可视化二维函数的拉普拉斯算子 - 使用有限差分法来近似计算二维标量函数的拉普拉斯算子

可视化二维函数的拉普拉斯算子 - 使用有限差分法来近似计算二维标量函数的拉普拉斯算子

flyfish

算子（Operator）是指的是一个将函数、向量或其他对象映射到另一对象的数学实体。简单来说，算子就是一种“操作”或“变换”，它把一个输入（通常是函数或向量）变换成另一个输出。算子可以是线性的或非线性的，取决于它们是否满足线性叠加原理。

常见的算子

1. 微分算子 微分算子是作用在函数上的算子，用于计算函数的导数。最常见的一阶微分算子是 d d x \frac{d}{dx} dxd​ 或 ∂ ∂ x \frac{\partial}{\partial x} ∂x∂​。

2. 例如，对于函数 f ( x ) f(x) f(x)，微分算子 d d x \frac{d}{dx} dxd​ 作用在 f ( x ) f(x) f(x) 上得到它的导数：
   d d x f ( x ) \frac{d}{dx} f(x) dxd​f(x)

3. 积分算子 积分算子是作用在函数上的算子，用于计算函数的积分。通常表示为 ∫ \int ∫。例如，对于函数 f ( x ) f(x) f(x)，积分算子 ∫ \int ∫ 作用在 f ( x ) f(x) f(x) 上得到它的积分：
   ∫ f ( x )   d x \int f(x) \, dx ∫f(x)dx

4. 梯度算子 梯度算子是作用在标量场上的算子，用于计算该场的梯度。通常表示为 ∇ \nabla ∇。例如，对于标量场 f ( x , y , z ) f(x, y, z) f(x,y,z)，梯度算子 ∇ \nabla ∇ 作用在 f f f 上得到一个向量场：
   ∇ f = ( ∂ f ∂ x , ∂ f ∂ y , ∂ f ∂ z ) \nabla f = \left( \frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}, \frac{\partial f}{\partial z} \right) ∇f=(∂x∂f​,∂y∂f​,∂z∂f​)

5. 散度算子 散度算子是作用在向量场上的算子，用于计算该场的散度。通常表示为 ∇ ⋅ \nabla \cdot ∇⋅。例如，对于向量场 F = ( F x , F y , F z ) \mathbf{F} = (F_x, F_y, F_z) F=(Fx​,Fy​,Fz​)，散度算子 ∇ ⋅ \nabla \cdot ∇⋅ 作用在 F \mathbf{F} F 上得到一个标量场：
   ∇ ⋅ F = ∂ F x ∂ x + ∂ F y ∂ y + ∂ F z ∂ z \nabla \cdot \mathbf{F} = \frac{\partial F_x}{\partial x} + \frac{\partial F_y}{\partial y} + \frac{\partial F_z}{\partial z} ∇⋅F=∂x∂Fx​​+∂y∂Fy​​+∂z∂Fz​​5. 拉普拉斯算子 拉普拉斯算子是作用在标量场上的算子，用于计算该场的拉普拉斯。通常表示为 Δ \Delta Δ 或 ∇ 2 \nabla^2 ∇2。例如，对于标量场 f ( x , y , z ) f(x, y, z) f(x,y,z)，拉普拉斯算子 Δ \Delta Δ 作用在 f f f 上得到：
   Δ f = ∂ 2 f ∂ x 2 + ∂ 2 f ∂ y 2 + ∂ 2 f ∂ z 2 \Delta f = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2} + \frac{\partial^2 f}{\partial z^2} Δf=∂x2∂2f​+∂y2∂2f​+∂z2∂2f​

用到的地方

薛定谔方程中的哈密顿算子（Hamiltonian operator）用于描述量子力学系统的能量。
控制系统中的微分算子用于描述系统的响应。
傅里叶变换算子用于将函数从时间域转换到频率域。

