作用

对于向量 $\mathbf{B}$，则用 $b_i$ 进行表示，意义为 $b_i={\sum }_{i=1}^3{b}_i\overrightarrow{e_i}=\left[\begin{array}{c}{b}_1\\ b_2\\ b_3\end{array}\right]$²

对于$A_{ij}$,则可以表示一个$3\times 3$的的矩阵，即$A_{ij}={\sum }_{i=1}^3{\sum }_{j=1}^3{a}_{ij}\overrightarrow{e_{ij}}=\left[\begin{array}{c}{a}_{11}{a}_{12}{a}_{13}\\ a_{21}{a}_{22}{a}_{23}\\ a_{31}{a}_{32}{a}_{33}\end{array}\right]$

可以认为 每一个下标的存在对应着 3个状态（带位置属性），若有 N个下标，则就有分布在 N维上的 $3^N$个元素，异名下标起到了遍历作用。

对于两个向量 $\mathbf{U}$和 $\mathbf{V}$ 的相加，结果为向量 $\mathbf{W}$ ，就有 $u_i+v_i=w_i$，属于遍历性逐项相加的过程。

同名下标的求和作用

当在一个积式中出现两个相同的下标时，就意味着相加求和，这是重要的一个规则。如对于两个向量 $\mathbf{U}$ 和 $\mathbf{V}$ 的点积，结果为标量 W，就有:

W = $\mathbf{U}$ · $\mathbf{V}$ = ${\sum }_{i=1}^3{u}_i\overrightarrow{e_i}\cdot {\sum }_{i=1}^3{v}_i\overrightarrow{e_i}={\sum }_{i=1}^3{u}_i{v}_i=u_i{v}_i$

值得注意的是，区分三组式子：


$$\frac{\partial f_i}{\partial x_i}=\frac{\partial {\sum }_{i=1}^3{f}_i\overrightarrow{e_i}}{\partial {\sum }_{i=1}^3{x}_i\overrightarrow{e_i}}=\sum _{i=1}^3\frac{\partial f_i}{\partial x_i}（1）$$ 结果为一个标量,即向量 F 的散度，$\nabla \cdot$ F $=\frac{\partial f_i}{\partial x_i}$


$$\frac{\partial f}{\partial x_i}=\frac{\partial f}{\partial {\sum }_{i=1}^3{x}_i\overrightarrow{e_i}}=\sum _{i=1}^3\frac{\partial f}{\partial x_i}\overrightarrow{e_i}(2)$$
结果为一个向量,即标量 $f$ 的梯度，$\nabla f=\frac{\partial f}{\partial x_i}$


$$\frac{\partial f_i}{\partial x_j}=\frac{\partial {\sum }_{i=1}^3{f}_i\overrightarrow{e_i}}{\partial {\sum }_{j=1}^3{x}_j\overrightarrow{e_j}}=\sum _{i=1}^3\sum _{j=1}^3\frac{\partial f_i}{\partial x_j}\overrightarrow{e_j}(3)$$
结果为一个向量，为向量 $\mathbf{F}$ 各个方向上坐标值的梯度和，即$\nabla (\mathbf{F}\cdot \overrightarrow{e_i})=\frac{\partial f_i}{\partial x_j}$

如（1）（2）（3）所示，只有当组合式中的下标出现偶数次 (存在一对同名下标) 时，才会得到标量，否则得到向量。

克罗内克符号和交变张量

克罗内克符号（Kronecker delta) ${\delta }_{ij}$定义如下：
$${\delta }_{ij}=\{\begin{array}{ll}0& i\ne j\\ 1& i=j\end{array}=\left[\begin{array}{c}100\\ 010\\ 001\end{array}\right](4)$$

显然，由于矩阵为对角阵，${\delta }_{ij}={\delta }_{ji}$


一个重要的化简式： $${\delta }_{ij}{a}_j=\left[\begin{array}{c}100\\ 010\\ 001\end{array}\right]\left[\begin{array}{c}{a}_1\\ a_2\\ a_3\end{array}\right]=\left[\begin{array}{c}{a}_1{a}_2{a}_3\end{array}\right]=a_i(5)$$
即可认为 ${\delta }_{ij}$ 乘上一个向量后具有维度转换的功能。

