{
  "id": "maximum-principle",
  "title": "最大值原理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "一类通过边界值、正性与比较来约束微分方程解的内部极值的定理。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "极大值原理"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/maximum-principle/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/maximum-principle/",
      "json": "https://aiwiki.page/en/maximum-principle.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "最大值原理是数学分析中的一类结论，断言某些方程的解在区域内部的极大值或极小值受到约束。其最简单的形式是：有界区域上的调和函数若不是常数函数，就在边界上取得最大值和最小值。更一般的形式适用于椭圆型和抛物型偏微分方程、全纯函数、离散网络及非线性方程。\n\n最大值原理将关于方程的局部信息转化为关于其解的整体信息。它们可用于确立解的唯一性、保持正性、比较不同的解，以及在不求出显式公式的情况下给出解的界。其成立与否取决于方程的结构、某些系数的符号、解的正则性，以及区域的几何性质。弱最大值原理将极值定位于边界；强最大值原理说明在什么条件下，内部极值会迫使解为常数；边界点引理则描述解在边界极值点处的导数。另一个同名定理——庞特里亚金最大值原理——给出了最优控制中的必要条件。"
    },
    {
      "heading": "经典椭圆型表述",
      "text": "设 \\(\\Omega\\) 是 \\(\\mathbb R^n\\) 中的有界区域，并假设\n\n\\[u\\in C^2(\\Omega)\\cap C(\\overline{\\Omega}).\\]\n\n这里，区域指连通开集，\\(\\overline{\\Omega}\\) 是其闭包。最简单的弱最大值原理断言：\n\n\\[\\Delta u\\geq 0\\quad\\text{in }\\Omega \\quad\\Longrightarrow\\quad \\max_{\\overline{\\Omega}}u=\\max_{\\partial\\Omega}u,\\]\n\n其中，\\(\\Delta\\) 是拉普拉斯算子。满足这一微分不等式的函数称为次调和函数。将不等号反向，就得到超调和函数的最小值原理。拉普拉斯方程 \\(\\Delta u=0\\) 的解同时满足这两条原理。\n\n该定理背后的局部计算用到了海森矩阵。在光滑函数的内部极大值点，梯度为零，海森矩阵为半负定，因此 \\(\\Delta u\\leq0\\)。当 \\(\\Delta u>0\\) 时，这就立即排除了内部极大值的可能，但当 \\(\\Delta u=0\\) 时却不能如此。为了处理非严格不等式，将 \\(u\\) 替换为\n\n\\[u_\\varepsilon(x)=u(x)+\\varepsilon |x|^2.\\]\n\n由于 \\(\\Delta u_\\varepsilon\\geq2n\\varepsilon>0\\)，其最大值必在边界上取得。\\(\\Omega\\) 的有界性使我们可以令 \\(\\varepsilon\\downarrow0\\) 并取极限，从而得到所需结论。\n\n更一般的版本涉及二阶线性算子\n\n\\[Lu=\\sum_{i,j=1}^{n}a_{ij}(x)D_{ij}u +\\sum_{i=1}^{n}b_i(x)D_i u+c(x)u.\\]\n\n若存在常数 \\(0<\\lambda\\leq\\Lambda\\)，使得对每个 \\(x\\) 和每个向量 \\(\\xi\\) 都有\n\n\\[\\lambda|\\xi|^2\\leq \\xi^{T}A(x)\\xi\\leq\\Lambda|\\xi|^2\\]\n\n成立，则称对称系数矩阵 \\(A=(a_{ij})\\) 一致椭圆。因此，它的特征值始终为正，且与零之间有一致的正下界。在系数满足通常的有界性假设时，若 \\(c\\leq0\\) 且 \\(Lu\\geq0\\)，则\n\n\\[\\sup_\\Omega u\\leq\\max\\!\\left\\{0,\\sup_{\\partial\\Omega}u\\right\\}.\\]\n\n当 \\(c=0\\) 时，右侧的零可以去掉。\n\n涉及零的这一限定很重要。非正的零阶项系数能够约束正的最大值，但一般并不能迫使负的最大值在边界上取得。因此，最大值原理是一种与特定符号约定相关的序性质，而不只是极值定理的应用。函数在紧致闭包上的连续性保证了极值的存在；微分方程则决定了极值可以在哪里取得。"
