1. 数学分析
1) 基本定义：
向量由多个分量组成，2D/3D向量表示一条有向线段。下面的ux,uy就是两个分量。
向量u = <ux, uy>，如果从点P1(x1, y1)指向点P2(x2, y2)，则：
U = p2 - p1 = (x2-x1, y2-y1) = <Ux, Uy>
向量被定义后，总是相对于原点的，所以可以用一个点来表示从原点指向该点的向量。
2) 向量的范数(norm)
范数就是向量长度，是从原点到终点的距离。用|u|表示，所以：
|U| = sqrt(Ux2 + Uy2)
|U| = sqrt(Ux2 + Uy2 + Uz2)
3) 单位向量与归一化
有时候，我们只关心向量的方向而不关心其长度，所以可以对向量做归一化，使其方向不变，而长度缩放为1，以方便计算。用n'表示。
归一化公式：
n' = n / |n|
4) 标量与向量乘法
对于标量k，标量与向量相乘的公式为：
k * u = k * <ux, uy> = <k * ux, k * uy>
标量与向量乘法的几何意义：缩放一个向量。也可以乘以-1来反转向量。
5) 向量之间相加，将各分量相加即可。
u + v = <ux, uy> + <vx, vy> = <ux + vx, uy + vy>
向量相加的几何意义：平移v的起点至u的终点，则结果为u的起点到平移后的v的终点的线段。如下图：
6) 向量相减，分量相减
u - v = <ux, uy> - <vx, vy> = <ux - vx, uy - vy>
几何意义：减数向量的终点指向被减数向量的终点的线段，如下图：
7) 点积
由于两个向量的分量直接相乘没有什么实际的几何意义，所以一般没用。而点积就十分有用。定义如下：
u.v = ux*vx + uy*vy
点积运算是将两个向量的分量分别相乘，然后再相加，所得的结果是一个标量。
点积的几何意义体现在这个点积公式上：
u.v = |u| * |v| * cos(theta)
即：点积等于两个向量的长度积，再乘以它们之间的夹角的余弦。于是便可以推得夹角的计算方法：
theta = arccos(u.v / (|u| * |v|))
这个公式是很多3D图形学算法的基础，并且如果u和v都是单位向量的话，则|u| = |v| = 1，那么：
theta = arccos(u.v)
下面有4个点积非常重要的定理：
1. 如果u与v垂直，则u.v = 0
2. 如果夹角为锐角，则u.v > 0
3. 如果夹角为钝角，则u.v < 0
4. 如果u与v相等，则u.v = |u| = |v|
那么根据点积的这些性质，我们可以发现由点积带来的一大用途——计算向量在给定方向上的投影向量。
先看下图：
其实思路很简单，既然是求u在v分量上的投影向量，那么方向已经可以知道了，所以所求投影向量的单位向量就等于v的单位向量，所以已经可以求得了该投影向量的单位向量：p(单位) = v / |v|
现在就差长度了，通过上图，可以知道|p| = |u| * cos(theta)，综合一下，就可以求得：
p = (v / |v|) * (|u| * cos(theta))
还记得点积公式吗？ u.v = |u| * |v| * cos(theta)
所以可以简化上面咱们的推导，得：
p = (u.v * v) / (|v| * |v|)
另外，点积满足以下乘法定律，很好证明，这里省略：
u.v = v.u
u.(v+w) = (u.v + u.w)
k*(u.v) = (k*u).v = u.(k*v)
8) 叉积
首先给出叉积的定义：
u × v = |u| * |v| * sin(theta) * n
其中n是垂直于u和v的单位法向量。
如何求n呢？我们需要建立一个矩阵：
| i j k |
| ux uy uz |
| vx vy vz |
其中i,j,k分别是与X、Y、Z轴平行的单位向量。
n是三个标量乘以X、Y、Z轴单位向量的线性组合：
n = (uy*vz - vy*uz)*i - (ux*vz - vx*uz)*j + (ux*vy - vx*uy)*k
所以n = <uy*vz - vy*uz, -ux*vz + vx*uz, ux*vy - vx*uy>
这样求得的n不一定是单位向量，所以需要进行归一化再使用。
其实后面求n不叉积的定义更重要，因为如果要求角度，点积就可以直接计算出来了，所以一般用叉积都是来求法线向量的。
叉积的乘法定律：
u×v = -(v×u)
u×(v+w) = u×v + u×w
(u+v)×w = u×w + v×w
k*(u×v) = (k*u)×v = u×(k*v)
9) 位移向量
先看图：
p1是从原点到点P1的向量，Vd是从点P1到点P2的向量，v'是Vd的单位向量，p是从原点到P2的向量。
还记得向量加法么，我们引入一个参数t来表示所相加的比例，则：
p = p1 + t*v' 其中t的取值范围是[0, |vd|]
