最后更新: 2025-04-10 06:26 查看: 58 次反馈能力测评会员8.2元/月赞助

哈密顿算子

## 哈密顿算子 $\nabla$
哈密顿算子$\nabla$ 是干什么用的？说起来相当简单：就是一个符号作为简单记忆的。
在英语里，对于复杂的单词通常会利用所写，比如电视“Television”通常所写为“TV”，“Number”缩写为“Num” ，甚至句子也会缩写，例如 As Soon As Possible  缩写为ASAP ，such that缩写为s.t.  因此对于求导能不能缩写呢？能，这就是哈密顿算子。

### 哈密顿算子
形如这样的叫哈密顿算子，记做 $\nabla$，中文叫“那布拉”
$$
\nabla=\left\{\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}, \frac{\partial f}{\partial z}\right\} .
$$
这里的$f$表示一个函数，$x,y,z$表示对$f$分别求[偏导数](https://kb.kmath.cn/kbase/detail.aspx?id=380)。

所以，**$f$带入不同的值，会有不同的物理意义**，常见的有2个：

①设 $f=U(x, y, z)$ 为数量场，则梯度 $\operatorname{grad} U=\nabla U$ ．
②设 $f=\vec{F}(x, y, z)$ 为向量场，则散度 $\operatorname{div} \overrightarrow{ F }=\nabla \cdot \overrightarrow{ F }$ ，旋度 $\operatorname{rot} \overrightarrow{ F }=\nabla \times \overrightarrow{ F }$ ．

### 不同的阶数
 如果$f=f(x,y)$ 则
 $$
\nabla=\left\{\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}\right\} .
$$

如果$f=f(x,y,z)$ 则
$$
\nabla=\left\{\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}, \frac{\partial f}{\partial z}\right\} .
$$

如果$f=f(x,y,z,k)$ 则
$$
\nabla=\left\{\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}, \frac{\partial f}{\partial z}, \frac{\partial f}{\partial k}\right\} .
$$

## 矢量微分算子 $\nabla$

$$
\nabla=\frac{\partial}{\partial x} i+\frac{\partial}{\partial y} j+\frac{\partial}{\partial z} k
$$
称为矢量微分算子，简称矢量算子。在 $\nabla$ 算子的基础上，若函数 $u(x, y, z)$ 和矢量 $E (x, y, z)$ 有连续的一阶偏导数，则可作如下定义。

**（1）梯度**：函数 $u$ 的梯度定义为

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

**（2）散度**：矢量 $E$ 的散度定义为

$$
\nabla \cdot E =\left(\frac{\partial}{\partial x} i+\frac{\partial}{\partial y} j+\frac{\partial}{\partial z} k \right) \cdot\left(E_x i +E_y j+E_z k \right)=\frac{\partial E_x}{\partial x}+\frac{\partial E_y}{\partial y}+\frac{\partial E_z}{\partial z}
$$

**（3）旋度**：矢量 $E$ 的旋度定义为

$$
\begin{aligned}
\nabla \times E & =\left|\begin{array}{ccc} 
i & j & k \\
\frac{\partial}{\partial x} & \frac{\partial}{\partial y} & \frac{\partial}{\partial z} \\
E_x & E_y & E_z
\end{array}\right|=\left|\begin{array}{cc}
\frac{\partial}{\partial y} & \frac{\partial}{\partial z} \\
E_y & E_z
\end{array}\right| i -\left|\begin{array}{cc}
\frac{\partial}{\partial x} & \frac{\partial}{\partial z} \\
E_x & E_z
\end{array}\right| j +\left|\begin{array}{cc}
\frac{\partial}{\partial x} & \frac{\partial}{\partial y} \\
E_x & E_y
\end{array}\right| k \\
& =\left(\frac{\partial E_z}{\partial y}-\frac{\partial E_y}{\partial z}\right) i +\left(\frac{\partial E_x}{\partial z}-\frac{\partial E_z}{\partial x}\right) j+\left(\frac{\partial E_y}{\partial x}-\frac{\partial E_x}{\partial y}\right) k
\end{aligned}
$$

## 拉普拉斯算子
拉普拉斯算子表示为

$$
\nabla^2=\frac{\partial^2}{\partial x^2}+\frac{\partial^2}{\partial y^2}+\frac{\partial^2}{\partial z^2}
$$

它作用于函数 $u$ 给出

$$
\nabla^2 u \equiv \nabla \cdot(\nabla u)=\frac{\partial^2 u}{\partial x^2}+\frac{\partial^2 u}{\partial y^2}+\frac{\partial^2 u}{\partial z^2}
$$

而作用于矢量 $E$ 给出

$$
\nabla^2 E =\left(\nabla^2 E_x\right) i +\left(\nabla^2 E_y\right) j +\left(\nabla^2 E_z\right) k
$$

设函数 $u, v$ 和矢量 $E , F$ 都是 $(x, y, z)$ 的函数，如果它们的一阶偏导数是存在的，则存在许多有关 $\nabla$ 和 $\nabla^2$ 的公式，举例如下：
（1）$\nabla(u+v)=\nabla u+\nabla v$ ；
（2）$\nabla \cdot( E + F )=\nabla \cdot E +\nabla \cdot F$ ；
（3）$\nabla \times( E + F )=\nabla \times E +\nabla \times F$ ；
（4）$\nabl

其他版本
【高等数学】理解：旋度

免费注册看余下 70%

非VIP会员每天5篇文章，开通VIP 无限制查看

《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)

高等数学测评 函数与极限一元函数微分学一元函数积分学微分方程空间向量与代数多元微分学多元积分学无穷级数

《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

线性代数测评 行列式矩阵向量空间

《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

概率统计测评 事件与概率一维随机变量与事件多维随机变量与事件随机变量的数字特征大数定律与中心极限定理统计量与抽样分布参数估计假设检验

上一篇：概括性总结

下一篇：拉普拉斯算子

本文对您是否有用？有用 (0) 无用 (0)