类似的，也有 ${\delta }_{ij}{\delta }_{jk}={\delta }_{ik}$，直观地看，就是下标的相消。


交变张量（alternating tensor）${ϵ}_{ijk}$定义如下：
$${ϵ}_{ijk}=\{\begin{array}{ll}+1& (i,j,k)=(1,2,3),(2,3,1),(3,1,2)\\ -1& (i,j,k)=(3,2,1),(2,1,3),(1,3,2)\\ 0& (i,j,k)=else\end{array}(6)$$

便于记忆的方式是，顺序排列取+1，逆序排列取-1，其余均取0。由异名下标的遍历作用，可以知道${ϵ}_{ijk}$表示了一个$3\times 3\times 3$ 的共 27个元素的张量。


由定义也容易看出，${ϵ}_{ijk}={ϵ}_{jki}={ϵ}_{kij}$ 和 ${ϵ}_{ijk}=-{ϵ}_{jik}$

我们可以使用交变张量来表示向量的叉乘, 如 $\mathbf{c}=\mathbf{a}\times \mathbf{b}$，即 $c_i=(\mathbf{a}\times \mathbf{b}{)}_i={ϵ}_{ijk}{a}_j{b}_k$

当然，同样可以用三个求和符号来展开叉乘运算：${ϵ}_{ijk}{a}_j{b}_k={\sum }_{i=1}^3{\sum }_{j=1}^3{\sum }_{k=1}^3{ϵ}_{ijk}{a}_j{b}_k\overrightarrow{e_i}$

一个重要的代换式：$${ϵ}_{ijk}{ϵ}_{klm}={\delta }_{il}{\delta }_{jm}-{\delta }_{im}{\delta }_{jl}(7)$$
该式可通过逐层待定各下标取值后枚举各种情况得到证明。两个交变张量积可转换为两项克罗内克符号积的差，这有利于实际化简，即 $27\times 27\to 9\times 9-9\times 9$。


如证明标量三重积满足交换律，即证 $\mathbf{a}\cdot (\mathbf{b}\times \mathbf{c})=\mathbf{b}\cdot (\mathbf{c}\times \mathbf{a})=\mathbf{c}\cdot (\mathbf{a}\times \mathbf{b})$

$证明:$
$由于{ϵ}_{ijk}{a}_i{b}_j{c}_k={ϵ}_{jki}{b}_j{c}_k{a}_i={ϵ}_{kij}{c}_k{a}_i{b}_j，故$ $\mathbf{a}\cdot (\mathbf{b}\times \mathbf{c})=\mathbf{b}\cdot (\mathbf{c}\times \mathbf{a})=\mathbf{c}\cdot (\mathbf{a}\times \mathbf{b})$

再如证明向量三重积满足$\mathbf{a}\times (\mathbf{b}\times \mathbf{c})=(\mathbf{a}\cdot \mathbf{c})\mathbf{b}-(\mathbf{a}\cdot \mathbf{b})\mathbf{c}$
$证明：$
$[\mathbf{a}\times (\mathbf{b}\times \mathbf{c}){]}_{\mathbf{i}}={ϵ}_{ijk}{a}_j{ϵ}_{klm}{b}_l{c}_m=({\delta }_{il}{\delta }_{jm}-{\delta }_{im}{\delta }_{jl})a_j{b}_l{c}_m=a_m{b}_i{c}_m-a_j{b}_j{c}_i=[(\mathbf{a}\cdot \mathbf{c})\mathbf{b}-(\mathbf{a}\cdot \mathbf{b})\mathbf{c}{]}_{\mathbf{i}}$

场的梯度、散度和旋度

先定义哈密顿算符$\nabla$，哈密顿算符具有微分和向量的双重性质。
$$[\nabla {]}_i=\frac{\partial }{\partial x_i}$$

由哈密顿算符可以导出梯度、散度和旋度的表达式。
$$梯度[\nabla f{]}_i=\frac{\partial f}{\partial x_i}(8)$$
$$散度\nabla \cdot \mathbf{u}=\frac{\partial u_i}{\partial x_i}(9)$$
$$旋度[\nabla \times \mathbf{u}{]}_i={ϵ}_{ijk}\frac{\partial u_k}{\partial x_j}(10)$$