或者
p = p1 + t*vd 其中t的取值范围是[0, 1]
这个概念非常重要，因为在游戏中跟踪直线、线段、曲线时，非常有用。
2. 代码实现
void _CPPYIN_Math::VectorAdd(VECTOR2D_PTR va, VECTOR2D_PTR vb, VECTOR2D_PTR vsum)
{vsum->x = va->x + vb->x;vsum->y = va->y + vb->y;
}void _CPPYIN_Math::VectorAdd(VECTOR3D_PTR va, VECTOR3D_PTR vb, VECTOR3D_PTR vsum)
{vsum->x = va->x + vb->x;vsum->y = va->y + vb->y;vsum->z = va->z + vb->z;
}void _CPPYIN_Math::VectorAdd(VECTOR4D_PTR va, VECTOR4D_PTR vb, VECTOR4D_PTR vsum)
{vsum->x = va->x + vb->x;vsum->y = va->y + vb->y;vsum->z = va->z + vb->z;vsum->w = 1;
}void _CPPYIN_Math::VectorSub(VECTOR2D_PTR va, VECTOR2D_PTR vb, VECTOR2D_PTR vsum)
{vsum->x = va->x - vb->x;vsum->y = va->y - vb->y;
}void _CPPYIN_Math::VectorSub(VECTOR3D_PTR va, VECTOR3D_PTR vb, VECTOR3D_PTR vsum)
{vsum->x = va->x - vb->x;vsum->y = va->y - vb->y;vsum->z = va->z - vb->z;
}void _CPPYIN_Math::VectorSub(VECTOR4D_PTR va, VECTOR4D_PTR vb, VECTOR4D_PTR vsum)
{vsum->x = va->x - vb->x;vsum->y = va->y - vb->y;vsum->z = va->z - vb->z;vsum->w = 1;
}void _CPPYIN_Math::VectorScale(double k, VECTOR2D_PTR va, VECTOR2D_PTR vscaled)
{vscaled->x = k * va->x;vscaled->y = k * va->y;
}void _CPPYIN_Math::VectorScale(double k, VECTOR3D_PTR va, VECTOR3D_PTR vscaled)
{vscaled->x = k * va->x;vscaled->y = k * va->y;vscaled->z = k * va->z;
}void _CPPYIN_Math::VectorScale(double k, VECTOR4D_PTR va, VECTOR4D_PTR vscaled)
{vscaled->x = k * va->x;vscaled->y = k * va->y;vscaled->z = k * va->z;vscaled->w = 1;
}double _CPPYIN_Math::VectorDot(VECTOR2D_PTR va, VECTOR2D_PTR vb)
{return (va->x * vb->x) + (va->y * vb->y);
}double _CPPYIN_Math::VectorDot(VECTOR3D_PTR va, VECTOR3D_PTR vb)
{return (va->x * vb->x) + (va->y * vb->y) + (va->z * va->z);
}double _CPPYIN_Math::VectorDot(VECTOR4D_PTR va, VECTOR4D_PTR vb)
{return (va->x * vb->x) + (va->y * vb->y) + (va->z * va->z);
}void _CPPYIN_Math::VectorCross(VECTOR3D_PTR va, VECTOR3D_PTR vb, VECTOR3D_PTR vn)
{vn->x = ((va->y * vb->z) - (va->z * vb->y));vn->y = -((va->x * vb->z) - (va->z * vb->x));vn->z = ((va->x * vb->y) - (va->y * vb->x));
}void _CPPYIN_Math::VectorCross(VECTOR4D_PTR va, VECTOR4D_PTR vb, VECTOR4D_PTR vn)
