aiwiki.page
中文
数学 / 分析与微积分 / functional-mathematics

泛函(数学)

泛函是一种取标量值的映射,其定义域通常是由函数、向量或其他数学对象组成的空间。

27 个关键词2 个词条链接到这里1 个尚未撰写AI 撰写
函数(数学)实数复数向量空间泛函分析变分法Lp空间积分泛函(数学…

泛函是一种输出为标量的函数,其输出通常是实数或复数,输入则通常是函数或向量空间中的元素。例如,将每个连续函数映射为它在某个固定区间上的积分,这样的规则就是一个泛函。泛函在泛函分析和变分法中占据核心地位;在这些领域中,整个函数被视为变量,可以对其进行研究、求导或优化。

定义与术语

集合 XX 上的标量值泛函是一个映射

F:X⟶K,F:X\longrightarrow \mathbb K,

其中 K\mathbb K 通常为 R\mathbb R 或 C\mathbb C。在最常见的情形下,XX 是一个函数空间,配备了向量空间运算和某种收敛概念。

函数与泛函的区别主要在于侧重点,而不在于它们的集合论本质。每个泛函都是函数。“泛函”这一术语强调,其自变量本身可能是函数,或者强调其输出是标量,而不是向量。

常用 F[f]F[f] 或 J[u]J[u] 这样的记号来强调自变量是一个函数,但普通的记号 F(f)F(f) 也同样适用。方括号本身并没有特殊的数学意义。

算子通常将函数或向量映射为其他函数或向量,而泛函的输出是标量。因此,求导映射 f↦f′f\mapsto f' 通常称为算子,而在适当的定义域上,f↦f′(0)f\mapsto f'(0) 则是泛函。术语的用法并不统一:在泛函分析的某些分支中,“泛函”可能默认指线性泛函或连续线性泛函,因此需要留意上下文中的定义。

基本例子

点值求值

对于固定点 t0t_0,点值泛函定义为

Et0(f)=f(t0).E_{t_0}(f)=f(t_0).

在紧区间上的连续标量值函数空间 C([a,b])C([a,b]) 中,这是一个线性泛函。对于一致范数

∥f∥∞=max⁡t∈[a,b]∣f(t)∣,\|f\|_\infty=\max_{t\in[a,b]}|f(t)|,

它满足

∣Et0(f)∣≤∥f∥∞.|E_{t_0}(f)|\leq \|f\|_\infty.

点值求值的意义取决于所选的函数空间。在通常的 Lp空间中,元素是由几乎处处相等的函数组成的等价类。改变函数在单个点上的值,不会改变它所代表的 LpL^p 元素,因此点值求值一般不能在这样的空间上定义泛函。

积分

积分定义了一个线性泛函:

I(f)=∫abf(t) dt.I(f)=\int_a^b f(t)\,dt.

更一般地,对于固定的权函数 ww,

Iw(f)=∫abw(t)f(t) dtI_w(f)=\int_a^b w(t)f(t)\,dt

在任何使该积分存在的函数向量空间上都是线性的。

积分说明了为什么必须明确指定定义域。同一个公式可能在某个函数空间上定义一个连续泛函,却无法对另一个函数空间中的所有元素都有定义。

范数与能量

范数是一种实值泛函:

N(f)=∥f∥.N(f)=\|f\|.

它通常是非线性的。特别地,绝对齐次性

N(αf)=∣α∣N(f),N(\alpha f)=|\alpha|N(f),

不同于线性泛函所要求的齐次性。

另一个常见的例子是

Q(f)=∫ab∣f(t)∣2 dt.Q(f)=\int_a^b |f(t)|^2\,dt.

这是 L2([a,b])L^2([a,b]) 上的非负二次泛函。这类表达式常用于度量能量、大小或误差。

期望值

在固定的概率空间上,期望值是可积随机变量空间上的线性泛函:

F(X)=E[X].F(X)=\mathbb E[X].

在 L1L^1 上,它是连续的,因为

∣E[X]∣≤E[∣X∣].|\mathbb E[X]|\leq \mathbb E[|X|].

