方向导数与圆

问题提出

上节课我们学习了偏导数——对于函数 $f(x, y) = x^2 + y^2 - r^2$，我们计算了 $\dfrac{\partial f}{\partial x} = 2x$ 和 $\dfrac{\partial f}{\partial y} = 2y$，并用梯度 $\nabla f = (2x, 2y)$ 求出了圆的切线方程。

但我留下了一个问题：

偏导数 $\dfrac{\partial f}{\partial x}$ 告诉我们 $f$ 沿 $x$ 轴方向的变化率，$\dfrac{\partial f}{\partial y}$ 告诉我们 $f$ 沿 $y$ 轴方向的变化率。但如果我想知道 $f$ 沿任意方向的变化率呢？

今天走进教室后，我在黑板上画了一个圆，然后从圆上一点出发画了好几条不同方向的箭头：

              y
              ↑
         ●    |    ●
        / ↗   | ↗  \
       /  ↗   |↗    \
  ----/--●----+----●-\---→ x
       \      |      /
        \     |     /
         ●    |    ●
              |

请看——从圆上这个点出发，函数 $f(x, y) = x^2 + y^2 - r^2$ 沿不同方向变化的速率是不同的。沿法线方向（指向圆外），$f$ 增加得最快；沿切线方向，$f$ 几乎不变。那沿任意一个”斜方向”呢？

我提出今天的三个核心问题：

1. 什么是方向导数？它和偏导数有什么关系？
2. 方向导数在圆上有什么几何意义？
3. 梯度和方向导数之间有什么联系？

观察与猜想

第一步：从偏导数到方向导数

让我们先回顾偏导数的含义。

对于 $f(x, y) = x^2 + y^2 - r^2$：

• $\dfrac{\partial f}{\partial x} = 2x$：在点 $(x, y)$ 处，沿 $x$ 轴正方向走一小步，$f$ 的值变化 $2x \cdot \Delta x$
• $\dfrac{\partial f}{\partial y} = 2y$：在点 $(x, y)$ 处，沿 $y$ 轴正方向走一小步，$f$ 的值变化 $2y \cdot \Delta y$

伽玛问：

这里的”沿 $x$ 轴正方向”其实就是沿方向 $(1, 0)$。那如果沿方向 $(1, 1)$ 呢？或者沿方向 $(3, 4)$ 呢？

正是这个问题！偏导数只考虑了两个特殊方向——$(1, 0)$ 和 $(0, 1)$。但平面上有无穷多个方向，我们需要一个更一般的概念。

第二步：方向导数的直观理解

想象你站在山坡上的某一点。偏导数告诉你：如果你只向东走，坡度是多少；如果你只向北走，坡度是多少。但如果你向东北方向走呢？坡度是多少？这就是方向导数要回答的问题。

我在黑板上画了一个示意：

        北 (0,1)
         ↑
         |
西 ←-----+----→ 东 (1,0)
         |
         ↓
        南 (0,-1)

东北方向：(1,1)/√2（单位向量）

关键的想法是：任何一个方向都可以用一个单位向量 $\mathbf{u} = (u_1, u_2)$ 来表示（满足 $u_1^2 + u_2^2 = 1$），然后我们问——沿着这个方向走，$f$ 的变化率是多少？

第三步：猜想方向导数与梯度的关系

我在黑板上写下梯度：

$\nabla f = \left(\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}\right)$

偏导数 $\dfrac{\partial f}{\partial x}$ 是 $f$ 沿 $(1, 0)$ 方向的变化率，$\dfrac{\partial f}{\partial y}$ 是 $f$ 沿 $(0, 1)$ 方向的变化率。如果方向是任意的 $\mathbf{u} = (u_1, u_2)$，变化率应该怎么算？

阿普猜测：

会不会是某种”加权组合”？比如 $u_1 \cdot \dfrac{\partial f}{\partial x} + u_2 \cdot \dfrac{\partial f}{\partial y}$？

非常好！你猜到了方向导数的公式。但让我们严格地推导它。

严格证明

方向导数的定义

我解释道：

方向导数的含义是：从点 $(x_0, y_0)$ 出发，沿方向 $\mathbf{u}$ 走一小步 $h$，$f$ 的变化量与步长之比在 $h \to 0$ 时的极限。它衡量的是 $f$ 沿方向 $\mathbf{u}$ 的瞬时变化率。

方向导数的计算公式

证明：

利用可微性的定义：

$f(x_0 + hu_1, y_0 + hu_2) - f(x_0, y_0) = \frac{\partial f}{\partial x} hu_1 + \frac{\partial f}{\partial y} hu_2 + o(h)$

两边除以 $h$：

$\frac{f(x_0 + hu_1, y_0 + hu_2) - f(x_0, y_0)}{h} = \frac{\partial f}{\partial x} u_1 + \frac{\partial f}{\partial y} u_2 + \frac{o(h)}{h}$

令 $h \to 0$，余项 $\dfrac{o(h)}{h} \to 0$，得到：

$D_{\mathbf{u}} f = \frac{\partial f}{\partial x} u_1 + \frac{\partial f}{\partial y} u_2 = \nabla f \cdot \mathbf{u}$

证毕。

在圆上的应用

现在让我们把这个公式应用到圆上。

设 $f(x, y) = x^2 + y^2 - r^2$，其梯度为 $\nabla f = (2x, 2y)$。

在圆上一点 $(x_0, y_0)$（满足 $x_0^2 + y_0^2 = r^2$），沿方向 $\mathbf{u} = (u_1, u_2)$ 的方向导数为：

