偏导数与方向导数的关系：梯度为何指向函数值增长最快方向

理解 微积分中“函数值如何随输入变化”的核心。先掌握偏导数和方向导数的区别，再通过一个关键公式看清梯度为何指向增长最快的方向。

1. 区分偏导数与方向导数

定义偏导数：固定其他自变量，只让一个自变量变化时函数的变化率。
例如二元函数 $f(x, y)$ 对 $x$ 的偏导数为 $\dfrac{\partial f}{\partial x}$，它描述的是沿着 $x$ 轴方向的变化率。

定义方向导数：沿任意指定方向 $u$（单位向量）函数的变化率。
它回答“如果我从某点出发，朝某个方向走一小步，函数值会变化多少”。

核心区别：

• 偏导数只能沿坐标轴方向（如 $x$ 轴或 $y$ 轴）。
• 方向导数可以沿任意方向，覆盖面更广。

2. 写出方向导数与偏导数的关系式

设二元函数 $z = f(x, y)$ 在点 $(x_0, y_0)$ 处可微，单位方向向量为 $u = (a, b)$，其中 $a^2 + b^2 = 1$。方向导数公式为：

$$ D_u f(x_0, y_0) = \frac{\partial f}{\partial x}(x_0, y_0) \cdot a + \frac{\partial f}{\partial y}(x_0, y_0) \cdot b $$

这个式子表明：方向导数 = 各偏导数与方向向量对应分量的乘积之和。
本质上是偏导数向量与方向向量的点积。
若将偏导数组成向量：

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

则方向导数可改写为：

$$ D_u f = \nabla f \cdot u $$

其中 $\nabla f$ 就是梯度向量。

3. 推导梯度为何指向增长最快方向

根据向量点积的性质，设 $\theta$ 为梯度向量 $\nabla f$ 与方向向量 $u$ 的夹角，则：

$$ D_u f = \|\nabla f\| \cdot \|u\| \cdot \cos\theta = \|\nabla f\| \cdot \cos\theta $$

因为 $\|u\| = 1$。

分析 $\cos\theta$ 的变化范围：

• 当 $\theta = 0$ 时，$\cos\theta = 1$，方向导数取最大值 $\|\nabla f\|$。此时 $u$ 与 $\nabla f$ 同向，即梯度方向。
• 当 $\theta = \pi$ 时，$\cos\theta = -1$，方向导数取最小值 $-\|\nabla f\|$。此时方向与梯度相反，函数值下降最快。
• 当 $\theta = \frac{\pi}{2}$ 时，$\cos\theta = 0$，方向导数为 0。此时沿垂直于梯度的方向，函数值不变。

结论：梯度方向使方向导数最大，因此函数值增长最快。
梯度的大小 $\|\nabla f\|$ 等于该最大增长速率。

4. 用二元函数实例验证

取函数 $f(x, y) = x^2 + y^2$，在点 $(1, 2)$ 处计算。

计算偏导数：

$$ \frac{\partial f}{\partial x} = 2x = 2, \quad \frac{\partial f}{\partial y} = 2y = 4 $$

梯度向量为 $\nabla f(1, 2) = (2, 4)$。

选择两个方向对比方向导数：

• 方向 $u_1 = \left( \frac{1}{\sqrt{5}}, \frac{2}{\sqrt{5}} \right)$（与梯度同向）。
  方向导数为：

$$ D_{u_1} f = 2 \cdot \frac{1}{\sqrt{5}} + 4 \cdot \frac{2}{\sqrt{5}} = \frac{10}{\sqrt{5}} = 2\sqrt{5} \approx 4.472 $$

• 方向 $u_2 = \left( \frac{1}{\sqrt{2}}, \frac{1}{\sqrt{2}} \right)$（与梯度夹角约 $18.43^\circ$）。
  方向导数为：

$$ D_{u_2} f = 2 \cdot \frac{1}{\sqrt{2}} + 4 \cdot \frac{1}{\sqrt{2}} = \frac{6}{\sqrt{2}} \approx 4.243 $$

对比结果：$4.472 > 4.243$，沿梯度方向的变化率确实最大。

若选择梯度反方向 $u_3 = \left( -\frac{1}{\sqrt{5}}, -\frac{2}{\sqrt{5}} \right)$，方向导数为 $-2\sqrt{5}$，表示函数值下降最快。

5. 将结论推广到三元及以上函数

对于三元函数 $w = f(x, y, z)$，梯度为：

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

任意方向 $u = (a, b, c)$ 的方向导数为：

$$ D_u f = \nabla f \cdot u $$

同样地，方向导数最大值等于梯度向量的模长，且取得最大值的方向与梯度方向一致。
这与二元函数的分析完全一致，适用于 $n$ 元函数。

6. 梯度与等高线的关系

理解等高线：在二元函数 $z = f(x, y)$ 中，$f(x, y) = C$（常数）的曲线称为等高线。沿等高线移动，函数值不改变。

设等高线上的切线方向为 $T$，因为函数值不变，方向导数为 0：

$$ \nabla f \cdot T = 0 $$

这意味着梯度向量与等高线的切线方向垂直，即梯度垂直于等高线。
由于函数值沿梯度方向增长最快，而梯度垂直于等高线，因此增长最快的路径必然垂直穿越等高线。这就是为什么爬山时最陡的路线总是与等高线垂直。