上面两个图中,标量场的值用灰度 表示,越暗表示越大的数值,而其相应的梯度用藍色箭头表示。 在向量微积分 中,梯度 (英語:gradient )是一种关于多元导数 的概括[1] 。平常的一元(单变量)函数 的导数是标量值函数 ,而多元函数 的梯度是向量值函数 。多元 可微函数 f {\displaystyle f} 在点 P {\displaystyle P} 上的梯度,是以 f {\displaystyle f} 在 P {\displaystyle P} 上的偏导数 为分量的向量 [2] 。
就像一元函数的导数表示这个函数图形 的切线 的斜率 [3] ,如果多元函数在点 P {\displaystyle P} 上的梯度不是零向量,則它的方向 是这个函数在 P {\displaystyle P} 上最大增长的方向、而它的量 是在这个方向上的增长率[4] 。
梯度向量中的幅值和方向是与坐标的选择无关的独立量[5] 。
在欧几里德空间 或更一般的流形 之间的多元可微映射 的向量值函数的梯度推广是雅可比矩阵 [6] 。在巴拿赫空间 之间的函数的进一步推广是弗雷歇导数 。
梯度的解释 [ 编辑 ] 将2D函数f (x , y ) = xe −(x 2 + y 2 ) 的梯度绘制为蓝色箭头,还绘制了这个函数的伪色图。 假設有一个房间,房间内所有点的温度由一个标量场 ϕ {\displaystyle \phi } 给出的,即点 ( x , y , z ) {\displaystyle (x,y,z)} 的温度是 ϕ ( x , y , z ) {\displaystyle \phi (x,y,z)} 。假设温度不随时间改变。然后,在房间的每一点,该点的梯度将显示变热最快的方向。梯度的大小将表示在该方向上的溫度變化率。
考虑一座高度在 ( x , y ) {\displaystyle (x,y)} 点是 H ( x , y ) {\displaystyle H(x,y)} 的山。 H {\displaystyle H} 这一点的梯度是在该点坡度 (或者说斜度 )最陡的方向。梯度的大小告诉我们坡度到底有多陡。
梯度也可以告诉我们一个数量在不是最快变化方向的其他方向的变化速度。再次考虑山坡的例子。可以有条直接上山的路其坡度是最大的,则其坡度是梯度的大小。也可以有一条和上坡方向成一个角度的路,例如投影在水平面上的夹角为60°。则,若最陡的坡度是40%,这条路的坡度小一点,是20%,也就是40%乘以60°的余弦。
这个现象可以如下数学的表示。山的高度函数 H {\displaystyle H} 的梯度点积 一个单位向量 给出表面在该向量的方向上的斜率。这称为方向導數 。
定義 [ 编辑 ] 将函数f (x ,y ) = −(cos2 x + cos2 y )2 的梯度描绘为在底面上投影的向量场 。 純量函数 f : R n ↦ R {\displaystyle f\colon \mathbb {R} ^{n}\mapsto \mathbb {R} } 的梯度表示為: ∇ f {\displaystyle \nabla f} 或 grad f {\displaystyle \operatorname {grad} f} ,其中 ∇ {\displaystyle \nabla } (nabla )表示向量微分算子 。
函數 f {\displaystyle f} 的梯度, ∇ f {\displaystyle \nabla f} , 為向量場且對任意單位向量 v 滿足下列方程式:
( ∇ f ( x ) ) ⋅ v = D v f ( x ) {\displaystyle {\big (}\nabla f(x){\big )}\cdot \mathbf {v} =D_{\mathbf {v} }f(x)} 。 直角坐標系 [ 编辑 ] ∇ f {\displaystyle \nabla f} 在三维直角坐标系 中表示为
∇ f = ( ∂ f ∂ x , ∂ f ∂ y , ∂ f ∂ z ) = ∂ f ∂ x i + ∂ f ∂ y j + ∂ f ∂ z k {\displaystyle \nabla f={\begin{pmatrix}{\frac {\partial f}{\partial x}},{\frac {\partial f}{\partial y}},{\frac {\partial f}{\partial z}}\end{pmatrix}}={\frac {\partial f}{\partial x}}\mathbf {i} +{\frac {\partial f}{\partial y}}\mathbf {j} +{\frac {\partial f}{\partial z}}\mathbf {k} } , i , j , k 為標準的單位向量,分別指向 x , y 跟 z 座標的方向。 (参看偏导数 和向量 。 )
虽然使用坐标表达,但结果是在正交变换 下不变,从几何的观点来看,这是应该的。
舉例來講,函数 f ( x , y , z ) = 2 x + 3 y 2 − sin ( z ) {\displaystyle f(x,y,z)=2x+3y^{2}-\sin(z)} 的梯度为:
∇ f = ( 2 , 6 y , − cos ( z ) ) = 2 i + 6 y j − cos ( z ) k {\displaystyle \nabla f={\begin{pmatrix}{2},{6y},{-\cos(z)}\end{pmatrix}}=2\mathbf {i} +6y\mathbf {j} -\cos(z)\mathbf {k} } 。 圓柱坐標系 [ 编辑 ] 在圓柱坐標系 中, f {\displaystyle f} 的梯度為:[7]
