KNOWECON WIKI

ARTICLE

向量

向量 (Vector) 向量 (Vector)，在数学、物理学和工程学中，是一个基本且核心的概念。它被定义为一个同时具有 大小 (magnitude) 和 方向 (direction) 的量。这与仅有大小没有方向的 标量 (Scalar) 形成对比，例如温度、质量和时间都是标量。 向量在几何上通常被描绘成一个带箭头的线段。线段的长度代表向量的大小（也称为 模

浏览 86 更新 2025-10-26

向量 (Vector)

向量 (Vector)，在数学、物理学和工程学中，是一个基本且核心的概念。它被定义为一个同时具有 大小 (magnitude) 和 方向 (direction) 的量。这与仅有大小没有方向的 标量 (Scalar) 形成对比，例如温度、质量和时间都是标量。

向量在几何上通常被描绘成一个带箭头的线段。线段的长度代表向量的大小（也称为 模 或 范数），箭头所指的方向代表向量的方向。向量可以用来表示物理世界中的位移、速度、力等。

向量的表示方法

向量主要有两种表示方法：几何表示法和代数（坐标）表示法。

1. 几何表示法

在几何上，一个从点 A A 指向点 B B 的向量可以记作 AB⃗ \vec{AB} 。点 A A 称为向量的 起点 (initial point)，点 B B 称为 终点 (terminal point)。向量也可以用单个粗体字母（如 v \mathbf{v} ）或带箭头的字母（如 v⃗ \vec{v} ）表示。

一个重要的特性是，只要大小和方向相同，向量就是相等的，无论其起点在哪里。这被称为 自由向量。例如，在下图中，从 (0,0) (0,0) 到 (2,1) (2,1) 的向量与从 (1,2) (1,2) 到 (3,3) (3,3) 的向量是同一个向量 v⃗ \vec{v} 。

2. 坐标表示法

为了进行代数运算，我们通常将向量置于一个坐标系中。一个 n n 维向量可以表示为一个包含 n n 个数的有序列表，称为向量的 分量 (components)。

  • 在二维平面直角坐标系中，一个向量 v⃗ \vec{v} 可以表示为 v⃗=(v1,v2) \vec{v} = (v_1, v_2) 或列向量的形式 v⃗=(v1v2) \vec{v} = \begin{pmatrix} v_1 \\ v_2 \end{pmatrix} 。
  • 在三维空间中，一个向量 v⃗ \vec{v} 可以表示为 v⃗=(v1,v2,v3) \vec{v} = (v_1, v_2, v_3) 或 v⃗=(v1v2v3) \vec{v} = \begin{pmatrix} v_1 \\ v_2 \\ v_3 \end{pmatrix} 。

这些分量代表了向量在各个坐标轴上的投影。例如，向量 v⃗=(v1,v2) \vec{v}=(v_1,v_2) 可以看作是两个 基向量 (basis vectors) i^=(1,0) \hat{i}=(1,0) 和 j^=(0,1) \hat{j}=(0,1) 的线性组合：

v⃗=v1i^+v2j^\vec{v} = v_1\hat{i} + v_2\hat{j}

基本概念与运算

向量的模 (Magnitude / Norm)

向量的模是其长度，是一个标量。对于一个由坐标表示的向量，其模可以通过推广的勾股定理来计算。对于一个 n n 维向量 v⃗=(v1,v2,…,vn) \vec{v} = (v_1, v_2, \dots, v_n) ，其模记作 ∥v⃗∥ \|\vec{v}\| ，计算公式为：

∥v⃗∥=v12+v22+⋯+vn2\|\vec{v}\| = \sqrt{v_1^2 + v_2^2 + \dots + v_n^2}

例如，向量 a⃗=(3,4) \vec{a} = (3, 4) 的模是 ∥a⃗∥=32+42=9+16=25=5 \|\vec{a}\| = \sqrt{3^2 + 4^2} = \sqrt{9+16} = \sqrt{25} = 5 。

单位向量 (Unit Vector)

