贡献者： addis
1. 标量函数与矢量函数
我们先区分两种函数，第一种是普通的多元函数 $f(x, y, z)$，也叫标量函数，即自变量 $x, y, z$ 是实数，函数值也是实数1。另一种是矢量函数，一般用粗体加以区分（手写的时候在上方加箭头），如 $ \boldsymbol{\mathbf{f}} (x, y, z)$，即函数值是一个 3 维矢量2。矢量函数也可以记为三个分量的形式
\begin{equation}
\boldsymbol{\mathbf{f}} (x, y, z) = f_x(x, y, z) \hat{\boldsymbol{\mathbf{x}}} + f_y(x, y, z) \hat{\boldsymbol{\mathbf{y}}} + f_z(x, y, z) \hat{\boldsymbol{\mathbf{z}}} ~.
\end{equation}
2. 矢量算符
定义三维的矢量算符（vector operator）为（也叫 nabla 或 del 算符）
\begin{equation}
\boldsymbol{\nabla} = \hat{\boldsymbol{\mathbf{x}}} \frac{\partial}{\partial{x}} + \hat{\boldsymbol{\mathbf{y}}} \frac{\partial}{\partial{y}} + \hat{\boldsymbol{\mathbf{z}}} \frac{\partial}{\partial{z}} ~.
\end{equation}
$ \boldsymbol{\nabla} $ 作用在标量函数 $f(x, y, z)$ 上的结果称为函数的
梯度，是一个矢量函数
\begin{equation}
\boldsymbol{\nabla} f(x, y, z) = \left( \hat{\boldsymbol{\mathbf{x}}} \frac{\partial}{\partial{x}} + \hat{\boldsymbol{\mathbf{y}}} \frac{\partial}{\partial{y}} + \hat{\boldsymbol{\mathbf{z}}} \frac{\partial}{\partial{z}} \right) f = \frac{\partial f}{\partial x} \hat{\boldsymbol{\mathbf{x}}} + \frac{\partial f}{\partial y} \hat{\boldsymbol{\mathbf{y}}} + \frac{\partial f}{\partial z} \hat{\boldsymbol{\mathbf{z}}} ~,
\end{equation}
这可以类比矢量与标量的乘法。
$ \boldsymbol{\nabla} $ 与矢量函数 $ \boldsymbol{\mathbf{f}} (x, y, z)$ 的作用通常有两种定义，第一是 “点乘”，结果称为函数的散度（divergence），是一个标量函数
\begin{equation}
\begin{aligned}
\boldsymbol{\nabla}\boldsymbol{\cdot} \boldsymbol{\mathbf{f}} (x, y, z) &= \left( \hat{\boldsymbol{\mathbf{x}}} \frac{\partial}{\partial{x}} + \hat{\boldsymbol{\mathbf{y}}} \frac{\partial}{\partial{y}} + \hat{\boldsymbol{\mathbf{z}}} \frac{\partial}{\partial{z}} \right) \boldsymbol\cdot \left( \hat{\boldsymbol{\mathbf{x}}} f_x + \hat{\boldsymbol{\mathbf{y}}} f_y + \hat{\boldsymbol{\mathbf{z}}} f_z \right) \\
&= \frac{\partial f}{\partial x} + \frac{\partial f}{\partial y} + \frac{\partial f}{\partial z} ~,
\end{aligned}
\end{equation}
可以类比两个矢量的
点乘（内积）。
另一种情况是 “叉乘”，结果称为函数的旋度（curl），是一个矢量函数
\begin{equation}
\begin{aligned}
\boldsymbol{\nabla}\boldsymbol{\times} \boldsymbol{\mathbf{f}} (x, y, z) &= \left( \hat{\boldsymbol{\mathbf{x}}} \frac{\partial}{\partial{x}} + \hat{\boldsymbol{\mathbf{y}}} \frac{\partial}{\partial{y}} + \hat{\boldsymbol{\mathbf{z}}} \frac{\partial}{\partial{z}} \right) \boldsymbol\times \left( \hat{\boldsymbol{\mathbf{x}}} f_x + \hat{\boldsymbol{\mathbf{y}}} f_y + \hat{\boldsymbol{\mathbf{z}}} f_z \right) \\
&= \begin{vmatrix} \hat{\boldsymbol{\mathbf{x}}} & \hat{\boldsymbol{\mathbf{y}}} & \hat{\boldsymbol{\mathbf{z}}} \\ \partial/\partial x & \partial/\partial y & \partial/\partial z \\f_x & f_y & f_z\end{vmatrix} \\
&= \left( \frac{\partial F_z}{\partial y} - \frac{\partial F_y}{\partial z} \right) \hat{\boldsymbol{\mathbf{x}}} + \left( \frac{\partial F_x}{\partial z} - \frac{\partial F_z}{\partial x} \right) \hat{\boldsymbol{\mathbf{y}}} + \left( \frac{\partial F_y}{\partial x} - \frac{\partial F_x}{\partial y} \right) \hat{\boldsymbol{\mathbf{z}}} ~,
\end{aligned}
\end{equation}
可以类比两个矢量的
叉乘。
另见拉普拉斯算符。
1. ^ 一些情况下也可以是复数
2. ^ 一些情况下也可以是 $N = 1, 2, \dots$ 维
致读者： 小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。 长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。 因此，我们请求广大读者
热心打赏 ，使网站得以健康发展。 如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损， 并在接下来的一年里向所有读者继续免费提供优质内容。 但遗憾的是只有不到 1% 的读者愿意捐款， 他们的付出帮助了 99% 的读者免费获取知识， 我们在此表示感谢。