最后更新: 2025-11-01 10:56 查看: 74 次纠错评论(0) 课件开VIP

梯度

## 数量场
场有两种：数量场和向量场．现在先介绍数量场．
设 $D \subset R ^n$ ，给定 $f: D \rightarrow R$ ，则称 $f$ 是 $D$ 上的一个数量场．
对于给定的数量场 $f$ 和常数 $c$ ，称

$$
S=\{x \in D \mid f(x)=c\}
$$

为数量场 $f$ 的一个等值面（等量面）．若 $n=2$ ，则称为等量线或等值线．例如天气预报中的等压面，等温面，地形图中的等高线都是非常有用的工具．

最常用的数量场是二维的平面场和三维的空间场．
类似地如在一个区域的每一个点处定义一个向量，则就得到向量场．

具体请参考高等数学 [梯度](https://kb.kmath.cn/kbase/detail.aspx?id=391)

## 梯度
**定义**  若 $f(x, y, z)$ 在点 $P_0\left(x_0, y_0, z_0\right)$ 存在对所有自变量的偏导数，则称向量 $\left(f_x\left(P_0\right), f_y\left(P_0\right), f_z\left(P_0\right)\right)$ 为函数 $f$ 在点 $P_0$ 的梯度，记作

$$
\operatorname{grad} f=\left(f_x\left(P_0\right), f_y\left(P_0\right), f_z\left(P_0\right)\right) .
$$

向量 $\operatorname{grad} f$ 的长度（或模）为

$$
|\operatorname{grad} f|=\sqrt{f_x\left(P_0\right)^2+f_y\left(P_0\right)^2+f_z\left(P_0\right)^2}
$$

若记 $l$ 方向上的单位向量为

$$
\boldsymbol{l}_0=(\cos \alpha, \cos \beta, \cos \gamma) .
$$

于是方向导数公式又可写成

$$
f_l\left(P_0\right)=\operatorname{grad} f\left(P_0\right) \cdot l_0=\left|\operatorname{grad} f\left(P_0\right)\right| \cos \theta,
$$

这里 $\theta$ 是梯度向量 $\operatorname{grad} f\left(P_0\right)$ 与 $\boldsymbol{l}_0$ 的夹角．
因此当 $\theta=0$ 时，$f_l\left(P_0\right)$ 取得最大值 $\left|\operatorname{grad} f\left(P_0\right)\right|$ ．这就是说，当 $f$ 在点 $P_0$ 可微时，$f$在点 $P_0$ 的梯度方向是 $f$ 的值增长最快的方向，且沿这一方向的变化率就是梯度的模；而当 $\boldsymbol{l}$ 与梯度向量反方向 $(\theta=\pi)$ 时，方向导数取得最小值 $-\left|\operatorname{grad} f\left(P_0\right)\right|$ ．

`例` 设 $f(x, y, z)=x y^2+y z^3$ ，求 $f$ 在 $P_0(2,-1,1)$ 的梯度及它的模。
解 由于 $f_x\left(P_0\right)=1, f_y\left(P_0\right)=-3, f_z\left(P_0\right)=-3$ ，所以

$$
\operatorname{grad} f\left(P_0\right)=(1,-3,-3),
$$

$$
\left|\operatorname{grad} f\left(P_0\right)\right|=\sqrt{1^2+(-3)^2+(-3)^2}=\sqrt{19}
$$

## 延伸阅读：梯度
梯度是场论中的重要概念，并在许多方面得到使用．
以 $D \subset R ^3$ 上的数量场 $f: D \rightarrow R$ 为例，设 $f$ 对其各个变元连续可偏导，则称向量

$$
\operatorname{grad} f=\frac{\partial f}{\partial x} i+\frac{\partial f}{\partial y} j+\frac{\partial f}{\partial z} k
$$

为 $f$ 在点 $(x, y, z)$ 的梯度．这里的符号 grad 是 gradient 的缩写．此外， 在场论中经常使用一个微分算子 $\nabla$ ，定义为

$$
\nabla=\frac{\partial}{\partial x} i +\frac{\partial}{\partial y} j +\frac{\partial}{\partial z} k
$$

读作 nabla，它是 Hamilton   引进的，因此也称为 Hamilton 算子．于是梯度又可以

记为 $\operatorname{grad} f=\nabla f$ ．
如上所说，从数量场 $f$ 出发，可以在 $D$ 的每一点处得到一个梯度向量，这样就生成了一个向量场，称为数量场 $f$ 的梯度场．