∇ f ( ρ , φ , z ) = ∂ f ∂ ρ e ρ + 1 ρ ∂ f ∂ φ e φ + ∂ f ∂ z e z {\displaystyle \nabla f(\rho ,\varphi ,z)={\frac {\partial f}{\partial \rho }}\mathbf {e} _{\rho }+{\frac {1}{\rho }}{\frac {\partial f}{\partial \varphi }}\mathbf {e} _{\varphi }+{\frac {\partial f}{\partial z}}\mathbf {e} _{z}} , ρ 是 P 點與 z-軸的垂直距離。 φ 是線 OP 在 xy-面的投影線 與正 x-軸之間的夾角。 z 與直角坐標 的 z {\displaystyle z} 等值。 e ρ , e φ 跟 e z 為單位向量,指向座標的方向。
球坐標系 [ 编辑 ] 在球坐標系 中:
∇ f ( r , θ , φ ) = ∂ f ∂ r e r + 1 r ∂ f ∂ θ e θ + 1 r sin θ ∂ f ∂ φ e φ {\displaystyle \nabla f(r,\theta ,\varphi )={\frac {\partial f}{\partial r}}\mathbf {e} _{r}+{\frac {1}{r}}{\frac {\partial f}{\partial \theta }}\mathbf {e} _{\theta }+{\frac {1}{r\sin \theta }}{\frac {\partial f}{\partial \varphi }}\mathbf {e} _{\varphi }} , 其中θ 为极角,φ 方位角。
实值函数相对于向量和矩阵的梯度 [ 编辑 ] 相对于n×1向量x 的梯度算子记作 ∇ x {\displaystyle \nabla _{\boldsymbol {x}}} ,定义为[8]
∇ x = d e f [ ∂ ∂ x 1 , ∂ ∂ x 2 , ⋯ , ∂ ∂ x n ] T = ∂ ∂ x {\displaystyle \nabla _{\boldsymbol {x}}{\overset {\underset {\mathrm {def} }{}}{=}}\left[{\frac {\partial }{\partial x_{1}}},{\frac {\partial }{\partial x_{2}}},\cdots ,{\frac {\partial }{\partial x_{n}}}\right]^{T}={\frac {\partial }{\partial {\boldsymbol {x}}}}} 对向量的梯度 [ 编辑 ] 以n×1实向量x 为变元的实标量函数f(x )相对于x 的梯度为一n×1列向量x ,定义为
∇ x f ( x ) = d e f [ ∂ f ( x ) ∂ x 1 , ∂ f ( x ) ∂ x 2 , ⋯ , ∂ f ( x ) ∂ x n ] T = ∂ f ( x ) ∂ x {\displaystyle \nabla _{\boldsymbol {x}}f({\boldsymbol {x}}){\overset {\underset {\mathrm {def} }{}}{=}}\left[{\frac {\partial f({\boldsymbol {x}})}{\partial x_{1}}},{\frac {\partial f({\boldsymbol {x}})}{\partial x_{2}}},\cdots ,{\frac {\partial f({\boldsymbol {x}})}{\partial x_{n}}}\right]^{T}={\frac {\partial f({\boldsymbol {x}})}{\partial {\boldsymbol {x}}}}} m维行向量函数 f ( x ) = [ f 1 ( x ) , f 2 ( x ) , ⋯ , f m ( x ) ] {\displaystyle {\boldsymbol {f}}({\boldsymbol {x}})=[f_{1}({\boldsymbol {x}}),f_{2}({\boldsymbol {x}}),\cdots ,f_{m}({\boldsymbol {x}})]} 相对于n维实向量x 的梯度为一n×m矩阵,定义为
∇ x f ( x ) = d e f [ ∂ f 1 ( x ) ∂ x 1 ∂ f 2 ( x ) ∂ x 1 ⋯ ∂ f m ( x ) ∂ x 1 ∂ f 1 ( x ) ∂ x 2 ∂ f 2 ( x ) ∂ x 2 ⋯ ∂ f m ( x ) ∂ x 2 ⋮ ⋮ ⋱ ⋮ ∂ f 1 ( x ) ∂ x n ∂ f 2 ( x ) ∂ x n ⋯ ∂ f m ( x ) ∂ x n ] = ∂ f ( x ) ∂ x {\displaystyle \nabla _{\boldsymbol {x}}{\boldsymbol {f}}({\boldsymbol {x}}){\overset {\underset {\mathrm {def} }{}}{=}}{\begin{bmatrix}{\frac {\partial f_{1}({\boldsymbol {x}})}{\partial x_{1}}}&{\frac {\partial f_{2}({\boldsymbol {x}})}{\partial x_{1}}}&\cdots &{\frac {\partial f_{m}({\boldsymbol {x}})}{\partial x_{1}}}\\{\frac {\partial f_{1}({\boldsymbol {x}})}{\partial x_{2}}}&{\frac {\partial f_{2}({\boldsymbol {x}})}{\partial x_{2}}}&\cdots &{\frac {\partial f_{m}({\boldsymbol {x}})}{\partial x_{2}}}\\\vdots &\vdots &\ddots &\vdots \\{\frac {\partial f_{1}({\boldsymbol {x}})}{\partial x_{n}}}&{\frac {\partial f_{2}({\boldsymbol {x}})}{\partial x_{n}}}&\cdots &{\frac {\partial f_{m}({\boldsymbol {x}})}{\partial x_{n}}}\\\end{bmatrix}}={\frac {\partial {\boldsymbol {f}}({\boldsymbol {x}})}{\partial {\boldsymbol {x}}}}} 对矩阵的梯度 [ 编辑 ] 标量函数 f ( A ) {\displaystyle f({\boldsymbol {A}})} 相对于m×n实矩阵A 的梯度为一m×n矩阵,简称梯度矩阵,定义为
