一、梯度

梯度，是矢量函数的微分运算，表示函数在该点变化最快的方向和大小，通俗地说，就是函数在某点的变化率，其形式化表示如下： $$\nabla f = \frac{\partial f}{\partial x}i + \frac{\partial f}{\partial y}j + \frac{\partial f}{\partial z}k$$ 其中，$\nabla$表示向量算符，$f$为标量函数，$i$、$j$、$k$为三维直角坐标系下的单位矢量。 梯度的坐标表示形式是： $$\nabla f = \left(\frac{\partial f}{\partial x},\frac{\partial f}{\partial y},\frac{\partial f}{\partial z}\right)$$ 梯度的几何意义是，以某点为起点，沿着梯度的方向，函数变化最快，变化率最大，这个值就是梯度值。梯度不仅能衡量标量函数的变化率，对于向量函数$\vec{F}(x,y,z)$而言，其梯度是一个矩阵： $$\nabla \vec{F} = \begin{bmatrix} \frac{\partial F_x}{\partial x} & \frac{\partial F_x}{\partial y} & \frac{\partial F_x}{\partial z} \ \frac{\partial F_y}{\partial x} & \frac{\partial F_y}{\partial y} & \frac{\partial F_y}{\partial z} \ \frac{\partial F_z}{\partial x} & \frac{\partial F_z}{\partial y} & \frac{\partial F_z}{\partial z} \end{bmatrix}$$ 其意义是函数在某点的变化率以及变化的方向，用于描述场的变化趋势，例如刻画电场的变化趋势。 下面是一个梯度的代码实例：

import numpy as np
def gradient(f, hx, hy, hz):
    dfdx = np.gradient(f, hx, axis=0)
    dfdy = np.gradient(f, hy, axis=1)
    dfdz = np.gradient(f, hz, axis=2)
    return np.stack((dfdx,dfdy,dfdz), axis=3)

二、散度

散度是矢量场的微分运算，表示矢量场的流出或流入的量，描述矢量场在某点的流线发散的程度，其形式化表示如下： $$\operatorname{div}\vec{F}=\frac{\partial F_x}{\partial x} + \frac{\partial F_y}{\partial y} + \frac{\partial F_z}{\partial z}$$ 几何上，散度衡量了一个点附近的场源的强度和分布，表示在这个点处，场源的产生或吸收程度。例如刻画电荷分布的情况时，散度描述了电荷密度分布的紧密程度和电场强度的大小。 下面是一个散度的代码实例：

import numpy as np
def divergence(F, hx, hy, hz):
    dfdx = np.gradient(F[:,:,:,0], hx, axis=0)
    dfdy = np.gradient(F[:,:,:,1], hy, axis=1)
    dfdz = np.gradient(F[:,:,:,2], hz, axis=2)
    return dfdx + dfdy + dfdz

三、旋度

旋度是矢量场的微分运算，表示矢量场的旋转程度和旋转的方向，其形式化表示如下： $$\nabla \times \vec{F} = \begin{vmatrix} i & j & k \ \frac{\partial}{\partial x} & \frac{\partial}{\partial y} & \frac{\partial}{\partial z} \ F_x & F_y & F_z \end{vmatrix}$$ 几何上，旋度刻画了场源对矢量场旋转的影响，即流线在一个点旋转的强度和方向，用于分析流体的旋转情况以及刻画其他矢量场的旋转情况。 下面是一个旋度的代码实例：

import numpy as np
def curl(F, hx, hy, hz):
    dfdz = np.gradient(F[:,:,:,0], hz, axis=1, edge_order=2) - np.gradient(F[:,:,:,1], hy, axis=2, edge_order=2)
    dfdx = np.gradient(F[:,:,:,1], hx, axis=2, edge_order=2) - np.gradient(F[:,:,:,2], hz, axis=0, edge_order=2)
    dfdy = np.gradient(F[:,:,:,2], hy, axis=0, edge_order=2) - np.gradient(F[:,:,:,0], hx, axis=1, edge_order=2)
    return np.stack((dfdx,dfdy,dfdz), axis=3)

结语

本文详细阐述了梯度、散度、旋度的定义、几何意义和应用，并且给出了相应的代码实例，感兴趣的读者可以结合实例进行学习和应用。