如何推导向量平行与垂直的条件公式？

Question

在向量代数中，如何通过坐标运算推导向量平行与垂直的条件公式？常见问题为：已知两个二维或三维向量 $\vec{a} = (x_1, y_1, z_1)$ 和 $\vec{b} = (x_2, y_2, z_2)$，如何利用向量的点积与叉积推导出它们垂直（$\vec{a} \cdot \vec{b} = 0$）和平行（$\vec{a} \times \vec{b} = \vec{0}$ 或对应分量成比例）的充要条件？尤其在编程实现时，为何需考虑浮点误差对判断结果的影响？

Answer 1

1. 向量代数基础：点积与叉积的定义回顾

在向量代数中，两个向量 $\vec{a} = (x_1, y_1, z_1)$ 和 $\vec{b} = (x_2, y_2, z_2)$ 的几何关系可通过其代数运算揭示。首先回顾基本定义：

• 点积（Dot Product）：$\vec{a} \cdot \vec{b} = x_1x_2 + y_1y_2 + z_1z_2$，其结果为标量，且满足 $\vec{a} \cdot \vec{b} = |\vec{a}||\vec{b}|\cos\theta$，其中 $\theta$ 为夹角。
• 叉积（Cross Product）：仅适用于三维空间，$\vec{a} \times \vec{b} = (y_1z_2 - z_1y_2,\ z_1x_2 - x_1z_2,\ x_1y_2 - y_1x_2)$，结果是一个向量，方向垂直于 $\vec{a}$ 和 $\vec{b}$ 所在平面。

这些运算构成了判断向量平行与垂直的数学基础。

2. 垂直条件的推导：从几何到坐标表达

当两个向量垂直时，它们的夹角 $\theta = 90^\circ$，因此 $\cos\theta = 0$，由点积公式可得：

$$ \vec{a} \cdot \vec{b} = |\vec{a}||\vec{b}|\cos 90^\circ = 0 $$

代入坐标形式：

$$ x_1x_2 + y_1y_2 + z_1z_2 = 0 $$

该式即为三维向量垂直的充要条件。对于二维向量（$z_1 = z_2 = 0$），简化为 $x_1x_2 + y_1y_2 = 0$。此条件在图形学、物理引擎中广泛用于检测正交性。

3. 平行条件的两种等价表达

两向量平行意味着夹角 $\theta = 0^\circ$ 或 $180^\circ$，即 $\sin\theta = 0$。根据叉积模长公式：

$$ |\vec{a} \times \vec{b}| = |\vec{a}||\vec{b}|\sin\theta = 0 \Rightarrow \vec{a} \times \vec{b} = \vec{0} $$

将叉积展开：

$$ (y_1z_2 - z_1y_2,\ z_1x_2 - x_1z_2,\ x_1y_2 - y_1x_2) = (0, 0, 0) $$

即所有分量为零。另一种等价条件是对应分量成比例：

$$ \frac{x_1}{x_2} = \frac{y_1}{y_2} = \frac{z_1}{z_2} \quad (\text{当 } x_2,y_2,z_2 \neq 0) $$

该比例法更直观，但需处理零分量情况，常用于线性代数与计算机视觉中的方向一致性判断。

4. 编程实现中的浮点误差问题分析

在实际编程中，直接使用 == 判断是否为零会导致错误，因浮点数存在精度损失。例如，理论上应为零的点积可能计算为 1e-16。

理想值	实际计算值	原因
0	5.55e-17	IEEE 754 浮点舍入误差
0	-2.22e-16	三角函数或乘法累积误差
比例相等	微小偏差	除法精度丢失

因此必须引入“容差”（epsilon）进行近似比较。

5. 实际代码示例：Python 中的安全判断函数

import math

def are_perpendicular(a, b, eps=1e-10):
    dot_product = sum(ai * bi for ai, bi in zip(a, b))
    return abs(dot_product) < eps

def are_parallel(a, b, eps=1e-10):
    cross = [
        a[1]*b[2] - a[2]*b[1],
        a[2]*b[0] - a[0]*b[2],
        a[0]*b[1] - a[1]*b[0]
    ]
    magnitude = math.sqrt(sum(comp**2 for comp in cross))
    return magnitude < eps

上述代码通过设置 eps=1e-10 避免浮点误判，在游戏开发、机器人路径规划中尤为重要。

6. 多维度扩展与性能优化策略

对于高维向量（如机器学习中的特征向量），叉积不适用，平行性需依赖线性相关性判断（SVD 或行列式）。而点积仍可用于余弦相似度：

$$ \cos\theta = \frac{\vec{a} \cdot \vec{b}}{\|\vec{a}\|\|\vec{b}\|} $$

接近 ±1 表示平行，接近 0 表示垂直。在大规模数据处理中，建议预归一化向量以提升效率。

7. 流程图：向量关系判定逻辑

graph TD A[输入向量 a, b] --> B{维度?} B -->|2D/3D| C[计算点积] B -->|高维| D[计算余弦相似度] C --> E[|dot| < eps?] E -->|是| F[垂直] E -->|否| G[计算叉积或比例] G --> H[|cross| < eps?] H -->|是| I[平行] H -->|否| J[斜交] D --> K[|cosθ - 1| < eps?] K -->|是| I K -->|否| L[非平行]

该流程体现了从低维到高维的通用判定框架。