求梯度的散度

$$\nabla \cdot (\nabla f)=\frac{{\partial }^{2}f}{（\partial x_i{）}^2}={\nabla }^{2}f$$
该式表明梯度的散度即是标量场的拉普拉斯运算。

求梯度的旋度

$$[\nabla \times (\nabla f){]}_i={ϵ}_{ijk}\frac{\partial }{\partial x_j}\frac{\partial f}{\partial x_k}={ϵ}_{ikj}\frac{\partial }{\partial x_k}\frac{\partial f}{\partial x_j}=-{ϵ}_{ijk}\frac{\partial }{\partial x_j}\frac{\partial f}{\partial x_k}=0(11)$$
该式表明，所有保守场（即可表示为某个标量场的梯度）的旋度为0。

求散度的梯度

$$[\nabla (\nabla \cdot \mathbf{u}){]}_i=\frac{\partial }{\partial x_i}\frac{\partial u_j}{\partial x_j}=\frac{{\partial }^2{u}_j}{\partial x_i\partial x_j}$$
该式已经化到最简，结果为向量。

求旋度的散度

$$\nabla \cdot (\nabla \times \mathbf{u})=\frac{\partial }{\partial x_i}{ϵ}_{ijk}\frac{u_k}{x_j}={ϵ}_{jik}\frac{\partial }{\partial x_j}\frac{\partial u_k}{\partial x_i}=-{ϵ}_{ijk}\frac{\partial }{\partial x_i}\frac{\partial u_k}{x_j}=0(12)$$
该式表明，所有有旋场(即可表示为某个向量场的旋度)的散度为0。

求旋度的旋度

$$[\nabla \times (\nabla \times \mathbf{u}){]}_i={ϵ}_{ijk}\frac{\partial }{\partial x_j}{ϵ}_{klm}\frac{u_m}{x_l}=({\delta }_{il}{\delta }_{jm}-{\delta }_{im}{\delta }_{jl})\frac{{\partial }^2{u}_m}{\partial x_j\partial x_l}=\frac{{\partial }^2{u}_j}{\partial x_j\partial x_i}-\frac{{\partial }^2{u}_i}{\partial x_j\partial x_j}=[\nabla (\nabla \cdot \mathbf{u})-{\nabla }^2\mathbf{u}{]}_i$$
该式给出了向量场的拉普拉斯运算，即：
$${\nabla }^2\mathbf{u}=\nabla (\nabla \cdot \mathbf{u})-\nabla \times (\nabla \times \mathbf{u})(13)$$
可利用上式在推导有旋场的旋度时进行转换化简。

场量的梯度、散度和旋度

公式	意义3
$\nabla (fg)=g\nabla f+f\nabla g$	标量乘标量的梯度满足复合求导法则
$\nabla \cdot (f\mathbf{u})=\nabla f\cdot \mathbf{u}+f\nabla \cdot \mathbf{u}$	标量乘向量的散度满足复合求导法则
$\nabla \times (f\mathbf{u})=\nabla f\times \mathbf{u}+f\nabla \times \mathbf{u}$	标量乘向量的旋度满足复合求导法则
$\nabla \cdot (\mathbf{u}\times \mathbf{v})=(\nabla \times \mathbf{u})\cdot \mathbf{v}-(\nabla \times \mathbf{v})\cdot \mathbf{u}$	向量叉乘的散度等于散度的点乘差
$\nabla \times (\mathbf{u}\times \mathbf{v})=\mathbf{u}(\nabla \cdot \mathbf{v})+\mathbf{v}\cdot \nabla \mathbf{u}-\mathbf{u}\cdot \nabla \mathbf{v}-\mathbf{v}(\nabla \cdot \mathbf{u})$ 4	向量叉乘的旋度等于散度和梯度的点乘差
$\nabla (\mathbf{u}\cdot \mathbf{v})=\mathbf{u}\times (\nabla \times \mathbf{v})+\mathbf{v}\times (\nabla \times \mathbf{u})+\mathbf{u}\cdot \nabla \mathbf{v}+\mathbf{v}\cdot \nabla \mathbf{u}$	向量点乘的梯度等于旋度的叉乘加梯度的点乘