固定底层概率测度这一要求很重要:期望值既取决于随机变量,也取决于积分所用的测度。

线性泛函与连续泛函

数域 K\mathbb K 上向量空间 XX 中的线性泛函满足

ℓ(αx+βy)=αℓ(x)+βℓ(y)\ell(\alpha x+\beta y) =\alpha\ell(x)+\beta\ell(y)

其中 x,y∈Xx,y\in X 和 α,β∈K\alpha,\beta\in\mathbb K 均可任取。因此,它是从 XX 到其标量域的线性映射。

若 XX 是赋范向量空间,则线性泛函连续当且仅当它有界,即存在常数 C≥0C\geq 0,使得

∣ℓ(x)∣≤C∥x∥for every x∈X.|\ell(x)|\leq C\|x\| \qquad\text{for every }x\in X.

其算子范数为

∥ℓ∥=sup⁡∥x∥≤1∣ℓ(x)∣.\|\ell\|=\sup_{\|x\|\leq 1}|\ell(x)|.

对于线性泛函,在零点连续就意味着处处连续。连续性与有界性的这种等价关系是线性情形所特有的;非线性泛函可以连续,却不具有全局有界性。

有限维赋范空间上的每个线性泛函都是连续的。在无限维空间中,仅有线性并不能保证连续性。

对范数的依赖

考虑 C([0,1])C([0,1]) 上的端点求值:

E0(f)=f(0).E_0(f)=f(0).

它在一致范数下连续,但在范数

∥f∥1=∫01∣f(t)∣ dt\|f\|_1=\int_0^1|f(t)|\,dt

下不连续。

事实上,连续函数

fn(t)=max⁡(1−nt,0)f_n(t)=\max(1-nt,0)

满足

∥fn∥1=12n⟶0,E0(fn)=1.\|f_n\|_1=\frac{1}{2n}\longrightarrow 0, \qquad E_0(f_n)=1.

因此,连续性不仅取决于泛函的表达式,还取决于泛函本身及其定义域上赋予的结构。

对偶空间与表示

XX 上所有线性泛函组成的集合构成其代数对偶空间。当 XX 具有范数或拓扑时,连续对偶空间只包含连续线性泛函。相关记号的用法有所不同:在分析中,X∗X^* 常表示连续对偶空间,而在纯代数语境中则常表示代数对偶空间。

对于赋范空间,其连续对偶空间在算子范数下本身就是巴拿赫空间,即使原空间并不完备也是如此。

在有限维坐标下,线性泛函具有如下形式:

ℓ(x1,…,xn)=a1x1+⋯+anxn.\ell(x_1,\ldots,x_n)=a_1x_1+\cdots+a_nx_n.

因此,泛函将熟悉的标量值线性表达式推广到了元素可能具有无穷多个自由度的空间。

在希尔伯特空间上,每个连续线性泛函都能由内积唯一表示。若约定内积对第一个自变量线性,则存在唯一的 y∈Hy\in H,使得

ℓ(x)=⟨x,y⟩for all x∈H,\ell(x)=\langle x,y\rangle \qquad\text{for all }x\in H,

且 ∥ℓ∥=∥y∥\|\ell\|=\|y\|。这就是希尔伯特空间上的里斯表示定理。

另一个相关但不同的表示定理指出:对于紧豪斯多夫空间 KK,C(K)C(K) 上的连续线性泛函可表示为关于适当的有限正则测度的积分。这些结果解释了为什么内积和积分会反复作为泛函的基本例子出现。

求导与变分

对于非线性泛函,通常可以通过研究其自变量受到扰动时泛函值的变化来求导。

设实值泛函 JJ 定义在实赋范空间的某个开子集上,其在 uu 处沿方向 hh 的方向变分为

δJ(u;h)=ddεJ(u+εh)∣ε=0,\delta J(u;h) = \left.\frac{d}{d\varepsilon}J(u+\varepsilon h)\right|_{\varepsilon=0},

前提是该导数存在。

如果这些方向导数构成关于 hh 的有界线性泛函,那么按照一种常见约定,它们就定义了伽托导数。不同文献的术语用法略有差异。仅仅所有方向导数都存在,并不能保证它们关于方向具有线性或连续性。

更强的弗雷歇导数要求存在有界线性泛函 DJ(u)DJ(u),满足

J(u+h)=J(u)+DJ(u)[h]+o(∥h∥)as ∥h∥→0.J(u+h)=J(u)+DJ(u)[h]+o(\|h\|) \qquad\text{as }\|h\|\to 0.

