當描述 相對變化量 比 絕對量 更容易時，微分方程就經常用到了。
比如，描述為什么種群數量增加or減少【相對】，比描述為什么它在某個時間點是某個特定值【絕對】更容易。
物理學中，運動經常用力來描述，力–>代表變化狀態的加速度。
常微分方程（ODE）：函數有一個自變量；
偏微分方程（PDE）：函數有多個自變量。
Nabla算子（也稱為梯度算子，符號為 ?）是一種微分算子（一個向量），其作用于不同的對象有不同的名稱（梯度，散度，旋度）。最早有哈密頓引進，也可叫哈密頓算子。
- 梯度：??（表示標量場的梯度，結果是一個向量）。數量場–>向量場，可以看做向量的數量乘法。
- 散度：??A（表示向量場的散度，結果是一個標量）。向量場–>數量場，可以看做向量的內積or點乘。
比如在一個梯度場中，每個方向都是指向函數變化最快的方向：
散度為正，說明它是這個向量場對“源”，有很多點正在遠離此處，那么可以理解為此處是一個“山谷”or最低點；
散度為負，說明它是這個向量場對“匯”，有很多點向它聚集，可以理解為此處是一個“山頂”or最高點。
散度為零，流入與流出相等。- 旋度：?×A（表示向量場的旋度，結果是一個向量），旋渦的方向滿足右手定則。
視頻見nabla算子
拉普拉斯算子，二階微分算子，通常用符號 ?2 表示。求梯度的散度。
有點類似標量值的多變量函數的二階導數，因為 二階導>0,說明是極小值點；二階導<0,說明是極大值點。
視頻見拉普拉斯算子直觀化
)