∇ A f ( A ) = d e f [ ∂ f ( A ) ∂ a 11 ∂ f ( A ) ∂ a 12 ⋯ ∂ f ( A ) ∂ a 1 n ∂ f ( A ) ∂ a 21 ∂ f ( A ) ∂ a 22 ⋯ ∂ f ( A ) ∂ a 2 n ⋮ ⋮ ⋱ ⋮ ∂ f ( A ) ∂ a m 1 ∂ f ( A ) ∂ a m 2 ⋯ ∂ f ( A ) ∂ a m n ] = ∂ f ( A ) ∂ A {\displaystyle \nabla _{\boldsymbol {A}}f({\boldsymbol {A}}){\overset {\underset {\mathrm {def} }{}}{=}}{\begin{bmatrix}{\frac {\partial f({\boldsymbol {A}})}{\partial a_{11}}}&{\frac {\partial f({\boldsymbol {A}})}{\partial a_{12}}}&\cdots &{\frac {\partial f({\boldsymbol {A}})}{\partial a_{1n}}}\\{\frac {\partial f({\boldsymbol {A}})}{\partial a_{21}}}&{\frac {\partial f({\boldsymbol {A}})}{\partial a_{22}}}&\cdots &{\frac {\partial f({\boldsymbol {A}})}{\partial a_{2n}}}\\\vdots &\vdots &\ddots &\vdots \\{\frac {\partial f({\boldsymbol {A}})}{\partial a_{m1}}}&{\frac {\partial f({\boldsymbol {A}})}{\partial a_{m2}}}&\cdots &{\frac {\partial f({\boldsymbol {A}})}{\partial a_{mn}}}\\\end{bmatrix}}={\frac {\partial f({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}} 以下法则适用于实标量函数对向量的梯度以及对矩阵的梯度。
线性法则:若 f ( A ) {\displaystyle f({\boldsymbol {A}})} 和 g ( A ) {\displaystyle g({\boldsymbol {A}})} 分别是矩阵A的实标量函数,c1 和c2 为实常数,则 ∂ [ c 1 f ( A ) + c 2 g ( A ) ] ∂ A = c 1 ∂ f ( A ) ∂ A + c 2 ∂ g ( A ) ∂ A {\displaystyle {\frac {\partial [c_{1}f({\boldsymbol {A}})+c_{2}g({\boldsymbol {A}})]}{\partial {\boldsymbol {A}}}}=c_{1}{\frac {\partial f({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}+c_{2}{\frac {\partial g({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}} 乘积法则:若 f ( A ) {\displaystyle f({\boldsymbol {A}})} , g ( A ) {\displaystyle g({\boldsymbol {A}})} 和 h ( A ) {\displaystyle h({\boldsymbol {A}})} 分别是矩阵A的实标量函数,则 ∂ f ( A ) g ( A ) ∂ A = g ( A ) ∂ f ( A ) ∂ A + f ( A ) ∂ g ( A ) ∂ A {\displaystyle {\frac {\partial f({\boldsymbol {A}})g({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}=g({\boldsymbol {A}}){\frac {\partial f({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}+f({\boldsymbol {A}}){\frac {\partial g({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}} ∂ f ( A ) g ( A ) h ( A ) ∂ A = g ( A ) h ( A ) ∂ f ( A ) ∂ A + f ( A ) h ( A ) ∂ g ( A ) ∂ A + f ( A ) g ( A ) ∂ h ( A ) ∂ A {\displaystyle {\frac {\partial f({\boldsymbol {A}})g({\boldsymbol {A}})h({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}=g({\boldsymbol {A}})h({\boldsymbol {A}}){\frac {\partial f({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}+f({\boldsymbol {A}})h({\boldsymbol {A}}){\frac {\partial g({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}+f({\boldsymbol {A}})g({\boldsymbol {A}}){\frac {\partial h({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}} 商法则:若 g ( A ) ≠ 0 {\displaystyle g({\boldsymbol {A}})\neq 0} ,则 ∂ f ( A ) / g ( A ) ∂ A = 1 g ( A ) 2 [ g ( A ) ∂ f ( A ) ∂ A − f ( A ) ∂ g ( A ) ∂ A ] {\displaystyle {\frac {\partial f({\boldsymbol {A}})/g({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}={\frac {1}{g({\boldsymbol {A}})^{2}}}\left[g({\boldsymbol {A}}){\frac {\partial f({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}-f({\boldsymbol {A}}){\frac {\partial g({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}\right]} 链式法则:若A 为m×n矩阵,且 y = f ( A ) {\displaystyle y=f({\boldsymbol {A}})} 和 g ( y ) {\displaystyle g(y)} 分别是以矩阵A 和标量y为变元的实标量函数,则 ∂ g ( f ( A ) ) ∂ A = d g ( y ) d y ∂ f ( A ) ∂ A {\displaystyle {\frac {\partial g(f({\boldsymbol {A}}))}{\partial {\boldsymbol {A}}}}={\frac {dg(y)}{dy}}{\frac {\partial f({\boldsymbol {A}})}{\partial {\boldsymbol {A}}}}} 流形上的梯度 [ 编辑 ] 一个黎曼流形 M {\displaystyle M} 上的对于任意可微函数 f {\displaystyle f} 的梯度 ∇ f {\displaystyle \nabla f} 是一个向量场 ,使得对于每个向量 ξ {\displaystyle \xi } ,
⟨ ∇ f , ξ ⟩ := ξ f {\displaystyle \langle \nabla f,\xi \rangle :=\xi f} 其中 ⟨ ⋅ , ⋅ ⟩ {\displaystyle \langle \cdot ,\cdot \rangle } 代表 M {\displaystyle M} 上的内积 (度量)而 ξ f ( p ) , p ∈ M {\displaystyle \xi f(p),p\in M} 是 f {\displaystyle f} 在點 p {\displaystyle p} ,方向為 ξ ( p ) {\displaystyle \xi (p)} 的方向導數 。换句话说,如果 φ : U ⊆ M ↦ R n {\displaystyle \varphi :U\subseteq M\mapsto \mathbb {R} ^{n}} 為 p {\displaystyle p} 附近的局部座標,在此座標下有 ξ ( x ) = ∑ j a j ( x ) ∂ ∂ x j {\displaystyle \xi (x)=\sum _{j}a_{j}(x){\frac {\partial }{\partial x_{j}}}} ,則 ξ f ( p ) {\displaystyle \xi f(p)} 将成为:
ξ ( f ∣ p ) := ∑ j a j ( ∂ ∂ x j ( f ∘ φ − 1 ) ∣ φ ( p ) ) {\displaystyle \xi (f\mid _{p}):=\sum _{j}a_{j}({\frac {\partial }{\partial x_{j}}}(f\circ \varphi ^{-1})\mid _{\varphi (p)})} 。 函数的梯度和外微分 相关,因为 ξ f = d f ( ξ ) {\displaystyle \xi f=df(\xi )} ,实际上內積容许我们可以用一种标准的方式将1-形式 d f {\displaystyle df} 和向量场 ∇ f {\displaystyle \nabla f} 建立联系。由 ∇ f {\displaystyle \nabla f} 的定義, d f ( ξ ) = ⟨ ∇ f , ξ ⟩ {\displaystyle df(\xi )=\langle \nabla f,\xi \rangle } ,这样 f {\displaystyle f} 的梯度可以"等同"于0-形式的外微分 d f {\displaystyle df} ,這裡"等同"意味著:兩集合 { d f } {\displaystyle \{df\}} 和 { ∇ f } {\displaystyle \{\nabla f\}} 之間有1對1的滿射 。
由定義可算流形 上 ∇ f {\displaystyle \nabla f} 的局部座標表達式為:
