向量的点积与叉积

P-ShineBeam

已于 2023-02-08 14:27:29 修改

阅读量1.7k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： python空间关系判断文章标签：人工智能

于 2023-02-08 11:41:35 首次发布

本文链接：https://blog.csdn.net/weixin_42045968/article/details/128932323

python空间关系判断专栏收录该内容

8 篇文章

订阅专栏

文章介绍了向量的两种基本运算：点积和叉积。点积表示的是向量间的乘积和，其结果可表示一个向量在另一个向量上的投影长度。而叉积生成的结果是一个垂直于原向量的向量，其长度等于两向量构成的平行四边形的面积，方向遵循右手定则。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 向量的点积

点积是指两个维度相同的向量相乘，结果是对应坐标配对的乘积之和:
eg:
$[12]∙[12]=1×1+2×3=7\left[\begin{array}{l} 1 \\ 2 \end{array}\right] \bullet\left[\begin{array}{l} 1 \\ 2 \end{array}\right]=1 \times 1+2 \times 3=7$

留意：

$v⃗⋅w⃗=w⃗⋅v⃗\vec{v} \cdot \vec{w}=\vec{w} \cdot \vec{v}$
向量方向相同时结果为正，
向量方向相反时结果为负，
向量方向垂直结果为0.

几何意义：点积 $v⃗⋅w⃗\vec{v} \cdot \vec{w}$ 的结果是向量 $w⃗\vec{w}$ 在 $v⃗\vec{v}$ 上的正交投影长度乘以 $v⃗\vec{v}$ 的长度；本质是先投影再缩放.

2. 向量的叉积

几何意义：两个向量叉积的结果是第三个向量，结果向量垂直于原向量组成的平行四边形，长度等于平行四边形的面积，方向取决于原向量的相对位置，可以使用右手定则判断。
叉积 $v⃗×w⃗\vec{v} \times \vec{w}$ 等同于寻找一个向量 $p⃗\vec{p}$ (更为熟知的叫法是法向量)，满足下面的等式：
$[p1p2p3]⋅[xyz]=det⁡([xv1w1yv2w2zv3w3])\begin{array}{l} \left[\begin{array}{l} p_{1} \\ p_{2} \\ p_{3} \end{array}\right] \cdot\left[\begin{array}{l} x \\ y \\ z \end{array}\right]=\operatorname{det}\left(\left[\begin{array}{lll} x & v_{1} & w_{1} \\ y & v_{2} & w_{2} \\ z & v_{3} & w_{3} \end{array}\right]\right)\end{array}$

$⇓\Downarrow$

$[v1v2v3]×[w1w2w3]=det⁡([i⃗v1v1j⃗v2w2k⃗v3w3])=[v2w3−v3w2v3w1−v1w3v1w2−v2w1]\left[\begin{array}{l} v_{1} \\ v_{2} \\ v_{3} \end{array}\right] \times\left[\begin{array}{l} w_{1} \\ w_{2} \\ w_{3} \end{array}\right]=\operatorname{det}\left(\left[\begin{array}{ccc} \vec{i} & v_{1} & v_{1} \\ \vec{j} & v_{2} & w_{2} \\ \vec{k} & v_{3} & w_{3} \end{array}\right]\right)=\left[\begin{array}{l} v_{2} w_{3}-v_{3} w_{2} \\ v_{3} w_{1}-v_{1} w_{3} \\ v_{1} w_{2}-v_{2} w_{1} \end{array}\right]$
留意：

$v⃗⊥v⃗×w⃗,w⃗⊥v⃗×w⃗\vec{v} \perp \vec{v} \times \vec{w}, \quad \vec{w} \perp \vec{v} \times \vec{w}$
$v⃗×v⃗=0→,0→×v⃗=0→\vec{v} \times \vec{v}=\overrightarrow{0}, \quad \overrightarrow{0} \times \vec{v}=\overrightarrow{0}$
$v⃗//w⃗⇔v⃗×w⃗=0→\vec{v} / / \vec{w} \Leftrightarrow \vec{v} \times \vec{w}=\overrightarrow{0}$
$v⃗×w⃗=−w⃗×v⃗\vec{v} \times \vec{w}=-\vec{w} \times \vec{v}$
$(λv⃗)×w⃗=λ(v⃗×w⃗)(\lambda \vec{v}) \times \vec{w}=\lambda(\vec{v} \times \vec{w})$
$(v⃗+w⃗)×l⃗=v⃗×l⃗+w⃗×l⃗(\vec{v}+\vec{w}) \times \vec{l}=\vec{v} \times \vec{l}+\vec{w} \times \vec{l}$