单位向量 是指模为1的向量。任何非零向量 v⃗ \vec{v} 都可以通过将其除以自身的模来得到一个指向相同方向的单位向量 v^ \hat{v} 。这个过程称为 归一化 (Normalization)。

v^=v⃗∥v⃗∥\hat{v} = \frac{\vec{v}}{\|\vec{v}\|}

单位向量主要用于表示方向。

向量加法与减法

向量的加减法遵循特定的几何和代数规则。

  • 代数运算：将对应分量相加或相减。

若 a⃗=(a1,a2) \vec{a} = (a_1, a_2) 且 b⃗=(b1,b2) \vec{b} = (b_1, b_2) ，则：

a⃗+b⃗=(a1+b1,a2+b2)\vec{a} + \vec{b} = (a_1 + b_1, a_2 + b_2)
a⃗−b⃗=(a1−b1,a2−b2)\vec{a} - \vec{b} = (a_1 - b_1, a_2 - b_2)
  • 几何解释：
  • 加法：遵循 平行四边形法则（将两向量起点对齐，其和为以它们为邻边的平行四边形的对角线向量）或 三角形法则（将一个向量的终点与另一个向量的起点相连，其和为从第一个向量的起点指向第二个向量终点的向量）。
  • 减法：a⃗−b⃗ \vec{a} - \vec{b} 可视为 a⃗+(−b⃗) \vec{a} + (-\vec{b}) ，其中 −b⃗ -\vec{b} 是与 b⃗ \vec{b} 大小相等、方向相反的向量。几何上，它也表示从 b⃗ \vec{b} 的终点指向 a⃗ \vec{a} 的终点的向量。

标量乘法 (Scalar Multiplication)

一个向量 v⃗ \vec{v} 与一个标量 k k 的乘积是一个新的向量 kv⃗ k\vec{v} 。

  • 代数运算：将向量的每个分量都乘以该标量。

若 v⃗=(v1,v2) \vec{v} = (v_1, v_2) ，则：

kv⃗=(kv1,kv2)k\vec{v} = (kv_1, kv_2)
  • 几何解释：
  • 新向量的模是原向量模的 ∣k∣ |k| 倍，即 ∥kv⃗∥=∣k∣∥v⃗∥ \|k\vec{v}\| = |k|\|\vec{v}\| 。
  • 如果 k>0 k > 0 ，新向量的方向与原向量相同。
  • 如果 k<0 k < 0 ，新向量的方向与原向量相反。
  • 如果 k=0 k = 0 ，结果为 零向量 0⃗=(0,0,… ) \vec{0} = (0, 0, \dots) 。

向量的乘积

向量之间有两种主要的乘法运算：点积和叉积。

1. 点积 (Dot Product)

点积，也称为 标量积 (Scalar Product)，是两个向量运算的结果，其值为一个标量。

  • 代数定义：两个向量的点积是它们对应分量乘积的和。

对于 a⃗=(a1,a2,…,an) \vec{a} = (a_1, a_2, \dots, a_n) 和 b⃗=(b1,b2,…,bn) \vec{b} = (b_1, b_2, \dots, b_n) ：

a⃗⋅b⃗=a1b1+a2b2+⋯+anbn=∑i=1naibi\vec{a} \cdot \vec{b} = a_1b_1 + a_2b_2 + \dots + a_nb_n = \sum_{i=1}^{n} a_i b_i
  • 几何定义：两个向量的点积是它们模的乘积再乘以它们之间夹角 θ \theta 的余弦。
a⃗⋅b⃗=∥a⃗∥∥b⃗∥cos⁡θ\vec{a} \cdot \vec{b} = \|\vec{a}\| \|\vec{b}\| \cos\theta

应用：

  • 计算夹角：可以从代数形式的点积反推出向量间的夹角：
θ=arccos⁡(a⃗⋅b⃗∥a⃗∥∥b⃗∥)\theta = \arccos\left(\frac{\vec{a} \cdot \vec{b}}{\|\vec{a}\| \|\vec{b}\|}\right)
  • 判断正交性：如果两个非零向量的点积为0，那么它们是相互垂直（正交）的，因为 cos⁡(90∘)=0 \cos(90^\circ) = 0 。
  • 计算投影：向量a⃗ \vec{a} 在向量b⃗ \vec{b} 方向上的投影是一个标量值 projb⃗a⃗=a⃗⋅b⃗∥b⃗∥ \text{proj}_{\vec{b}}\vec{a} = \frac{\vec{a} \cdot \vec{b}}{\|\vec{b}\|} 。

2. 叉积 (Cross Product)

