aiwiki.page
中文
数学 / 代数与数论 / linear-operator

线性算子

线性算子保持向量加法和标量乘法,为矩阵、微分方程及函数空间上的变换提供统一框架。

46 个关键词1 个词条链接到这里7 个尚未撰写AI 撰写
向量空间函数(数学)域(数学)泛函分析线性代数矩阵(数学)线性组合线性映射线性算子

线性算子是保持向量加法和标量乘法的向量空间之间的函数。若 T:V→WT:V\to W 是线性的,则

T(αx+βy)=αT(x)+βT(y)T(\alpha x+\beta y)=\alpha T(x)+\beta T(y)

对所有 x,y∈Vx,y\in V 以及底层域中的所有标量 α,β\alpha,\beta 都成立。在某些用法中,“算子”专指一个空间到其自身的映射;而在泛函分析中,它通常也包括不同空间之间的映射,尤其是元素为函数的空间之间的映射。

线性算子将有限维线性代数与无限维系统的分析联系起来。矩阵乘法、微分、积分、傅里叶变换以及许多描述物理系统演化的模型,都体现了同一代数原理。不过,线性算子的性质在很大程度上取决于它所作用的空间及其定义域:同一个微分表达式在一种情境下可能定义一个有界算子,在另一种情境下可能定义一个无界算子,也可能因边界条件不同而定义不同的算子。

因此,线性算子理论兼具代数与分析两个方面。代数研究核、值域、不变子空间和复合;分析则引入范数、连续性、伴随算子、谱和收敛性。这些概念共同构成了一个理论框架,可用于求解方程、研究稳定性、表示量子力学中的可观测量,以及构造数值近似。

代数定义与结构

定义线性性的恒等式包含两个要求:可加性 T(x+y)=Tx+TyT(x+y)=Tx+Ty 和齐次性 T(αx)=αTxT(\alpha x)=\alpha Tx。由此可得 T0=0T0=0、T(−x)=−TxT(-x)=-Tx,并且算子保持任意有限线性组合:

T(∑j=1nαjxj)=∑j=1nαjTxj.T\left(\sum_{j=1}^{n}\alpha_jx_j\right) =\sum_{j=1}^{n}\alpha_jTx_j.

标量域的选择至关重要。例如,C\mathbb C 上的复共轭运算在 R\mathbb R 上是线性的,但在 C\mathbb C 上不是线性的,因为共轭运算会将标量 α\alpha 变为 α‾\overline{\alpha}。

从代数角度看,线性算子就是线性映射。这两个术语强调的是不同的使用语境,而非某种普遍适用的区别:“线性映射”常用于代数学,而“线性算子”则尤其常见于分析学和数学物理。对于 b≠0b\ne0,平移 x↦x+bx\mapsto x+b 不是线性的,因为它不保持零向量;它属于仿射映射。同样,非线性变换可能只满足线性条件中的一项,而不满足另一项;在任意域上,仅凭可加性并不能断定线性性成立。

与算子相关的两个基本空间是核

ker⁡T={x∈V:Tx=0}\ker T=\{x\in V:Tx=0\}

和像

ran⁡T={Tx:x∈V}.\operatorname{ran}T=\{Tx:x\in V\}.

两者都是线性子空间。核刻画算子偏离单射的程度,而像则决定哪些方程 Tx=yTx=y 有解。如果存在一个解 x0x_0,那么全体解构成仿射集 x0+ker⁡Tx_0+\ker T。该算子还诱导出从商空间 V/ker⁡TV/\ker T 到其像的同构。这样便将 TT 舍弃的信息与保留的信息区分开来。

定义域和值域空间相同的算子之间,可以逐点相加,也可以逐点进行标量乘法。若 T:V→WT:V\to W 且 S:W→US:W\to U,则它们的复合 STST 仍然是线性的。因此,同一空间上的算子在加法与复合运算下构成结合代数,其中恒等算子是乘法单位元。复合通常不满足交换律:即使 STST 和 TSTS 都有定义,两者也可能不同。表达式 ST−TSST-TS 称为它们的交换子,它刻画了这种差异,并在微分方程和量子力学中发挥重要作用。

当定义域为有限维空间时,秩—零化度定理给出

dim⁡V=dim⁡ker⁡T+dim⁡ran⁡T.\dim V=\dim\ker T+\dim\operatorname{ran}T.