$D_{\mathbf{u}} f(x_0, y_0) = 2x_0 u_1 + 2y_0 u_2$

沿法线方向（指向圆外）：

圆在 $(x_0, y_0)$ 处的外法线方向为 $\mathbf{n} = \dfrac{(x_0, y_0)}{r}$（归一化后的梯度方向）。

$D_{\mathbf{n}} f = 2x_0 \cdot \frac{x_0}{r} + 2y_0 \cdot \frac{y_0}{r} = \frac{2(x_0^2 + y_0^2)}{r} = \frac{2r^2}{r} = 2r$

沿法线方向，$f$ 以 $2r$ 的速率增加——这是 $f$ 增加最快的方向。

沿切线方向：

圆在 $(x_0, y_0)$ 处的切线方向为 $\mathbf{t} = \dfrac{(-y_0, x_0)}{r}$（与法线垂直）。

$D_{\mathbf{t}} f = 2x_0 \cdot \frac{-y_0}{r} + 2y_0 \cdot \frac{x_0}{r} = \frac{-2x_0 y_0 + 2y_0 x_0}{r} = 0$

沿切线方向，$f$ 的变化率为零！这在几何上完全合理——沿圆的切线走，你始终在圆上，$f$ 的值始终为 $0$，所以变化率为零。

方向导数的极值：梯度的几何意义

从公式 $D_{\mathbf{u}} f = \nabla f \cdot \mathbf{u}$ 出发，利用点积的性质：

$D_{\mathbf{u}} f = |\nabla f| \cdot |\mathbf{u}| \cdot \cos\theta = |\nabla f| \cos\theta$

其中 $\theta$ 是梯度方向与 $\mathbf{u}$ 方向之间的夹角。

由此可得：

• 当 $\theta = 0$（$\mathbf{u}$ 与梯度同向）时，$D_{\mathbf{u}} f = |\nabla f|$，方向导数最大
• 当 $\theta = \pi$（$\mathbf{u}$ 与梯度反向）时，$D_{\mathbf{u}} f = -|\nabla f|$，方向导数最小
• 当 $\theta = \pi/2$（$\mathbf{u}$ 与梯度垂直）时，$D_{\mathbf{u}} f = 0$

例题：计算方向导数

例题 1：设 $f(x, y) = x^2 + y^2 - 1$，在点 $\left(\dfrac{1}{\sqrt{2}}, \dfrac{1}{\sqrt{2}}\right)$ 处，计算沿方向 $\mathbf{u} = \left(\dfrac{1}{2}, \dfrac{\sqrt{3}}{2}\right)$ 的方向导数。

解：

$\nabla f = (2x, 2y) = \left(\sqrt{2}, \sqrt{2}\right)$

$D_{\mathbf{u}} f = \nabla f \cdot \mathbf{u} = \sqrt{2} \cdot \frac{1}{2} + \sqrt{2} \cdot \frac{\sqrt{3}}{2} = \frac{\sqrt{2}}{2}(1 + \sqrt{3}) \approx 1.932$

例题 2：对于同样的函数和点，方向导数最大值是多少？沿哪个方向取得？

解：

方向导数的最大值等于梯度的模：

$|\nabla f| = \sqrt{(\sqrt{2})^2 + (\sqrt{2})^2} = \sqrt{4} = 2$

沿梯度方向 $\dfrac{\nabla f}{|\nabla f|} = \left(\dfrac{1}{\sqrt{2}}, \dfrac{1}{\sqrt{2}}\right)$ 取得最大值。

结论与应用

核心结论

应用：用方向导数理解温度分布

让我们看一个物理应用。

假设一块圆形金属板的温度分布为 $T(x, y) = x^2 + y^2$（中心温度低，边缘温度高）。在点 $(x_0, y_0)$ 处：

• 梯度 $\nabla T = (2x_0, 2y_0)$ 指向温度增加最快的方向——即指向圆外
• 沿法线方向，温度上升最快（热量向外扩散）
• 沿切线方向，温度不变（同一条等温线上温度相同）

这和圆上的方向导数分析完全对应！温度的等值线是同心圆，梯度垂直于等温线——这就是为什么热量总是沿垂直于等温线的方向流动。

呼噜星人的收获

下课铃响了。学生们围过来分享感受。

阿普说：

方向导数让我真正理解了梯度的含义。偏导数只是沿两个方向的变化率，但方向导数告诉我们任意方向的变化率，而梯度是这些变化率中最大的那个。

贝塔补充道：

我最喜欢的是圆上切线方向导数为零的结论。$f(x, y) = x^2 + y^2 - r^2$ 在圆上恒为零，所以沿切线走 $f$ 不变——这完全符合直觉，但用公式推导出来更有说服力。

伽玛说：

温度分布的例子让我看到了方向导数的实用价值。梯度指向温度增加最快的方向——这和物理中的热传导方向完全一致。

咕噜最后总结：

今天最深刻的一课是：偏导数是”坐标系的语言”，方向导数是”几何的语言”。偏导数依赖于 $x$ 轴和 $y$ 轴的选择，但方向导数告诉我们：不管你用什么坐标系，函数在每一点都有一个”最陡的方向”——那就是梯度方向。这个方向是几何内禀的，不依赖坐标。

我笑着在黑板上写下最后一句话：

方向导数是偏导数的”推广”——从两个方向到无穷多个方向。而梯度，是所有方向导数中最强的那个，它指向函数增长的”最陡坡”。在圆上，这个最陡坡永远指向圆外。