Have a Question?

梯度、散度、旋度 (Gradient, Divergence, Curl)

You are here:

0 Hamiltonian 算子 | Nabla symbol

向量算子是向量分析的工具,以三维空间为例,这里首先定义 Hamiltonian 算子:它表示某一物理量在三个坐标方向偏导数的和,公式如下:
\begin{equation} \nabla=\frac{\partial}{\partial x} \mathbf{i}+\frac{\partial}{\partial y} \mathbf{j}+\frac{\partial}{\partial z} \mathbf{k} \end{equation}
当然这一算子也可以推广到多维空间。

还是以三维空间为例,预设定义:
向量函数:\mathbf{F}=\left(F_1, F_2, F_3\right)
纯量函数:f

再结合几种矢量运算:
已知向量 \mathbf{a}\mathbf{b}
\begin{equation} \begin{aligned} &\mathbf{a}=\left(a_1, a_2, a_3\right) \\ &\mathbf{b}=\left(b_1, b_2, b_3\right) \end{aligned} \end{equation}
以及标量 s
向量与标量直积:
\begin{equation} \mathbf{a} s=a_1 \cdot s+a_2 \cdot s+a_3 \cdot s \end{equation}
向量内积(点乘):
\begin{equation} \mathbf{a} \bullet \mathbf{b}=a_1 b_1+a_2 b_2+a_3 b_3 \end{equation}
向量外积(叉乘、向量积):
\begin{equation} \mathbf{a} \times \mathbf{b}=\left|\begin{array}{lll} \mathrm{i} & \mathrm{j} & \mathrm{k} \\ x_1 & y_1 & z_1 \\ x_2 & y_2 & z_2 \end{array}\right|=\left(y_1 z_2-y_2 z_1\right) i-\left(x_1 z_2-x_2 z_1\right) j+\left(x_1 y_2-x_2 y_1\right) k \end{equation}
其中:i=(1,0,0) \quad \mathrm{j}=(0,1,0) \quad \mathrm{k}=(0,0,1)
即:a \times b=\left(y_1 z_2-y_2 z_1,-\left(x_1 z_2-x_2 z_1\right), x_1 y_2-x_2 y_1\right)
有了这些定义我们可以进而定义梯度、旋度和散度。

1 梯度 | Gradient

使用 \nabla 作用于标量函数 f(x, y, z) 即可得到 f 在空间中的梯度:
\begin{equation} \operatorname{grad} f=\nabla f=\left(\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}, \frac{\partial f}{\partial z}\right) \end{equation}

梯度是一个向量场,如果想要得到沿着某一方向 \mathbf{e}_l (方向 l)的梯度,可以使用方向导数:
\begin{equation} \frac{d f}{d l}=\nabla f \cdot \mathbf{e}_l=\|\nabla f\| \cos \left(\nabla f, \mathbf{e}_l\right) \end{equation}

2 散度 | Divergence

矢量场的散度由 \nabla 和向量函数点乘得到,点乘的结果是一个标量:
\begin{equation} \operatorname{div} \mathbf{F}=\nabla \cdot \mathbf{F}=\frac{\partial F_1}{\partial x}+\frac{\partial F_2}{\partial y}+\frac{\partial F_3}{\partial z} \end{equation}
散度代表了空间中某一区域流入或流出的向量多少,类似下图所示:

拉普拉斯算子
梯度为矢量,对梯度可以继续求散度,这样就得到了拉普拉斯算子 \nabla^2
\begin{equation} \nabla \cdot(\nabla f)=\nabla^2 f=\frac{\partial^2 f}{\partial x_i^2}=\frac{\partial^2 f}{\partial x^2}+\frac{\partial^2 f}{\partial y^2}+\frac{\partial^2 f}{\partial z^2} \end{equation}

3 旋度 | Curl

旋度是由 \nabla 与向量的叉乘得到,它的运算结果是一个向量,代表了向量做旋转运动的方向和强度:
\begin{equation} \operatorname{curl} \mathbf{F}=\nabla \times \mathbf{F}=\left|\begin{array}{ccc} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ \frac{\partial}{\partial x} & \frac{\partial}{\partial y} & \frac{\partial}{\partial z} \\ F_1 & F_2 & F_3 \end{array}\right| \end{equation}

类似下图就是一个散度为0的有旋矢量场:

参考文献

[1] https://zhuanlan.zhihu.com/p/136836187
[2] https://ccjou.wordpress.com/2013/06/27/%E6%A2%AF%E5%BA%A6%E3%80%81%E6%97%8B%E5%BA%A6%E8%88%87%E6%95%A3%E5%BA%A6/
[3] 1665576365-圖解梯度、散度與旋度

下一个 拉普拉斯算子 (Laplace operator, Laplacian)

Add a Comment

Your email address will not be published.

Table of Contents