叉积，也称为 向量积 (Vector Product)，是定义在 三维空间 中两个向量的运算，其结果是一个新的 向量。

设 a⃗=(a1,a2,a3) \vec{a} = (a_1, a_2, a_3) ，b⃗=(b1,b2,b3) \vec{b} = (b_1, b_2, b_3) 。

  • 几何定义：
  • 方向：叉积的结果向量 a⃗×b⃗ \vec{a} \times \vec{b} 同时垂直于 a⃗ \vec{a} 和 b⃗ \vec{b} 。其具体方向由 右手定则 确定。
  • 大小：其模等于以 a⃗ \vec{a} 和 b⃗ \vec{b} 为邻边的平行四边形的面积。
∥a⃗×b⃗∥=∥a⃗∥∥b⃗∥sin⁡θ\|\vec{a} \times \vec{b}\| = \|\vec{a}\| \|\vec{b}\| \sin\theta

其中 θ \theta 是 a⃗ \vec{a} 和 b⃗ \vec{b} 之间的夹角。

  • 代数定义：叉积可以通过一个形式上的行列式来计算：
a⃗×b⃗=∣i^j^k^a1a2a3b1b2b3∣=(a2b3−a3b2)i^−(a1b3−a3b1)j^+(a1b2−a2b1)k^\vec{a} \times \vec{b} = \begin{vmatrix} \hat{i} & \hat{j} & \hat{k} \\ a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \end{vmatrix} = (a_2b_3 - a_3b_2)\hat{i} - (a_1b_3 - a_3b_1)\hat{j} + (a_1b_2 - a_2b_1)\hat{k}

性质与应用：

  • 叉积不满足交换律，而是满足反交换律：a⃗×b⃗=−(b⃗×a⃗) \vec{a} \times \vec{b} = -(\vec{b} \times \vec{a}) 。
  • 如果两个向量平行（或共线），它们的叉积为零向量，因为 sin⁡(0∘)=sin⁡(180∘)=0 \sin(0^\circ) = \sin(180^\circ) = 0 。
  • 在物理学中，叉积用于计算力矩、角动量和洛伦兹力。
  • 在计算机图形学中，它用于计算平面的法向量，这对于光照和渲染至关重要。

推广：向量空间

在更抽象的线性代数中，向量的概念被推广为 向量空间 (Vector Space) 的元素。一个向量空间是一个集合，其中的元素（即“向量”）满足一系列公理，允许它们之间进行加法和标量乘法运算。

在这种框架下，向量可以是几何向量，也可以是多项式、函数、矩阵等更抽象的数学对象。只要这些对象满足向量空间的公理，就可以将向量代数的工具和思想应用于它们的研究中。这一抽象是现代数学和科学中许多领域的基础。

线性组合与张成空间

向量的线性组合是指将一组向量分别乘以标量系数后再相加，即 w⃗=c1v⃗1+c2v⃗2+⋯+ckv⃗k \vec{w} = c_1\vec{v}_1 + c_2\vec{v}_2 + \dots + c_k\vec{v}_k 。通过调整系数，线性组合可以生成各种不同的向量。给定一组向量，它们所有可能的线性组合构成的集合称为该向量组的张成空间，记作 span{v⃗1,v⃗2,…,v⃗k} \text{span}\{\vec{v}_1, \vec{v}_2, \dots, \vec{v}_k\} 。

如果一组向量中至少有一个向量可以表示为其余向量的线性组合，则称这组向量线性相关；反之，如果没有任何一个向量能被其他向量线性表示，则称它们线性无关。线性无关的向量组构成了张成空间的基，而基中向量的个数就是该空间的维度。这些概念共同构成了线性代数中向量空间理论的核心框架，深刻影响着从量子力学到机器学习等广泛的学科领域。

向量的应用

向量在现代科学和工程中具有极其广泛的应用。在物理学中，力、速度、加速度、电场强度和磁场强度等物理量都是向量，物理定律通常以向量方程的形式表达。在计算机图形学中，向量是描述三维模型顶点位置、光照方向、摄像机朝向和表面法线的核心工具，矩阵变换和向量运算支撑着整个渲染管线。在机器学习中，每个数据样本通常被表示为一个特征向量，模型的训练过程本质上是在高维向量空间中寻找最优的决策边界。在经济学中，向量用于表示多组商品的价格和数量组合，投入产出分析则依赖于向量运算来描述各部门之间的经济联系。可以说，向量是连接数学抽象与现实世界的重要桥梁，是现代科学技术不可或缺的基础工具。