拉普拉斯的介绍

皮埃尔-西蒙·拉普拉斯（Pierre-Simon Laplace，1749-1827）是法国数学家、天文学家和物理学家，被誉为“法国的牛顿”。他在天体力学、概率论与数学物理领域奠定了许多基础，也推动了偏微分方程的发展。

拉普拉斯算子是数学物理中最核心的微分算子之一。它把一个标量场映射到另一个标量场，用来度量“某点的数值相对于周围平均值的偏离程度”，从而反映函数的局部形态（凸、凹或平坦）。

核心思想：设 \(f\) 是定义在区域 \(\Omega\) 上的函数，\(x_0 \in \Omega\)。用 \(B_r(x_0)\) 表示以 \(x_0\) 为中心、半径为 \(r\) 的球，\(\bar{f}_r\) 表示 \(f\) 在球面上的平均值。则：

其中 \(d\) 是空间维数，这个系数保证了不同维度下的尺度一致性。

物理诠释： - 若 \(\nabla^2 f(x_0) > 0\)，说明 \(f(x_0)\) 低于周围平均值，该点像“谷底” - 若 \(\nabla^2 f(x_0) < 0\)，说明 \(f(x_0)\) 高于周围平均值，该点像“峰顶” - 若 \(\nabla^2 f(x_0) = 0\)，说明 \(f(x_0)\) 与周围平均值相当，局部近似“平坦”

拉普拉斯算子的来源

拉普拉斯算子的雏形最早出现在拉普拉斯对天体引力势的研究中。1782 年，他研究行星引力场时发现，引力势函数满足一个特殊的二阶偏微分方程：

这就是著名的拉普拉斯方程，而左端的微分算子后来被命名为拉普拉斯算子。它描述了“无源场”中的势函数特性，是许多物理问题的核心方程。

引力势的例子：设质量为 \(m\) 的质点位于原点，其引力势为 \(V = -\frac{Gm}{r}\)，其中 \(r = \sqrt{x^2+y^2+z^2}\)。在 \(r > 0\) 的区域内有 \(\nabla^2 V = 0\)，对应“真空中的调和势”。

图1：引力势 \(V = -1/r\) 的可视化。左图：三维势能曲面。中图：等势线。右图：拉普拉斯为零（除去原点奇点）。

记号约定：拉普拉斯算子常见的写法如下，三者等价，但侧重语境不同。

梯度

为了理解拉普拉斯算子，先从梯度开始。对标量函数 \(f: \mathbb{R}^d \to \mathbb{R}\)，梯度定义为：

几何意义：梯度是一个向量，方向指向函数增长最快的方向，模长给出最大增长率。

数值示例：设 \(f(x, y) = x^2 + y^2\)，则

在点 \((1, 2)\) 处，\(\nabla f = (2, 4)\)。

图2：梯度可视化。左图：三维曲面 \(f(x,y)=x^2+y^2\) 上的梯度向量（蓝色箭头），梯度沿切平面指向函数增长最快的方向。右图：二维平面上的梯度向量场与等高线，梯度始终垂直于等高线。

关键性质： - 梯度方向：函数增长最快的方向 - 梯度模长：最大变化率 - 梯度与等高线垂直

散度

接着看散度。对向量场 \(\mathbf{F} = (F_1, F_2, \ldots, F_d)\)，散度定义为：

物理意义：散度刻画向量场在某点“发散或汇聚”的强度。正散度表示该点像“源”（向外发散），负散度表示该点像“汇”（向内汇聚）。

数值示例：设 \(\mathbf{F} = (x^2, y^2, z^2)\)，则

在点 \((1, 2, 3)\) 处，\(\nabla \cdot \mathbf{F} = 2 + 4 + 6 = 12\)。

图3：散度可视化。左图：源场 \(\mathbf{F}=(x,y,z)\)，所有向量向外发散，散度为正（\(\nabla\cdot\mathbf{F}=3\)）。中图：汇场 \(\mathbf{F}=(-x,-y,-z)\)，所有向量向内汇聚，散度为负（\(\nabla\cdot\mathbf{F}=-3\)）。右图：二维投影对比，左侧为源、右侧为汇。