以上各公式均可推导得到，下以最后一式的证明为例：

$证明:$
$由于{[\mathbf{u}\times (\nabla \times \mathbf{v})]}_i={ϵ}_{ijk}{u}_j{ϵ}_{klm}\frac{\partial v_m}{\partial x_l}=({\delta }_{il}{\delta }_{jm}-{\delta }_{im}{\delta }_{jl})u_j\frac{\partial v_m}{\partial x_l}=u_j\frac{\partial v_j}{\partial x_i}-u_j\frac{\partial v_i}{\partial x_j}$

$同理，互换字母就有{[\mathbf{v}\times (\nabla \times \mathbf{u})]}_i=v_j\frac{\partial u_j}{\partial x_i}-v_j\frac{\partial u_i}{\partial x_j}$

$所以{[\mathbf{u}\times (\nabla \times \mathbf{v})+\mathbf{v}\times (\nabla \times \mathbf{u})]}_i=u_j\frac{\partial v_j}{\partial x_i}-u_j\frac{\partial v_i}{\partial x_j}+v_j\frac{\partial u_j}{\partial x_i}-v_j\frac{\partial u_i}{\partial x_j}=[\nabla (\mathbf{u}\cdot \mathbf{v})-\mathbf{u}\cdot \nabla \mathbf{v}-\mathbf{v}\cdot \nabla \mathbf{u}{]}_i$

$移项后就有\nabla (\mathbf{u}\cdot \mathbf{v})=\mathbf{u}\times (\nabla \times \mathbf{v})+\mathbf{v}\times (\nabla \times \mathbf{u})+\mathbf{u}\cdot \nabla \mathbf{v}+\mathbf{v}\cdot \nabla \mathbf{u}$

在实际中熟练运用上述公式，可以简便场量运算。

曲面坐标系

拉梅系数

同直角坐标系均采用长度均为度量单位不同，曲面坐标系通过引入弧长使得能够用角度来表示曲面，从而存在角度与长度间的拉梅系数转换（也可以说是出于量纲统一的考虑）。一般而言，拉梅系数：
$$h_i=\frac{\partial l_i}{\partial u_i}(14)$$
即该坐标方向上的长度增量 $\partial l_i$与坐标增量 $\partial u_i$的比值。

个人理解：在柱和球坐标系中，即为坐标向量所在平面的圆弧半径。

坐标系	$h_1$	$h_2$	$h_3$
直角（x，y，z）	1	1	1
柱 （ρ，φ，z)	1	ρ	1
球 （r，θ，φ）	1	r	rsinθ

公式

得到拉梅系数后，就可统一表达梯度、散度、拉普拉斯和旋度的求解公式。⁵

意义	公式
梯度	$\nabla f=[\nabla \frac{f}{h_i}{]}_i=\frac{\partial f}{h_i\partial u_i}$
散度	$\nabla \cdot \mathbf{A}=\nabla \cdot A_i=\frac{\partial （h_{!i}{A}_i）}{h_{\ast }\partial u_i}$
拉普拉斯	${\nabla }^{2}f=\nabla \cdot [\nabla \frac{f}{h_i}{]}_i=\frac{\partial }{h_{\ast }\partial u_i}(\frac{h_{!i}\partial f}{h_i\partial u_i})$
旋度	$\nabla \times \mathbf{A}={ϵ}_{ijk}{\nabla }_j\cdot A_k={ϵ}_{ijk}\frac{\partial (h_k{A}_k)}{h_{!i}\partial u_j}$

感觉也没简单多少（兀然）

在具体问题分析中，往往直接记下相应的公式会更加简便，虽然实际问题求解时更多考察微元的选取。

---

1. 参照《Vector Calculus》该书的《Suffix Notation and its Applications》章节 ↩︎

2. 矩阵和求和表示属个人理解，推导尚缺严谨性 ↩︎

3. 此部分亦属个人概念阐释，方便直观理解 ↩︎

4. 新定义算符 $\mathbf{u}\cdot \nabla =u_j\frac{\partial }{\partial x_j}$，同拉普拉斯算符 ${\nabla }^2$一样，既可作用于标量，也可作用于向量 ↩︎

5. 定义$h_i$表示第i个拉梅系数，$h_{!i}$表示除$h_i$外的两个拉梅系数的乘积，$h_{\ast }$表示所有拉梅系数的乘积，均为标量。如对于$h_1$，则$h_{!1}=h_2{h}_3，h_{\ast }=h_1{h}_2{h}_3$ ↩︎