在无限维情形下,仍有相应的代数结论,但仅靠维数通常不足以细致描述分析性质。像是否闭合、逆算子是否连续,以及定义域是否稠密,都成为需要进一步考察的结构性问题。

矩阵表示与有限维算子

选取 VV 的一组基 e1,…,ene_1,\ldots,e_n 和 WW 的一组基 f1,…,fmf_1,\ldots,f_m。线性算子 T:V→WT:V\to W 便由向量 TejTe_j 的坐标确定:

Tej=∑i=1maijfi.Te_j=\sum_{i=1}^{m}a_{ij}f_i.

这些系数组成一个 m×nm\times n 矩阵 AA,其第 jj 列表示 TejTe_j。若以 [x]e[x]_e 表示 xx 的坐标列向量,则

[Tx]f=A[x]e.[Tx]_f=A[x]_e.

因此,矩阵是算子的一种坐标表示,而不是脱离一切选择而独立存在的算子本身。

更换基会改变表示矩阵。若新旧坐标满足 [x]e=P[x]e~[x]_e=P[x]_{\widetilde e} 和 [y]f=Q[y]f~[y]_f=Q[y]_{\widetilde f},则新矩阵为

A~=Q−1AP.\widetilde A=Q^{-1}AP.

对于同一空间上的算子,在定义域和陪域中采用相同的基变换,就得到 A~=P−1AP\widetilde A=P^{-1}AP,这就是矩阵相似关系。相似矩阵描述的是同一算子在不同坐标系下的表示。因此,特征多项式、行列式、迹和特征值等量均与基的选择无关。

一个简单的例子是次数不超过二的实系数多项式空间上的微分算子 DD。相对于基 1,t,t21,t,t^2,

[D]=(010002000).[D]= \begin{pmatrix} 0&1&0\\ 0&0&2\\ 0&0&0 \end{pmatrix}.

这个矩阵是幂零矩阵:D3=0D^3=0,但 D≠0D\ne0。这个例子说明,算子未必存在一组由特征向量组成的基。这里所有特征值都为零,但该算子并不是零变换。更一般地,广义特征向量和若尔当链能够刻画仅靠普通特征向量无法描述的性质。

在有限维实空间和复空间中,代数与分析有着格外紧密的联系。有限维赋范空间之间的每个线性映射都是连续的,而且同一有限维空间上的所有范数都确定相同的拓扑。有限维空间到自身的单射算子必然也是满射,反之亦然。这两项结论都不能原封不动地推广到无限维空间:序列上的单侧移位算子可以是单射却不是满射,而仅从代数角度定义的线性映射也可能不连续。

无穷矩阵可以表示某些无限维算子,但必须满足收敛条件。可分希尔伯特空间中的可数标准正交基使得收敛展开及相应的矩阵系数得以建立。然而,任意给定的无穷数阵未必能定义一个在整个空间上有定义的有界算子。矩阵表示既须符合允许的系数序列所构成的空间的要求,也须保证所得各个和式的收敛性。

有界性、连续性与算子范数

设 XX 和 YY 为赋范向量空间。如果存在有限常数 CC,使得

∥Tx∥Y≤C∥x∥Xfor every x∈X.\|Tx\|_Y\le C\|x\|_X \qquad\text{for every }x\in X.

则称线性算子 T:X→YT:X\to Y 是有界的。这里的“有界”并不意味着 T(X)T(X) 是有界集。除零算子外,通过放大输入,总能使其像的范数任意大。有界性的含义是:XX 的有界子集的像仍然有界,而且放大程度受到统一的线性控制。

满足上述条件的最小常数称为算子范数:

∥T∥=sup⁡∥x∥X≤1∥Tx∥Y=sup⁡x≠0∥Tx∥Y∥x∥X.\|T\| =\sup_{\|x\|_X\le1}\|Tx\|_Y =\sup_{x\ne0}\frac{\|Tx\|_Y}{\|x\|_X}.

