数学 / 偏微分方程 相关资料 定理表 梯度算子, 对每一分量求偏导的向量 eg 散度, 理解为 , 即先算梯度再做点积, eg {curl} 旋度, 理解为 , 即先算梯度, 再做叉积 拉普拉斯算子, 针对空间变量, 对每一维的二阶偏导求和。 约 1 分钟阅读 偏微分方程资料 记号 {PDE 常用符号} ∇\nabla∇ 梯度算子, 对每一分量求偏导的向量 eg. (∂∂x,∂∂y,∂∂z)(\frac{\partial}{\partial x},\frac{\partial}{\partial y},\frac{\partial}{\partial z})(∂x∂,∂y∂,∂z∂). div\text{div}div 散度, 理解为 div=∇⋅\text{div}=\nabla\cdotdiv=∇⋅, 即先算梯度再做点积, eg. ∂u∂x+∂u∂y+∂u∂z\frac{\partial u}{\partial x}+\frac{\partial u}{\partial y}+\frac{\partial u}{\partial z}∂x∂u+∂y∂u+∂z∂u \text{curl} 旋度, 理解为 curl=∇×\text{curl}=\nabla\timescurl=∇×, 即先算梯度, 再做叉积 Δ\DeltaΔ 拉普拉斯算子, 针对空间变量, 对每一维的二阶偏导求和, Δ=∑i=1n∂2∂xi2\Delta = \sum\limits_{i=1}^n \dfrac{\partial ^2}{\partial x_i^2}Δ=i=1∑n∂xi2∂2 上一节 · 偏微分方程绪论下一节 · 偏微分方程偏微分方程:第 1 次作业 讨论 评论 正在加载评论… 邮箱 获取验证码 验证码 验证 评论 提交评论 退出登录
讨论
评论
正在加载评论…