{vn->x = ((va->y * vb->z) - (va->z * vb->y));vn->y = -((va->x * vb->z) - (va->z * vb->x));vn->z = ((va->x * vb->y) - (va->y * vb->x)); vn->w = 1;
}double _CPPYIN_Math::VectorLength(VECTOR2D_PTR va)
{return sqrt(va->x * va->x + va->y * va->y);
}double _CPPYIN_Math::VectorLength(VECTOR3D_PTR va)
{return sqrt(va->x * va->x + va->y * va->y + va->z * va->z);
}double _CPPYIN_Math::VectorLength(VECTOR4D_PTR va)
{return sqrt(va->x * va->x + va->y * va->y + va->z * va->z);
}void _CPPYIN_Math::VectorNormalize(VECTOR2D_PTR va, VECTOR2D_PTR vn)
{vn->x = 0;vn->y = 0;double length = VectorLength(va);if (length < EPSILON){return;}else{double lengthdao = 1 / length;vn->x = va->x * lengthdao;vn->y = va->y * lengthdao;}
}void _CPPYIN_Math::VectorNormalize(VECTOR3D_PTR va, VECTOR3D_PTR vn)
{vn->x = 0;vn->y = 0;vn->z = 0;double length = VectorLength(va);if (length < EPSILON){return;}else{double lengthdao = 1 / length;vn->x = va->x * lengthdao;vn->y = va->y * lengthdao;vn->z = va->z * lengthdao;}
}void _CPPYIN_Math::VectorNormalize(VECTOR4D_PTR va, VECTOR4D_PTR vn)
{vn->x = 0;vn->y = 0;vn->z = 0;vn->w = 0;double length = VectorLength(va);if (length < EPSILON){return;}else{double lengthdao = 1 / length;vn->x = va->x * lengthdao;vn->y = va->y * lengthdao;vn->z = va->z * lengthdao;vn->w = 1;}
}double _CPPYIN_Math::VectorCos(VECTOR2D_PTR va, VECTOR2D_PTR vb)
{return VectorDot(va, vb) / (VectorLength(va) * VectorLength(vb));
}double _CPPYIN_Math::VectorCos(VECTOR3D_PTR va, VECTOR3D_PTR vb)
{return VectorDot(va, vb) / (VectorLength(va) * VectorLength(vb));
}double _CPPYIN_Math::VectorCos(VECTOR4D_PTR va, VECTOR4D_PTR vb)
{return VectorDot(va, vb) / (VectorLength(va) * VectorLength(vb));
}不用多说了，都是按照上面数学推导出来的公式直接实现。
3. 代码下载
完整项目源代码下载：>>点击进入下载页<<
之前的一直忘了改资源分默认是1，从这次开始我都改成0了。
4. 补充内容
1) 对于求向量范数的问题，其实这个实现方式效率不高，现在使用的勾股开方的形式实现，而其实可以使用泰勒级数来计算近似值，虽然有一点点误差，但是运算速度大大提高。
2) 你可以发现我在做向量归一化的时候，是先求了lengthdao = 1 / length，然后再去和三个分量做乘法，而不是让他们分别去除以length。其实也是效率原因，计算机做除法的速度远远慢于做乘法，所以我们只做一次除法，而做三次乘法，这样简单的优化带来的效果却是非常明显的。
转自:http://blog.csdn.net/cppyin/archive/2011/02/07/6174087.aspx