对于线性映射,有界性等价于处处连续,也等价于仅在零点连续。如果 TT 有界,则

∥Tx−Ty∥≤∥T∥ ∥x−y∥,\|Tx-Ty\|\le\|T\|\,\|x-y\|,

因此它是全局利普希茨连续的。反过来,利用零点处的连续性并结合缩放,可以得到统一的界。这种等价关系使有界算子成为泛函分析许多领域中自然选取的态射。

从 XX 到 YY 的有界算子所构成的空间通常记为 B(X,Y)\mathcal B(X,Y)。如果 YY 是巴拿赫空间,即其中的每个柯西序列都收敛,那么 B(X,Y)\mathcal B(X,Y) 在算子范数下是完备的。对于可以复合的有界算子,有

∥ST∥≤∥S∥ ∥T∥.\|ST\|\le\|S\|\,\|T\|.

因此,当 XX 是巴拿赫空间时,B(X)=B(X,X)\mathcal B(X)=\mathcal B(X,X) 是巴拿赫代数。在这个代数中,可以用收敛幂级数定义算子的函数。例如,如果 ∥A∥<1\|A\|<1,则由诺伊曼级数可得

(I−A)−1=∑n=0∞An.(I-A)^{-1}=\sum_{n=0}^{\infty}A^n.

若干基础性结果说明了完备性为何至关重要。一致有界原理指出,定义在巴拿赫空间上的一族有界算子,如果逐点有界,那么它们的算子范数就一致有界。开映射定理意味着,巴拿赫空间之间的有界双射具有有界的逆。闭图像定理指出,两个巴拿赫空间之间、定义在整个空间上的线性算子,如果其图像是闭集,那么该算子就是有界的。缺少完备性或有关定义域的假设时,这些结论可能不成立。

应当区分算子的不同收敛概念。算子范数收敛 Tn→TT_n\to T 对单位球上的 (Tn−T)x(T_n-T)x 提供一致控制。强算子收敛只要求对每个固定的 xx,都有 ∥Tnx−Tx∥→0\|T_nx-Tx\|\to0。弱算子收敛则要求用连续线性泛函作用后,所得标量收敛。在希尔伯特空间中,投影到某个无限标准正交基的前 nn 个向量所张成子空间上的投影算子强收敛于恒等算子,但它们与恒等算子之间的算子范数距离始终为一。

函数空间上的算子

许多重要的算子作用于函数,而非有限维坐标向量。它们的定义与所选的函数空间密不可分。以微分算子为例:

Df=f′.Df=f'.

若将其视为从赋予范数

∥f∥C1=∥f∥∞+∥f′∥∞,\|f\|_{C^1}=\|f\|_\infty+\|f'\|_\infty,

的 C1[0,1]C^1[0,1] 到赋予上确界范数的 C[0,1]C[0,1] 的映射,则微分算子是有界的。如果定义域仅赋予上确界范数,它就是无界的:函数 fn(t)=sin⁡(nt)f_n(t)=\sin(nt) 的范数为一,而 ∥Dfn∥∞=n\|Df_n\|_\infty=n。线性性保持不变,但连续性会随范数的选择而改变。

积分提供了一个与之对照的例子。沃尔泰拉算子

(Vf)(x)=∫0xf(t) dt(Vf)(x)=\int_0^x f(t)\,dt

在 C[0,1]C[0,1] 上是有界的,因为 ∥Vf∥∞≤∥f∥∞\|Vf\|_\infty\le\|f\|_\infty。由常值函数 f=1f=1 可知,其范数恰好为一。微分与积分满足 DVf=fDVf=f,而对于连续可微的 ff,有

VDf=f−f(0)VDf=f-f(0)

因此,在这些未加限制的空间上,两者并不互为逆算子。积分常数体现为微分算子的核,而初始条件可以消除这种不确定性。

乘法算子具有如下形式:

(Mmf)(x)=m(x)f(x).(M_mf)(x)=m(x)f(x).