### 梯度的意义
为了解释梯度的意义，我们来讨论一个重要问题，即 $f$ 沿什么方向增长最快？
设方向 $l$ 为单位向量，则从关于方向导数的定理 1 ，并利用梯度记号，就得到

$$
\frac{\partial f}{\partial l}(x, y, z)=\operatorname{grad} f(x, y, z) \cdot l =|\operatorname{grad} f(x, y, z)| \cdot| l | \cdot \cos \theta
$$

其中 $| l |=1, \theta$ 是方向 $l$ 与梯度 $\operatorname{grad} f$ 的夹角，因此可见当 $\theta=0$ 时方向导数达到最大．这个最大值就等于 grad 的范数

$$
|\operatorname{grad} f|=\sqrt{\left(\frac{\partial f}{\partial x}\right)^2+\left(\frac{\partial f}{\partial x}\right)^2+\left(\frac{\partial f}{\partial x}\right)^2}
$$

于是梯度向量 grad 的方向代表了 $f$ 增长最快的方向，而梯度的模长代表了方向导数的最大值   。因此 gradient 在普通语言中也可翻译为坡度和倾斜度等。

### 梯度还与前面的等值面有密切联系。
对于数量场 $f: D \subset R ^3 \rightarrow R$ ，设 $f$ 连续可微，考虑其某个等值面

$$
S_c=\{(x, y, z) \in D \mid f(x, y, z)=c\}
$$

并设点 $P_0\left(x_0, y_0, z_0\right) \in S_c$ ，则当 $f_x\left(P_0\right), f_y\left(P_0\right), f_z\left(P_0\right)$ 不全为 0 时，可以用隐函数存在定理知道在点 $P_0$ 的一个邻域内惟一地确定了一个曲面，而且该曲面在点 $P_0$的切平面为 $\left. d f\right|_{P_0}=0$ ，也就是

$$
f_x\left(P_0\right)\left(x-x_0\right)+f_y\left(P_0\right)\left(y-y_0\right)+f_z\left(P_0\right)\left(z-z_0\right)=0
$$

用梯度的语言来说，即等值面上梯度不等于 $0$ 的点存在切平面，而梯度就是该切平面的法向量（之一）。

举一个二维情况的最简单例子，设有 $f=x^2+y^2$ ，则如右图所示，其等值线就是以原点为中心的同心圆。在图中的某点处用一个向量表示出梯度方向（但该向量的模并不等于梯度的模），同时作出了等值线在该点的切线，它与梯度方向是正交的。

具 体 来 说，对于点 $\left(x_0, y_0\right) \neq(0,0), c=$ $\sqrt{x_0^2+y_0^2}>0$ ，在该点的梯度向量为 $\operatorname{grad} f=$ $\left(2 x_0, 2 y_0\right)$ ，过该点的切线为

$$
x_0\left(x-x_0\right)+y_0\left(y-y_0\right)=x_0 x+y_0 y-c^2=0
$$

![图片](/uploads/2025-02/04e198.jpg)
 
 下面是场论中的一个典型例子。

`例`设在空间原点处 0 有一个点电荷 $q$ ，在真空中产生一个静电场，在空间任意点 $(x, y, z)$ 处的电位是

$$
V=\frac{q}{r}, \quad r=\sqrt{x^2+y^2+z^2}
$$

这样就在 $R ^3-\{ 0 \}$ 上定义了一个数量场，其梯度是

$$
\operatorname{grad} V=-\frac{q}{r^2} \cdot \frac{x i +y j +z k }{r}=-\frac{q}{r^3}(x i +y j +z k )
$$

可以看出，由上述点电荷生成的静电场的电场强度 $E$ 与 $V$ 之间的关系是

$$
E =-\operatorname{grad} V
$$

这就是由数量场生成一个向量场的具体例子．

## 理解：为什么梯度是变化最快的方向

因为本节内容会在《高等数学》里详细介绍，所以具体内容请参考高等数学里的教程，在梯度理解上，正常顺序是：
(1)[全微分](https://kb.kmath.cn/kbase/detail.aspx?id=383)
(2) [方向导数](https://kb.kmath.cn/kbase/detail.aspx?id=390)
(3) [梯度的意义](https://kb.kmath.cn/kbase/detail.aspx?id=391)

其他版本
【高等数学】梯度

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇：方向导数

下一篇：中值定理与二元泰勒公式 Taylor

本文对您是否有用？有用 (0) 无用 (0)