打比方

可以将算子理解为一个函数的“加工厂”。比如，把一个函数 f ( x ) f(x) f(x) 送进加工厂（算子）进行“加工”，然后输出一个新的函数或值。
例如：

• 微分算子 d d x \frac{d}{dx} dxd​ 是一个“微分加工厂”，它把 f ( x ) f(x) f(x) 变成 f ′ ( x ) f'(x) f′(x)。

• 积分算子 ∫ \int ∫ 是一个“积分加工厂”，它把 f ( x ) f(x) f(x) 变成 ∫ f ( x )   d x \int f(x) \, dx ∫f(x)dx。

• 拉普拉斯算子 Δ \Delta Δ 是一个“二阶微分加工厂”，它把 f ( x , y , z ) f(x, y, z) f(x,y,z) 变成 ∂ 2 f ∂ x 2 + ∂ 2 f ∂ y 2 + ∂ 2 f ∂ z 2 \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2} + \frac{\partial^2 f}{\partial z^2} ∂x2∂2f​+∂y2∂2f​+∂z2∂2f​。

拉普拉斯算子的符号可以表示为 Δ \Delta Δ 或 ∇ 2 \nabla^2 ∇2，它们都是指同一个算子，只是在表示方法上有所不同：

Δ \Delta Δ 和 ∇ 2 \nabla^2 ∇2 都表示拉普拉斯算子。
Δ f \Delta f Δf 是直接表示拉普拉斯算子作用在函数 f f f 上。
∇ 2 f \nabla^2 f ∇2f 表示梯度的散度，即 ∇ ⋅ ( ∇ f ) \nabla \cdot (\nabla f) ∇⋅(∇f)。

1. Δ \Delta Δ 符号 ：

• Δ \Delta Δ 是拉普拉斯算子的标准符号。

• 它表示作用在一个标量场（或函数）上的算子，计算该函数的二阶偏导数的和。

• 例如，在三维空间中，对一个标量函数 f ( x , y , z ) f(x, y, z) f(x,y,z) 的拉普拉斯算子表示为：
  Δ f = ∂ 2 f ∂ x 2 + ∂ 2 f ∂ y 2 + ∂ 2 f ∂ z 2 \Delta f = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2} + \frac{\partial^2 f}{\partial z^2} Δf=∂x2∂2f​+∂y2∂2f​+∂z2∂2f​

2. ∇ 2 \nabla^2 ∇2 符号 ：

• ∇ 2 \nabla^2 ∇2 是拉普拉斯算子的另一种表示方法，使用的是梯度和散度的组合。

• ∇ \nabla ∇ 是梯度算子（grad operator）， ∇ ⋅ \nabla \cdot ∇⋅ 是散度算子（div operator）。

• 拉普拉斯算子 ∇ 2 f \nabla^2 f ∇2f 表示为梯度算子的散度：
  ∇ 2 f = ∇ ⋅ ( ∇ f ) \nabla^2 f = \nabla \cdot (\nabla f) ∇2f=∇⋅(∇f)

• 例如，在三维空间中，拉普拉斯算子 ∇ 2 f \nabla^2 f ∇2f 的表示为：
  ∇ 2 f = ∂ 2 f ∂ x 2 + ∂ 2 f ∂ y 2 + ∂ 2 f ∂ z 2 \nabla^2 f = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2} + \frac{\partial^2 f}{\partial z^2} ∇2f=∂x2∂2f​+∂y2∂2f​+∂z2∂2f​

拉普拉斯算子

拉普拉斯算子（Laplace operator）通常用 Δ \Delta Δ 或 ∇ 2 \nabla^2 ∇2 表示，定义为梯度算子作用两次后的结果，即梯度的散度。在三维笛卡尔坐标系中，拉普拉斯算子定义为：
Δ f = ∇ 2 f = ∂ 2 f ∂ x 2 + ∂ 2 f ∂ y 2 + ∂ 2 f ∂ z 2 \Delta f = \nabla^2 f = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2} + \frac{\partial^2 f}{\partial z^2} Δf=∇2f=∂x2∂2f​+∂y2∂2f​+∂z2∂2f​对于一个标量函数 f ( x , y , z ) f(x, y, z) f(x,y,z)，其拉普拉斯算子是该函数二阶偏导数的和。