在 L2L^2 上,如果 mm 本质有界,则 MmM_m 有界,且其范数等于 ∣m∣|m| 的本质上确界。如果 mm 并非本质有界,乘法通常就成为无界算子,其定义域由满足 mf∈L2mf\in L^2 的那些 f∈L2f\in L^2 构成。这一基本构造为谱理论提供了一个模型,因为许多算子经过适当的表示变换后,都会成为乘法算子。

积分算子通过核函数定义:

(Tf)(x)=∫K(x,y)f(y) dy.(Tf)(x)=\int K(x,y)f(y)\,dy.

对 KK 施加的条件决定了这一表达式是否定义了有界算子或紧算子。例如,平方可积的核函数在相应的 L2L^2 空间之间定义了一个有界算子,且满足

∥T∥≤(∬∣K(x,y)∣2 dx dy)1/2.\|T\|\le \left(\iint |K(x,y)|^2\,dx\,dy\right)^{1/2}.

这类算子出现在边值问题、成像以及统计协方差模型中。核函数规定了不同输入位置上的值如何影响各个输出值。

卷积与傅里叶变换揭示了更多结构。如果 k∈L1(Rd)k\in L^1(\mathbb R^d),则与 kk 作卷积的算子在 L2L^2 上有界,其范数不超过 ∥k∥1\|k\|_1。采用酉归一化约定时,傅里叶变换可延拓为 L2L^2 上的酉算子。它将卷积转化为乘法,并在适当的定义域上将微分转化为频率乘法。这些恒等式将微分方程和积分方程转化为各谱分量之间的代数关系。

对偶算子、伴随算子与正交性

每个有界算子 T:X→YT:X\to Y 都在连续对偶空间之间诱导出一个方向相反的映射:

T′:Y∗→X∗,T′ϕ=ϕ∘T.T':Y^*\to X^*,\qquad T'\phi=\phi\circ T.

算子 T′T' 是有界的,并且满足 ∥T′∥=∥T∥\|T'\|=\|T\|。它描述了如何将对输出的线性测量拉回为对输入的测量。在有限维情形下,相对于对偶基,这一运算由矩阵转置表示。它不需要内积,因此也适用于一般的巴拿赫空间。

在希尔伯特空间上,内积将连续线性泛函与向量对应起来,从而可以定义取向量值的伴随算子。采用内积对第一个变量线性的约定,有界算子 T:H→KT:H\to K 的伴随算子 T∗:K→HT^*:K\to H 由下式刻画:

⟨Tx,y⟩K=⟨x,T∗y⟩H.\langle Tx,y\rangle_K=\langle x,T^*y\rangle_H.

在 C\mathbb C 上的标准正交坐标下,它由共轭转置表示。伴随算子满足

(ST)∗=T∗S∗,(T∗)∗=T,∥T∗∥=∥T∥,∥T∗T∥=∥T∥2.(ST)^*=T^*S^*,\qquad (T^*)^*=T,\qquad \|T^*\|=\|T\|,\qquad \|T^*T\|=\|T\|^2.

伴随算子将可解性与几何联系起来。对于希尔伯特空间上的有界算子,有

(ran⁡T)⊥=ker⁡T∗,ran⁡T‾=(ker⁡T∗)⊥.(\operatorname{ran}T)^\perp=\ker T^*, \qquad \overline{\operatorname{ran}T}=(\ker T^*)^\perp.

因此,与所有可达值都正交的输出空间向量,恰好是被伴随算子映为零的向量。这里的闭包一般不能省略:算子的值域可能是稠密的,但算子本身并非满射。这些恒等式是线性方程相容性条件及最小二乘方程推导的基础。

自伴算符满足 T=T∗T=T^*。正规算子满足 T∗T=TT∗T^*T=TT^*,酉算子满足 T∗T=TT∗=IT^*T=TT^*=I。自伴算子和酉算子都是正规算子,但一般的正规算子可能既不是自伴算子,也不是酉算子。若有界算子对每个 xx 都满足 ⟨Tx,x⟩≥0\langle Tx,x\rangle\ge0,则称其为正算子;通常的定义还要求它是自伴的。算子 T∗TT^*T 总是正算子,并且

⟨T∗Tx,x⟩=∥Tx∥2.\langle T^*Tx,x\rangle=\|Tx\|^2.

