⎛ρΔx=(Δx)2+(Δy)2+(Δz)2,=ρcosα,Δy=ρcosβ,Δz=ρcosγ⎠⎞称∂l∂f为函数在P点沿方向l的方向导数
我们可以得到
∂l∂f=∂x∂fcosα+∂y∂fcosβ+∂z∂fcosγ
注意方向导数与偏导数的区别
可微→方向导数存在↛偏导数存在可微↚方向导数存在↚偏导数存在
例
讨论z=f(x,y)=x2+y2在(0,0)处的偏导数和方向导数的存在性
∂x∂z∣∣∣∣∣(0,0)=Δx→0limΔxf(Δx,0)−f(0,0)=Δx→0limΔx∣Δx∣
同理:∂y∂z∣(0,0)=limΔy→0Δy∣Δy∣
故两个方向的偏导数均不存在。
沿任意方向l={x,y}的方向导数
∂l∂z∣∣∣∣(0,0)=ρ→0limρf(Δx,Δy)−f(0,0)=ρ→0lim(Δx)2+(Δy)2(Δx)2+(Δy)2=1
故沿任意方向的方向导数均存在且相等
梯度
方向导数公式
∂l∂f=∂x∂fcosα+∂y∂fcosβ+∂z∂fcosγ↓⏐⏐⏐⏐⏐令向量Gl=(∂x∂f+∂y∂f+∂z∂f)=(cosα,cosβ,cosγ)∂l∂f=G⋅l=∣G∣cos(G,l)(∣l∣=1)
当l和G方向一致是,方向导数取最大值
max(∂l∂f)=∣G∣
这说明G:{方向:f 变化率最大的方向模:f 的最大变化率之值
定义:向量G称为函数f(P)在点P处的梯度,记作grad f(P)或∇f(P),均等于(fx(P),fy(P),fz(P))。其中∇=(∂x∂,∂y∂,∂z∂)称为向量微分算子或Nabla算子。我们还有“函数的方向导数为梯度在该方向上的投影”
∂l∂f=grad f⋅el(el为方向l上的单位向量)——方向导数与梯度的关系
结论: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∣grad f(P)∣,梯度的方向就是函数f(x,y)在这一点增长最快的方向,当∂x∂f不为零时,梯度与x的夹角正切tanθ=∂y∂f/∂x∂f
微甲II-方向导数与梯度
http://example.com/2024/04/22/微甲II-方向导数与梯度/