推导过程

拉普拉斯算子的推导基于梯度和散度的概念：

1. 梯度（Gradient） ：对于标量场 f f f，梯度 ∇ f \nabla f ∇f 是一个向量场，表示在每个点处函数 f f f 的最大变化率及其方向。
   ∇ f = ( ∂ f ∂ x , ∂ f ∂ y , ∂ f ∂ z ) \nabla f = \left( \frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}, \frac{\partial f}{\partial z} \right) ∇f=(∂x∂f​,∂y∂f​,∂z∂f​)

2. 散度（Divergence） ：对于向量场 F = ( F x , F y , F z ) \mathbf{F} = (F_x, F_y, F_z) F=(Fx​,Fy​,Fz​)，散度 ∇ ⋅ F \nabla \cdot \mathbf{F} ∇⋅F 是一个标量场，表示向量场在每个点的“发散”程度。
   ∇ ⋅ F = ∂ F x ∂ x + ∂ F y ∂ y + ∂ F z ∂ z \nabla \cdot \mathbf{F} = \frac{\partial F_x}{\partial x} + \frac{\partial F_y}{\partial y} + \frac{\partial F_z}{\partial z} ∇⋅F=∂x∂Fx​​+∂y∂Fy​​+∂z∂Fz​​
   当我们对梯度再取散度时，即 ∇ ⋅ ( ∇ f ) \nabla \cdot (\nabla f) ∇⋅(∇f)，我们得到拉普拉斯算子：
   Δ f = ∇ 2 f = ∇ ⋅ ( ∇ f ) = ∂ 2 f ∂ x 2 + ∂ 2 f ∂ y 2 + ∂ 2 f ∂ z 2 \Delta f = \nabla^2 f = \nabla \cdot (\nabla f) = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2} + \frac{\partial^2 f}{\partial z^2} Δf=∇2f=∇⋅(∇f)=∂x2∂2f​+∂y2∂2f​+∂z2∂2f​

用拉普拉斯算子的地方

1. 泊松方程（Poisson’s equation） ：
   Δ ϕ = f \Delta \phi = f Δϕ=f
   其中 ϕ \phi ϕ 是电势函数， f f f 是源函数。

2. 拉普拉斯方程（Laplace’s equation） ：
   Δ ϕ = 0 \Delta \phi = 0 Δϕ=0
   这是泊松方程的特殊情况，常用于静态场问题。

3. 热传导方程（Heat equation） ：
   ∂ u ∂ t = α Δ u \frac{\partial u}{\partial t} = \alpha \Delta u ∂t∂u​=αΔu
   描述温度 u u u 随时间 t t t 的变化， α \alpha α 是热扩散系数。

可视化二维函数的拉普拉斯算子

使用有限差分法来近似计算二维标量函数 f ( x , y ) f(x, y) f(x,y) 的拉普拉斯算子 Δ f \Delta f Δf
下面的代码使用有限差分法来近似计算二维标量函数 f ( x , y ) f(x, y) f(x,y) 的拉普拉斯算子 Δ f \Delta f Δf。

解释

数学表达式

对于一个二维标量函数 f ( x , y ) f(x, y) f(x,y)，其拉普拉斯算子 Δ f \Delta f Δf 表示为：
Δ f = ∂ 2 f ∂ x 2 + ∂ 2 f ∂ y 2 \Delta f = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2} Δf=∂x2∂2f​+∂y2∂2f​这里， ∂ 2 f ∂ x 2 \frac{\partial^2 f}{\partial x^2} ∂x2∂2f​ 和 ∂ 2 f ∂ y 2 \frac{\partial^2 f}{\partial y^2} ∂y2∂2f​ 分别是 f f f 关于 x x x 和 y y y 的二阶偏导数。