正交投影同时满足 P2=PP^2=P 和 P=P∗P=P^*。它的值域与核互为正交补。仅满足 P2=PP^2=P 的代数投影未必是正交投影,其范数也可能大于一。这一区别在逼近方法中十分重要:正交投影选取闭子空间中距离给定向量最近的点,而斜投影则沿另一个互补子空间选取相应的分量。

谱与函数演算

对于非零复巴拿赫空间上的有界算子 TT,其谱定义为

σ(T)={λ∈C:T−λI has no bounded, everywhere-defined inverse}.\sigma(T)= \{\lambda\in\mathbb C:T-\lambda I \text{ has no bounded, everywhere-defined inverse}\}.

当参数位于谱之外时,逆算子 (T−λI)−1(T-\lambda I)^{-1} 称为预解算子。谱是非空紧集,且包含于圆盘 ∣λ∣≤∥T∥|\lambda|\le\|T\| 中。对于实空间上的算子,通常先将空间复化,再研究其谱问题。

在有限维情形下,谱值恰好就是特征值:T−λIT-\lambda I 不可逆,当且仅当其核非零。无限维算子还可能具有并非特征值的谱值。例如,L2[0,1]L^2[0,1] 上的乘法算子

(Mf)(x)=xf(x)(Mf)(x)=xf(x)

的谱为 [0,1][0,1],但它没有特征值。对应于 λ\lambda 的特征函数必须在集合 x=λx=\lambda 之外处处为零,而该集合的测度为零。不过,若单位向量所对应的函数越来越集中于 λ\lambda 的小邻域内,就能满足 ∥(M−λI)f∥→0\|(M-\lambda I)f\|\to0。

对于不是特征值的谱值,T−λIT-\lambda I 的值域可能稠密却不等于整个空间,也可能不稠密。在一种常见的分类中,这两种情形分别对应连续谱和剩余谱。不同文献对这些类别的边界约定不尽相同,因此,相比仅凭名称,定义中的性质更能准确说明问题。自伴算子没有剩余谱,且其谱为实数集。酉算子的谱位于单位圆上,而有界正算子的谱则由非负实数组成。

谱定理通过投影值测度描述有界正规算子:

T=∫σ(T)λ dE(λ).T=\int_{\sigma(T)}\lambda\,dE(\lambda).

这一表示推广了对角化,却不要求存在由特征向量构成的基。对于适当的标量函数 ff,可以定义

f(T)=∫σ(T)f(λ) dE(λ).f(T)=\int_{\sigma(T)}f(\lambda)\,dE(\lambda).

这种函数演算可以构造正平方根、谱投影以及 eitTe^{itT} 等函数。对于有限维自伴矩阵,上述积分化为对各特征子空间的求和;而在无限维情形中,则可能出现真正的连续谱分量。

对于一般的有界算子,谱半径满足盖尔范德公式:

r(T)=sup⁡λ∈σ(T)∣λ∣=lim⁡n→∞∥Tn∥1/n.r(T)=\sup_{\lambda\in\sigma(T)}|\lambda| =\lim_{n\to\infty}\|T^n\|^{1/n}.