关键性质： - 散度为正：该点是"源"，物质向外扩散 - 散度为负：该点是"汇"，物质向内汇聚 - 散度为零：该点既不产生也不消灭物质

拉普拉斯算子

定义

拉普拉斯算子就是“梯度的散度”：

展开即得：

这是一个二阶线性微分算子，把标量函数映射为标量函数。

梯度、散度与拉普拉斯的关系

拉普拉斯算子本质上是梯度与散度的复合，可以理解为“先看增长方向，再看这些方向如何发散”：

图4：拉普拉斯算子的定义过程。Step 1：标量场 \(f\)。Step 2：求梯度得到向量场 \(\nabla f\)。Step 3：求散度得到标量场 \(\nabla^2 f\)。

关键洞察： - 梯度：标量场变为向量场，描述局部上升最快方向 - 散度：向量场变为标量场，描述局部“源/汇”强度 - 拉普拉斯：标量 → 向量 → 标量，体现“局部偏离平均值”的程度 - 拉普拉斯完成闭环：\(f \to\nabla f \to\nabla \cdot (\nabla f) =\nabla^2 f\)（标量 → 向量 → 标量）

以热传导为例，设 \(f\) 表示温度场： - \(\nabla f\) 是温度梯度，指向温度增加最快的方向 - 热流 \(\mathbf{q} = -k \nabla f\)（傅里叶定律：热量从高温流向低温） - \(\nabla \cdot \mathbf{q} = -k \nabla^2 f\) 描述热流的局部汇聚或发散 - 若 \(\nabla^2 f > 0\)，热量汇聚（温度低于周围平均），温度上升 - 若 \(\nabla^2 f < 0\)，热量发散（温度高于周围平均），温度下降

数值示例：设 \(f(x, y, z) = x^2 + y^2 + z^2\)

第一步：求梯度

第二步：求散度

因此 \(\nabla^2 f = 6 > 0\)，表示 \(f\) 在每点都低于周围平均值，是典型的凸函数。

一维二维三维情况

在一维情形，拉普拉斯算子简化为二阶导数：

几何意义：二阶导数反映函数的“凹凸性”。

数值示例：

1. \(f(x) = x^2\)：\(\nabla^2 f = f''(x) = 2 > 0\)，函数"凹"（开口向上）
2. \(f(x) = -x^2\)：\(\nabla^2 f = f''(x) = -2 < 0\)，函数"凸"（开口向下）
3. \(f(x) = x^3 - 3x\)：\(\nabla^2 f = f''(x) = 6x\)，在 \(x > 0\) 时凹，在 \(x < 0\) 时凸

物理解释：考虑一根张紧的弦，设 \(u(x, t)\) 表示弦在位置 \(x\)、时刻 \(t\) 的位移。弦的振动方程为：

其中 \(c\) 是波速。一维拉普拉斯算子描述弦的“弯曲程度”，对应恢复力的强弱。

在二维情形，使用笛卡尔坐标 \((x, y)\)：

数值示例：

图6：二维拉普拉斯算子示例。上排：调和函数 \(f=x^2-y^2\)，\(\nabla^2 f=0\)（鞍点）。下排：凸函数 \(f=x^2+y^2\)，\(\nabla^2 f=4>0\)（极小值点）。

离散形式（五点格式）：

模板表示：

三维情形

在三维中使用笛卡尔坐标 \((x, y, z)\)：

数值示例：

1. \(f(x, y, z) = x^2 + y^2 + z^2\)：\(\nabla^2 f = 2 + 2 + 2 = 6 > 0\)
2. \(f(x, y, z) = \frac{1}{r} = \frac{1}{\sqrt{x^2+y^2+z^2}}\)：\(\nabla^2 f = 0\)（\(r > 0\)，库仑势）

图7：三维拉普拉斯算子示例。左图：\(f=x^2+y^2+z^2\) 的等值面（球面），梯度向外。中图：库仑势 \(f=1/r\) 的等值面，\(\nabla^2 f=0\)。

三维拉普拉斯公式汇总：

具体计算示例：设 \(f = x^2 + y^2 + z^2\)

图8：三维拉普拉斯算子的连续形式与离散七点格式的可视化对比。

离散形式（七点格式）：

图9：离散拉普拉斯算子模板。左：一维三点格式。中：二维五点格式（蓝色为正权重，红色为负权重）。右：二维九点格式（更高精度）。

图10：三维七点格式模板。中心点权重为-6（红色），六个邻点权重为+1（蓝色），分别沿x、y、z三个坐标轴方向。

各维数拉普拉斯算子汇总

下面把常见维数下的连续形式与离散格式并列，便于横向对比。