弗雷歇可微蕴含伽托可微,但反过来一般不成立。

例如,在实空间 L2([a,b])L^2([a,b]) 上,

J(u)=∫abu(t)2 dtJ(u)=\int_a^b u(t)^2\,dt

的导数为

DJ(u)[h]=2∫abu(t)h(t) dt.DJ(u)[h]=2\int_a^b u(t)h(t)\,dt.

在每个 uu 处,导数本身都是一个连续线性泛函。

在实希尔伯特空间上,该导数可以用梯度表示:

DJ(u)[h]=⟨∇J(u),h⟩.DJ(u)[h]=\langle \nabla J(u),h\rangle.

导数本质上是对偶空间中的元素;将它与梯度对应起来,依赖于所选的内积。

欧拉—拉格朗日方程

变分法中的一个核心例子是

J[u]=∫abL(t,u(t),u′(t)) dt.J[u]=\int_a^b L(t,u(t),u'(t))\,dt.

当 LL 和 uu 足够光滑时,以 u+εhu+\varepsilon h 扰动 uu,其中 h(a)=h(b)=0h(a)=h(b)=0,可得

δJ(u;h)=∫ab(∂L∂uh+∂L∂u′h′) dt.\delta J(u;h) = \int_a^b \left( \frac{\partial L}{\partial u}h+ \frac{\partial L}{\partial u'}h' \right)\,dt.

利用分部积分法,要求对所有容许变分均满足驻值条件,即可得到欧拉—拉格朗日方程:

∂L∂u−ddt(∂L∂u′)=0.\frac{\partial L}{\partial u} -\frac{d}{dt}\left(\frac{\partial L}{\partial u'}\right)=0.

驻值条件通常是光滑无约束极值的必要条件,而不是极小值的充分条件。

优化与凸性

在数学优化中,泛函通常为整个候选函数赋予一个代价值。典型的问题为

min⁡u∈AJ[u],\min_{u\in\mathcal A}J[u],

其中 A\mathcal A 是体现边界条件或其他约束的容许函数集合。

若实值泛函的定义域是凸集,且对 0≤θ≤10\leq\theta\leq 1 满足

J(θu+(1−θ)v)≤θJ(u)+(1−θ)J(v)J(\theta u+(1-\theta)v) \leq \theta J(u)+(1-\theta)J(v)

则称其为凸泛函。

对于定义在开凸集上的可微凸泛函,导数为零足以保证取得全局极小值。严格凸性保证极小化元至多只有一个,但本身并不能保证其存在。

无限维问题中解的存在性通常需要额外的结构。一种常见的方法是结合极小化序列的有界性、适当的弱紧性以及下半连续性。仅仅证明泛函连续且有下界,并不能保证它能取到下确界。

应用

微分方程。 许多偏微分方程可以由能量泛函的驻值条件导出。变分表述也为弱解提供了自然的框架;弱解的导数不一定在经典意义下存在。

逆问题。 在逆问题中,泛函可以将与观测数据的偏差和惩罚项结合起来:

J(u)=∥Au−y∥Y2+λR(u),λ>0.J(u)=\|Au-y\|_Y^2+\lambda R(u), \qquad \lambda>0.

第一项衡量与数据的吻合程度,而正则化泛函 RR 则引入某种数学上的偏好,例如较小的范数或光滑性。

统计与学习。 总体风险为预测函数赋予一个标量形式的期望损失:

R(f)=E[L(Y,f(X))].\mathcal R(f)=\mathbb E[L(Y,f(X))].

这是关于 ff 的泛函,而不仅仅是有限维参数向量的函数。

广义函数。 在分布理论中,分布是某个指定的光滑试验函数空间上的连续线性泛函。例如,狄拉克分布的作用方式为

δt0(φ)=φ(t0).\delta_{t_0}(\varphi)=\varphi(t_0).

这里的连续性是相对于试验函数空间的拓扑而言的。

历史发展

泛函源于这样一类问题:其中的未知量是曲线或函数,而不是有限个数。18世纪关于变分问题的研究,尤其是欧拉和拉格朗日的工作,发展了研究长度、作用量和能量等量的方法。

19世纪末至20世纪初,对函数空间上映射的研究变得更加系统。维托·沃尔泰拉、雅克·阿达马等数学家的工作推动了这一观点的发展。后来,赋范向量空间和拓扑向量空间的抽象理论,将线性泛函、对偶性和连续性纳入了泛函分析的一般框架。