希尔伯特空间上的正规算子满足 r(T)=∥T∥r(T)=\|T\|,但一般算子未必如此。L2[0,1]L^2[0,1] 上的沃尔泰拉算子非零,其谱却为 {0}\{0\}。这样的算子称为拟幂零算子;与幂零矩阵不同,它未必有任何有限次幂等于零。因此,谱所提供的信息是对有限维特征值理论的扩展,而不只是简单的重复。

紧算子与弗雷德霍姆方程

赋范空间之间的紧算子将有界集映为闭包紧致的集合。等价地,每个有界序列的像序列都有收敛子列。有限秩算子都是紧算子;当值域空间完备时,紧算子在算子范数下的极限仍是紧算子。紧性体现了一种维度压缩:尽管定义域可能包含无穷多个相互独立的方向,它们的像却无法始终保持一致的间隔。

无限维赋范空间上的恒等算子不是紧算子。因此,这种空间上的紧算子不可能有有界逆算子,否则将它与其逆算子复合,就会使恒等算子成为紧算子。不过,许多积分算子是紧算子。紧区间上的连续核在相应的连续函数空间上给出紧算子,而平方可积核则在相应的 L2L^2 空间之间给出紧算子。

除零点外,紧算子的谱结构与矩阵理论中的情形十分相似。每个非零谱值都是特征值,其广义特征空间为有限维,且非零特征值只能在零点处聚集。对于希尔伯特空间上的紧自伴算子,非零特征空间所张成的闭子空间就是其核的正交补。因此,在该子空间上有如下标准正交展开:

Tx=∑jλj⟨x,ej⟩ej,Tx=\sum_j\lambda_j\langle x,e_j\rangle e_j,

如果非零特征值有无穷多个,它们就趋于零。核可能还需要额外的基向量。

紧算子在形如

(I−K)x=f,(I-K)x=f,

的方程中起着核心作用,其中 KK 是巴拿赫空间上的紧算子。弗雷德霍姆择一定理特别指出,I−KI-K 可逆,当且仅当其核为零。若核非零,方程的可解性就受到与伴随算子有关的条件约束。在希尔伯特空间中,

ran⁡(I−K)=ker⁡(I−K∗)⊥,\operatorname{ran}(I-K)=\ker(I-K^*)^\perp,

且值域是闭的。因此,方程右端必须与伴随齐次方程的每个解正交。

更一般地,弗雷德霍姆算子具有闭值域、有限维的核以及有限维的余核。其指标为

ind⁡T=dim⁡ker⁡T−dim⁡(Y/ran⁡T).\operatorname{ind}T =\dim\ker T-\dim\bigl(Y/\operatorname{ran}T\bigr).

当 KK 为紧算子时,算子 I−KI-K 的指标为零。弗雷德霍姆指标在紧扰动下保持不变,并且在算子范数意义下足够小的扰动下具有局部常值性。这种稳定性使它在微分方程以及分析与拓扑之间的联系中颇为有用。这一术语源于伊瓦尔·弗雷德霍姆在1900年前后对积分方程的研究;这些研究推动了从线性方程组到函数空间上算子的过渡。

无界算子与定义域的重要性

无界算子写作

T:D(T)⊆X→Y,T:D(T)\subseteq X\to Y,

其中,定义域 D(T)D(T) 是一个线性子空间,可能小于 XX。线性性质在该定义域上成立。在分析学中,算子由其作用方式和定义域共同确定:同一公式配以不同的定义域,可能具有不同的伴随算子、谱和解的理论。微分算子是其中的典型例子,因为微分通常会放大高频振荡,而在所在空间的范数下不存在统一的界。

TT 的图是子空间

G(T)={(x,Tx):x∈D(T)}⊆X×Y.G(T)=\{(x,Tx):x\in D(T)\}\subseteq X\times Y.

闭算子的图是闭集。用序列来表述,若 xn→xx_n\to x 且 Txn→yTx_n\to y,则 x∈D(T)x\in D(T) 且 Tx=yTx=y。如果算子的图的闭包仍是某个算子的图,就称该算子为可闭算子。对于巴拿赫空间之间的闭算子,图范数

∥x∥T=∥x∥X+∥Tx∥Y\|x\|_T=\|x\|_X+\|Tx\|_Y

使 D(T)D(T) 成为完备空间。这就提供了一个自然的空间,使该算子在其上成为有界算子。

对于希尔伯特空间上的稠密定义算子,其伴随算子需要有自己的定义域。当存在向量 zz 满足

⟨Tx,y⟩=⟨x,z⟩for all x∈D(T);\langle Tx,y\rangle=\langle x,z\rangle \qquad\text{for all }x\in D(T);

