方向导数和梯度概念辨析
我们在学习多元函数的时候,经常会困惑于方向导数和梯度的区别以及他们的几何意义,今天让我们来一起辨析一下。
一、什么是方向导数?
定义:函数的增量
f
(
x
+
△
x
,
y
+
△
y
)
−
f
(
x
,
y
)
f(x+\bigtriangleup x,y+\bigtriangleup y)-f(x,y)
f(x+△x,y+△y)−f(x,y)与
P
P
′
PP^{'}
PP′两点间的距离
ρ
=
(
△
x
)
2
+
(
△
y
)
2
\rho =\sqrt{(\bigtriangleup x)^{2}+(\bigtriangleup y)^{2} }
ρ=(△x)2+(△y)2的比值,当
P
′
P^{'}
P′ 沿l趋近于P时,如果此比的极限存在,则称这极限为函数在P 点沿l的方向导数。记作
∂
f
∂
l
\frac{\partial f}{\partial l}
∂l∂f,也就是
lim
ρ
→
0
△
l
z
ρ
=
lim
ρ
→
0
f
(
x
+
△
x
,
y
+
△
y
)
−
f
(
x
,
y
)
ρ
\lim_{ \rho \to 0} \frac{\bigtriangleup l^{z} }{\rho } =\lim_{\rho \to 0} \frac{f(x+\bigtriangleup x,y+\bigtriangleup y)-f(x,y)}{\rho }
limρ→0ρ△lz=limρ→0ρf(x+△x,y+△y)−f(x,y)。
定义永远是晦涩的,如果我们来形象的类比一下,之前学到的偏导数是指当一个变量变化(例如:x、y),然后函数随着另一个固定变量的方向进行变化,偏导数就是变化的趋势。那么到这里的方向导数就是将编导数的范围扩大化,从一个变量变化到两个变量甚至多个变量同时变化,但是这个变化同样是沿着空间中的一条线l。
我们来看方向导数的几何解释就会更直观的理解:
如图所示,图a指xoy平面内,曲线l的投影,我们所求的 ∂ f ∂ l \frac{\partial f}{\partial l} ∂l∂f方向向量图b中就是p点上方z=f(x,y)曲线沿着曲线l切线的斜率,可以这么说:方向向量是你用一把名为切线的尺子在这个曲面上来回的摩擦,而这个方向向量就是你在各个l方向各个位置,这把切线尺子的斜率。
让我们在对照着图a,引出线面的定理: ∂ f ∂ x = ∂ f ∂ x cos α + ∂ f ∂ x β \frac{\partial f}{\partial x} = \frac{\partial f}{\partial x}\cos \alpha + \frac{\partial f}{\partial x}\beta ∂x∂f=∂x∂fcosα+∂x∂fβ,其中 cos α , cos β \cos \alpha,\cos \beta cosα,cosβ是方向l的方向余弦。
不难理解,其实方向向量可以用x和y两个方向的偏导数进行组合来表示,证明如下:
函数可微,那么等量可以表示为: f ( x + △ x , y + △ y ) − f ( x , y ) = ∂ f ∂ x △ x + ∂ f ∂ y △ y + o ( ρ ) f(x+\bigtriangleup x,y+\bigtriangleup y)-f(x,y)=\frac{\partial f}{\partial x} \bigtriangleup x+\frac{\partial f}{\partial y}\bigtriangleup y+o(\rho ) f(x+△x,y+△y)−f(x,y)=∂x∂f△x+∂y∂f△y+o(ρ)
我们两边同时除以 ρ \rho ρ,得 f ( x + △ x , y + △ y ) − f ( x , y ) ρ = ∂ f ∂ x △ x ρ + ∂ f ∂ y △ y ρ + o ( ρ ) ρ \frac{f(x+\bigtriangleup x,y+\bigtriangleup y)-f(x,y)}{\rho }=\frac{\partial f}{\partial x}\frac{\bigtriangleup x}{\rho }+ \frac{\partial f}{\partial y}\frac{\bigtriangleup y}{\rho } +\frac{o(\rho )}{\rho } ρf(x+△x,y+△y)−f(x,y)=∂x∂fρ△x+∂y∂fρ△y+ρo(ρ)
那么 △ x ρ \frac{\bigtriangleup x}{\rho } ρ△x △ y ρ \frac{\bigtriangleup y}{\rho } ρ△y就是 cos α , cos β \cos \alpha,\cos \beta cosα,cosβ所以有 ∂ f ∂ x = ∂ f ∂ x cos α + ∂ f ∂ x β \frac{\partial f}{\partial x} = \frac{\partial f}{\partial x}\cos \alpha + \frac{\partial f}{\partial x}\beta ∂x∂f=∂x∂fcosα+∂x∂fβ。
warning:
1、在这里我们要继续对偏导数和沿x、y轴的方向导数进行辨析:偏导存在是比沿x、y轴的方向导数存在更高级的概念,偏导存在能推出沿x、y轴的方向导数存在,反之不行。
2、以上概念都能推到多元函数。
二、什么是梯度?
定义:设函数z = f (x, y)在平面区域 D 内具有阶连续偏导数,则对于每一点 p ( x , y ) ∈ D p(x,y)\in D p(x,y)∈D,都可以定出一个向量 ∂ f ∂ x i ⃗ + ∂ f ∂ y j ⃗ \frac{\partial f}{\partial x} \vec{i} +\frac{\partial f}{\partial y} \vec{j} ∂x∂fi+∂y∂fj ,这向量称为函数z=f(x,y)在点P(x,y)的梯度,记作 g r a d f ( x , y ) = ∂ f ∂ x i ⃗ + ∂ f ∂ y j ⃗ gradf(x,y)=\frac{\partial f}{\partial x} \vec{i} +\frac{\partial f}{\partial y} \vec{j} gradf(x,y)=∂x∂fi+∂y∂fj。
我们和方向向量进行比较,我们可以发现方向导数就是梯度乘以l方向上的单位向量。
可以这么说在梯度的方向上是方向向量取最大值的时刻,是函数值增加最快的时刻,如果用更形象的方法来比喻,
函数梯度方向和函数在这点等高线的发现的方向相同,且是从低等高线指向高等高线,而且模就是这个函数在这个法线方向的方向导数。
总结:函数在某点的梯度是这样一个向量,它的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.梯度的模为
(
∂
f
∂
x
)
2
+
(
∂
f
∂
y
)
2
\sqrt{(\frac{\partial f}{\partial x})^{2}+(\frac{\partial f}{\partial y})^{2} }
(∂x∂f)2+(∂y∂f)2
总结:
1、方向导数是数
2、梯度是向量
3、梯度的方向就是函数在这点增长最快的方向,以此类推,降低最快的就是梯度的反方向,变化最慢的就和梯度垂直。
最后,感谢你阅读完以上内容,你的赞是我继续记录的最大鼓励。