有限差分法

有限差分法是数值方法的一种，用于近似微分算子的计算。在这段代码中，我们使用中心差分公式来近似计算二阶偏导数。
中心差分公式计算一维函数 f ( x ) f(x) f(x) 的二阶导数的近似值：
∂ 2 f ∂ x 2 ≈ f ( x + h ) − 2 f ( x ) + f ( x − h ) h 2 \frac{\partial^2 f}{\partial x^2} \approx \frac{f(x + h) - 2f(x) + f(x - h)}{h^2} ∂x2∂2f​≈h2f(x+h)−2f(x)+f(x−h)​同理，二维函数 f ( x , y ) f(x, y) f(x,y) 的二阶偏导数可以近似为：
∂ 2 f ∂ x 2 ≈ f ( x + Δ x , y ) − 2 f ( x , y ) + f ( x − Δ x , y ) Δ x 2 \frac{\partial^2 f}{\partial x^2} \approx \frac{f(x + \Delta x, y) - 2f(x, y) + f(x - \Delta x, y)}{\Delta x^2} ∂x2∂2f​≈Δx2f(x+Δx,y)−2f(x,y)+f(x−Δx,y)​
∂ 2 f ∂ y 2 ≈ f ( x , y + Δ y ) − 2 f ( x , y ) + f ( x , y − Δ y ) Δ y 2 \frac{\partial^2 f}{\partial y^2} \approx \frac{f(x, y + \Delta y) - 2f(x, y) + f(x, y - \Delta y)}{\Delta y^2} ∂y2∂2f​≈Δy2f(x,y+Δy)−2f(x,y)+f(x,y−Δy)​然后，拉普拉斯算子 Δ f \Delta f Δf 的近似值为：
Δ f ≈ f ( x + Δ x , y ) − 2 f ( x , y ) + f ( x − Δ x , y ) Δ x 2 + f ( x , y + Δ y ) − 2 f ( x , y ) + f ( x , y − Δ y ) Δ y 2 \Delta f \approx \frac{f(x + \Delta x, y) - 2f(x, y) + f(x - \Delta x, y)}{\Delta x^2} + \frac{f(x, y + \Delta y) - 2f(x, y) + f(x, y - \Delta y)}{\Delta y^2} Δf≈Δx2f(x+Δx,y)−2f(x,y)+f(x−Δx,y)​+Δy2f(x,y+Δy)−2f(x,y)+f(x,y−Δy)​

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 定义二维标量函数
def f(x, y):
    return np.sin(np.pi * x) * np.sin(np.pi * y)

# 计算拉普拉斯算子
def laplacian(f, x, y, dx, dy):
    f_xx = (f(x + dx, y) - 2 * f(x, y) + f(x - dx, y)) / dx**2
    f_yy = (f(x, y + dy) - 2 * f(x, y) + f(x, y - dy)) / dy**2
    return f_xx + f_yy

# 设置网格
x = np.linspace(0, 1, 100)
y = np.linspace(0, 1, 100)
X, Y = np.meshgrid(x, y)

# 计算函数值和拉普拉斯算子
Z = f(X, Y)
L = laplacian(f, X, Y, x[1] - x[0], y[1] - y[0])

# 可视化
fig = plt.figure(figsize=(12, 6))

ax1 = fig.add_subplot(121, projection='3d')
ax1.plot_surface(X, Y, Z, cmap='viridis')
ax1.set_title('函数 $f(x, y)$')
ax1.set_xlabel('x')
ax1.set_ylabel('y')
ax1.set_zlabel('f(x, y)')

ax2 = fig.add_subplot(122, projection='3d')
ax2.plot_surface(X, Y, L, cmap='viridis')
ax2.set_title('拉普拉斯算子 $\\Delta f(x, y)$')
ax2.set_xlabel('x')
ax2.set_ylabel('y')
ax2.set_zlabel('$\\Delta f(x, y)$')

plt.show()