时,向量 yy 属于 D(T∗)D(T^*),并定义 T∗y=zT^*y=z。若 T⊆T∗T\subseteq T^*,则称该算子为对称算子,这意味着上述恒等式对其自身定义域中的向量成立。只有当两个算子及其定义域都相同时,它才是自伴算子。这一区别至关重要:仅有对称性,并不足以得到自伴算子的完整谱理论。

例如,在 L2[0,1]L^2[0,1] 上,微分表达式 −i d/dx-i\,d/dx 最初若定义在支集位于 (0,1)(0,1) 内的光滑函数上,则所得算子是对称的,但不是自伴的。在索伯列夫空间 H1(0,1)H^1(0,1) 中施加边界条件

f(1)=eiθf(0),θ∈[0,2π).f(1)=e^{i\theta}f(0), \qquad \theta\in[0,2\pi).

便可得到它的自伴实现。这些自伴实现的特征值为 θ+2πn\theta+2\pi n,n∈Zn\in\mathbb Z。微分表达式虽然相同,但改变两端点值之间的关系,就会改变算子及其谱。

第二个例子是拉普拉斯算子。在单位区间上,定义域为 H2(0,1)∩H01(0,1)H^2(0,1)\cap H_0^1(0,1) 的算子 −d2/dx2-d^2/dx^2 要求函数在两端点处的值为零。其特征函数为 sin⁡(nπx)\sin(n\pi x),对应的特征值为 n2π2n^2\pi^2。若改用端点处导数为零的边界条件,则会得到另一种实现,其中常数函数是对应于零特征值的特征函数。这些例子说明,边值问题并不单由其微分方程决定。

演化方程、量子力学与概率论

抽象线性演化方程的形式为

dudt=Au,u(0)=u0.\frac{du}{dt}=Au,\qquad u(0)=u_0.

如果 AA 是巴拿赫空间上的有界算子,则指数级数

etA=∑n=0∞tnAnn!e^{tA}=\sum_{n=0}^{\infty}\frac{t^nA^n}{n!}

在算子范数下收敛,并给出 u(t)=etAu0u(t)=e^{tA}u_0。对于无界算子 AA,即使演化问题本身是适定的,这一级数也未必能定义一个在整个空间上都有定义的算子。此时,合适的框架通常是强连续的算子半群 S(t)S(t),它满足 S(0)=IS(0)=I、S(t+s)=S(t)S(s)S(t+s)=S(t)S(s),以及当 t↓0t\downarrow0 时 S(t)x→xS(t)x\to x。

其生成元定义在使下述极限存在的那些向量上:

Ax=lim⁡t↓0S(t)x−xtAx=\lim_{t\downarrow0}\frac{S(t)x-x}{t}

生成元是稠密定义的闭算子,但一般并非有界算子。希勒–吉田理论通过预解算子的界来刻画生成元。这一理论用适合微分算子的条件取代了初等的矩阵指数,同时保留了由无穷小规律确定有限时间演化的思想。

对于热方程,生成元是拉普拉斯算子的某个适当实现。在单位区间上,当两端的函数值均为零时,

u(t,x)=∑n=1∞ane−n2π2tsin⁡(nπx)u(t,x)=\sum_{n=1}^{\infty} a_n e^{-n^2\pi^2t}\sin(n\pi x)

通过初始数据的正弦展开系数,描述了 L2L^2 初始数据的演化。高频分量比低频分量衰减得更快,这解释了热方程的光滑化效应。生成元的正负号和边界条件起着决定性作用:若将负的谱值换成正值,产生的将是迅速增长的高频分量,而不是热扩散。

在量子力学中,可观测量由复希尔伯特空间上的自伴算子表示。自伴哈密顿算子 HH 生成酉演化

U(t)=e−itH/ℏ,U(t)=e^{-itH/\hbar},

这一表达式由谱定理定义,其中 ℏ\hbar 是约化普朗克常数。除去约定的因子和符号,斯通定理建立了强连续单参数酉群与自伴生成元之间的对应关系。酉性保证范数和内积不变,而谱投影则表达了测量结果所对应的概率。位置、动量和能量算子通常是无界的,因此定义域问题不可回避。

概率论提供了另一类线性算子。对于马尔可夫过程,转移算子可按下式作用于函数:

(Ptf)(x)=E[f(Xt)∣X0=x].(P_tf)(x)=\mathbb E[f(X_t)\mid X_0=x].

