🔹 一、背景：多变量函数的变化率问题
设有一个多变量函数：
f(x,y)或更一般地 f(x1,x2,...,xn) f(x, y) \quad \text{或更一般地 } f(x_1, x_2, \dots, x_n) f(x,y)或更一般地 f(x1,x2,...,xn)
我们想知道：
- 在点 a⃗=(x0,y0)\vec{a} = (x_0, y_0)a =(x0,y0) 处，沿任意方向 v⃗\vec{v}v 移动一点，函数值会怎么变化？
这时，就引入了方向导数 和梯度这两个概念。
🔹 二、方向导数：函数在任意方向的变化率
✅ 定义：
设 f(x,y)f(x, y)f(x,y) 在某点 a⃗=(x0,y0)\vec{a} = (x_0, y_0)a =(x0,y0) 可微，单位向量为：
v⃗=(v1,v2),且 ∥v⃗∥=1 \vec{v} = (v_1, v_2), \quad \text{且 } \|\vec{v}\| = 1 v =(v1,v2),且 ∥v ∥=1
那么，沿方向 v⃗\vec{v}v 的方向导数定义为：
Dv⃗f(x0,y0)=limh→0f(x0+hv1,y0+hv2)−f(x0,y0)h D_{\vec{v}} f(x_0, y_0) = \lim_{h \to 0} \frac{f(x_0 + h v_1, y_0 + h v_2) - f(x_0, y_0)}{h} Dv f(x0,y0)=h→0limhf(x0+hv1,y0+hv2)−f(x0,y0)
这表示：如果你从 (x0,y0)(x_0, y_0)(x0,y0) 出发，朝 v⃗\vec{v}v 方向走一点点，函数的增长速率是多少。
🔹 三、梯度向量：函数增长最快的方向
✅ 定义：
梯度向量记为 ∇f(x,y)\nabla f(x, y)∇f(x,y)，定义为所有偏导数组成的向量：
∇f(x,y)=(∂f∂x,∂f∂y) \nabla f(x, y) = \left( \frac{\partial f}{\partial x}, \frac{\partial f}{\partial y} \right) ∇f(x,y)=(∂x∂f,∂y∂f)
几何上：
- 它是一个向量；
- 指向函数增长最快的方向；
- 模长表示在该点的最大增长速率。
🔹 四、二者的数学联系：内积公式
方向导数其实就是梯度和方向向量的内积：
Dv⃗f(x,y)=∇f(x,y)⋅v⃗=(∂f∂x,∂f∂y)⋅(v1,v2)=∂f∂xv1+∂f∂yv2 D_{\vec{v}} f(x, y) = \nabla f(x, y) \cdot \vec{v} = \left( \frac{\partial f}{\partial x}, \frac{\partial f}{\partial y} \right) \cdot (v_1, v_2) = \frac{\partial f}{\partial x} v_1 + \frac{\partial f}{\partial y} v_2 Dv f(x,y)=∇f(x,y)⋅v =(∂x∂f,∂y∂f)⋅(v1,v2)=∂x∂fv1+∂y∂fv2
📌 解释：
- 梯度是向量；
- v⃗\vec{v}v 是你关心的方向；
- 二者内积（投影）给出在这个方向上的函数增长率。
🔹 五、几何直观图景
想象函数 f(x,y)f(x, y)f(x,y) 是一个地形高度图，比如山的高度：
- 每个点 (x,y)(x, y)(x,y) 都有一个高度 f(x,y)f(x, y)f(x,y)；
- 梯度向量 ∇f(x,y)\nabla f(x, y)∇f(x,y) 指向"爬得最快"的方向；
- 你朝任意方向走（比如东南方向），方向导数告诉你：坡度是多陡？
📌 梯度的特性：
- 指向增长最快的方向；
- 垂直于等高线（等值线）；
- 零梯度点 ⇒ 驻点（可能是极值或鞍点）。
🔹 六、物理解读
1. 温度场（Heat Field）例子：
- f(x,y)f(x, y)f(x,y) 表示某区域的温度；
- 梯度 ∇f\nabla f∇f 表示：温度升高最快的方向；
- 方向导数表示：你朝某方向走，温度的变化速率是多少。
🔹 七、例子：具体函数
设 f(x,y)=x2+y2f(x, y) = x^2 + y^2f(x,y)=x2+y2
- 梯度：
∇f(x,y)=(2x,2y) \nabla f(x, y) = (2x, 2y) ∇f(x,y)=(2x,2y)
在点 (1,1)(1, 1)(1,1)：
∇f(1,1)=(2,2) \nabla f(1, 1) = (2, 2) ∇f(1,1)=(2,2)
表示函数增长最快的方向是向量 (2,2)(2, 2)(2,2)，也就是从原点朝右上方。
- 方向导数：
设你想知道在点 (1,1)(1, 1)(1,1)，朝单位向量 v⃗=12(1,1)\vec{v} = \frac{1}{\sqrt{2}}(1, 1)v =2 1(1,1) 方向的导数：
Dv⃗f(1,1)=∇f(1,1)⋅v⃗=(2,2)⋅12(1,1)=12(2+2)=42=22 D_{\vec{v}} f(1, 1) = \nabla f(1, 1) \cdot \vec{v} = (2, 2) \cdot \frac{1}{\sqrt{2}}(1, 1) = \frac{1}{\sqrt{2}} (2 + 2) = \frac{4}{\sqrt{2}} = 2\sqrt{2} Dv f(1,1)=∇f(1,1)⋅v =(2,2)⋅2 1(1,1)=2 1(2+2)=2 4=22
这表示：沿着 45∘45^\circ45∘ 方向，函数增长最陡（因为梯度方向就正是 45∘45^\circ45∘）。
🔹 八、总结：对比梳理
| 概念 | 梯度 ∇f\nabla f∇f | 方向导数 Dv⃗fD_{\vec{v}} fDv f |
|---|---|---|
| 类型 | 向量 | 数值（标量） |
| 意义 | 函数在各方向的增长趋势汇总 | 沿某个方向的增长率 |
| 方向 | 指向增长最快方向 | 自定义 |
| 几何意义 | 垂直等高线；最大变化方向 | 该方向上的"坡度" |
| 计算方式 | 各偏导组成向量 | 梯度与单位方向向量点积 |