∇ f = ∑ i k g i k ∂ f ∂ x k ∂ ∂ x i {\displaystyle \nabla f=\sum _{ik}g^{ik}{\frac {\partial f}{\partial x^{k}}}{\frac {\partial }{\partial x^{i}}}} 。 請注意這是流形 上對黎曼度量 d s 2 = ∑ i j g i j d x i d x j {\displaystyle ds^{2}=\sum _{ij}g_{ij}dx^{i}dx^{j}} 的公式,跟 R n {\displaystyle \mathbb {R} ^{n}} 裡直角座標的公式不同。常常我們寫時會省略求和 ∑ {\displaystyle \sum } 符號,不過為了避免混淆,在這裡的公式還是加上去了。
参考文献 [ 编辑 ] ^ Beauregard & Fraleigh (1973 , p. 84) ^ Bachman (2007 , p. 76)Beauregard & Fraleigh (1973 , p. 84)Downing (2010 , p. 316)Harper (1976 , p. 15)Kreyszig (1972 , p. 307)McGraw-Hill (2007 , p. 196)Moise (1967 , p. 683)Protter & Morrey, Jr. (1970 , p. 714)Swokowski et al. (1994 , p. 1038) ^ Protter & Morrey, Jr. (1970 , pp. 21,88) ^ Bachman (2007 , p. 77)Downing (2010 , pp. 316–317)Kreyszig (1972 , p. 309)McGraw-Hill (2007 , p. 196)Moise (1967 , p. 684)Protter & Morrey, Jr. (1970 , p. 715)Swokowski et al. (1994 , pp. 1036,1038–1039) ^ Kreyszig (1972 , pp. 308–309)Stoker (1969 , p. 292) ^ Beauregard & Fraleigh (1973 , pp. 87,248)Kreyszig (1972 , pp. 333,353,496) ^ Schey 1992 ,第139–142頁. ^ 张贤达 (2004 , p. 258) 书籍 Bachman, David, Advanced Calculus Demystified, New York: McGraw-Hill , 2007, ISBN 0-07-148121-4 Beauregard, Raymond A.; Fraleigh, John B., A First Course In Linear Algebra: with Optional Introduction to Groups, Rings, and Fields, Boston: Houghton Mifflin Company , 1973, ISBN 0-395-14017-X Downing, Douglas, Ph.D., Barron's E-Z Calculus, New York: Barron's , 2010, ISBN 978-0-7641-4461-5 Dubrovin, B. A.; Fomenko, A. T.; Novikov, S. P. Modern Geometry—Methods and Applications: Part I: The Geometry of Surfaces, Transformation Groups, and Fields. Graduate Texts in Mathematics 2nd. Springer. 1991. ISBN 978-0-387-97663-1 . Harper, Charlie, Introduction to Mathematical Physics, New Jersey: Prentice-Hall , 1976, ISBN 0-13-487538-9 Kreyszig, Erwin , Advanced Engineering Mathematics 3rd, New York: Wiley , 1972, ISBN 0-471-50728-8 McGraw-Hill Encyclopedia of Science & Technology 10th. New York: McGraw-Hill . 2007. ISBN 0-07-144143-3 . Moise, Edwin E., Calculus: Complete, Reading: Addison-Wesley , 1967 Protter, Murray H.; Morrey, Jr., Charles B., College Calculus with Analytic Geometry 2nd, Reading: Addison-Wesley , 1970, LCCN 76087042 Schey, H. M. Div, Grad, Curl, and All That 2nd. W. W. Norton. 1992. ISBN 0-393-96251-2 . OCLC 25048561 . Stoker, J. J., Differential Geometry, New York: Wiley , 1969, ISBN 0-471-82825-4 Swokowski, Earl W.; Olinick, Michael; Pence, Dennis; Cole, Jeffery A., Calculus 6th, Boston: PWS Publishing Company, 1994, ISBN 0-534-93624-5 张贤达 , 《矩阵分析与应用》, 清华大学出版社, 2004, ISBN 9787302092711 (中文(中国大陆))