这些算子保持非负性;对于保守过程,它们还保持常值函数 1 不变。有限状态连续时间马尔可夫链具有生成元矩阵 QQ,且 Pt=etQP_t=e^{tQ}。扩散过程的生成元则是微分算子。条件期望提供了一个相关的几何例子:在 L2L^2 上,关于某个固定子 σ\sigma 代数取条件期望,就是向由所有关于该子代数可测的函数构成的闭子空间作正交投影。

逼近、逆问题与数值计算

对算子进行计算通常需要有限表示,但离散化得到的矩阵不能与原算子等同。计算方法必须明确如何逼近输入、如何解释输出,以及预期在哪种范数下收敛。伽辽金方法选取一个有限维试探空间,并要求方程对有限维检验空间中的检验函数成立。有限元法将这些思想与具有局部支撑的基函数相结合,常将微分算子转化为稀疏的刚度矩阵和质量矩阵。

收敛可以弱于算子范数收敛。若 PnP_n 投影到希尔伯特空间中一列递增的有限维子空间上,且这些子空间的并集稠密,则对每个固定的 xx,都有 Pnx→xP_nx\to x。然而,在无限维情形下,∥I−Pn∥=1\|I-P_n\|=1。因此,有限维逼近可以渐近地恢复每个向量,却不能在整个单位球上一致逼近恒等算子。紧算子的表现更好:对于这些正交投影,有限维压缩 PnTPnP_nTP_n 在算子范数下收敛到紧算子 TT。

稳定性与相容性是两个不同的问题。即使离散方程对光滑输入能够准确逼近原方程,其逆仍可能放大数值误差。对于有界可逆算子,

κ(T)=∥T∥ ∥T−1∥\kappa(T)=\|T\|\,\|T^{-1}\|

是算子的条件数。对于 Tx=yTx=y,数据扰动满足

∥δx∥≤∥T−1∥ ∥δy∥.\|\delta x\|\le\|T^{-1}\|\,\|\delta y\|.

离散化之后,条件性还取决于范数、尺度变换以及基的选择。即便底层几何问题的性质相对良好,不合适的坐标系也可能使矩阵计算变得困难。

紧算子揭示了逆问题的困难。对于希尔伯特空间之间的紧单射算子 T:H→KT:H\to K,奇异值分解在相关子空间上给出

Tx=∑jsj⟨x,vj⟩uj,Tx=\sum_j s_j\langle x,v_j\rangle u_j,

其中,若秩为无穷,则正奇异值趋于零。形式上,对方程求逆就是将输出系数除以 sjs_j。因此,沿小奇异值所对应方向的微小数据误差会被放大。尽管正向算子有界且为单射,定义在其值域上的逆算子却是无界的。

正则化将不稳定的求逆转化为一族受控的近似。例如,求解最小化问题

∥Tx−y∥2+α∥x∥2,α>0,\|Tx-y\|^2+\alpha\|x\|^2,\qquad \alpha>0,

可得

(T∗T+αI)xα=T∗y.(T^*T+\alpha I)x_\alpha=T^*y.

在奇异向量坐标系中,求逆因子 1/sj1/s_j 被替换为 sj/(sj2+α)s_j/(s_j^2+\alpha),从而抑制最不稳定的方向。数值谱计算也有类似的局限:非正规算子可能表现出很强的敏感性,而离散化可能产生不属于原算子谱的表观特征值。因此,误差估计、定义域相容性和稳定性分析都是算子逼近的组成部分,而不只是对最终矩阵计算结果的检验。