    },
    {
      "heading": "强极大值原理与边界点引理",
      "text": "强极大值原理将由边界给出的界加强为刚性结论。对于满足 \\(c=0\\) 的一致椭圆算子，若在连通区域上有 \\(Lu\\geq0\\)，且 \\(u\\) 在某个内点取得最大值，则 \\(u\\) 为常数。若 \\(c\\leq0\\)，一种标准表述还要求所取得的最大值非负。弱极大值原理允许内部最大值等于边界最大值；强极大值原理则指出，这种情况只有在函数为常数这一特殊情形下才会发生。\n\n连通性至关重要，因为上述结论需要在整个区域内传播。一个函数可以在不同连通分支上分别取不同的常数值，而不违背局部微分方程。一致椭圆性提供了这种传播的机制：方程控制着每个空间方向上的曲率，使非常数次解无法在内部形成取其最大值的平台区域。证明通常借助辅助函数、球或环形区域上的比较，以及将解严格低于其最大值的各个区域联系起来的几何论证。\n\n与之密切相关的 霍普夫边界点引理讨论的是边界最大值。例如，设 \\(\\Delta u\\geq0\\)，对于 \\(x\\in\\Omega\\) 有 \\(u(x)<u(x_0)\\)，且 \\(x_0\\in\\partial\\Omega\\)。若区域在 \\(x_0\\) 处存在内切球，并且相应的法向导数存在，则\n\n\\[\\frac{\\partial u}{\\partial\\nu}(x_0)>0,\\]\n\n其中 \\(\\nu\\) 为单位外法向量。因此，非常数次调和函数趋近其边界最大值时，沿外法向的斜率严格为正。对于超调和函数的边界最小值，不等号方向相反。\n\n一种典型证明是在环形区域中构造指数型屏障函数，例如\n\n\\[v(x)=e^{-\\alpha|x-y|^2}-e^{-\\alpha R^2},\\]\n\n其中，以 \\(y\\) 为中心、半径为 \\(R\\) 的球面在 \\(x_0\\) 处与边界相切。当 \\(\\alpha\\) 足够大时，椭圆算子作用于 \\(v\\) 所得结果在切点附近具有可控的符号。随后，将 \\(u\\) 与 \\(v\\) 的适当倍数作比较，即可推出严格的导数不等式。\n\n几何假设不能随意省略。在尖点或其他不规则边界点处，解可能在法向增长率为零的情况下达到边界极值，甚至法向方向本身也可能没有明确定义。因此，强极大值原理与边界点引理回答的是不同的问题：前者排除非常数解在内部取得极值的可能，后者则在附加的几何与可微性假设下，对边界行为给出定量描述。二者共同构成了正性论证、边界唯一性论证以及对称性证明中的核心工具。"
    },
    {
      "heading": "比较、唯一性与椭圆型边值问题",
      "text": "将最大值原理应用于两个函数之差时，它尤其有用。设 \\(u,v\\in C^2(\\Omega)\\cap C(\\overline{\\Omega})\\)，且 \\(L\\) 是满足弱最大值原理的线性一致椭圆算子。若\n\n\\[Lu\\geq Lv\\quad\\text{in }\\Omega, \\qquad u\\leq v\\quad\\text{on }\\partial\\Omega,\\]\n\n则 \\(L(u-v)\\geq0\\)，从而\n\n\\[u\\leq v\\quad\\text{throughout }\\Omega.\\]\n\n这一比较原理利用解所满足的微分不等式及其边界值，确定解在整个区域内的大小关系。\n\n对于狄利克雷边值问题，\n\n\\[Lu=f\\quad\\text{in }\\Omega,\\qquad u=g\\quad\\text{on }\\partial\\Omega,\\]\n\n两个解之差满足 \\(L(u-v)=0\\)，且边界值为零。先由比较原理得到 \\(u\\leq v\\)，再得到 \\(v\\leq u\\)，由此确立唯一性。当 \\(c=0\\) 时，同样的论证还能给出解关于边界数据的稳定性：对于源项相同、边界值分别为 \\(g,h\\) 的解，有\n\n\\[\\|u-v\\|_{L^\\infty(\\Omega)} \\leq \\|g-h\\|_{L^\\infty(\\partial\\Omega)}\\]\n\n这一估计说明，调和延拓不会在上确界范数意义下放大边界测量误差。\n\n比较原理也能确定泊松方程解的符号。采用如下符号约定：\n\n\\[-\\Delta u=f\\geq0,\\qquad u|_{\\partial\\Omega}=0,\\]\n\n由最小值原理可得 \\(u\\geq0\\)。在连通区域上，若 \\(f\\) 不恒为零，且解为经典解，则由强最大值原理可得内部有 \\(u>0\\)。在球 \\(B_R(0)\\) 内，方程 \\(-\\Delta u=1\\) 在零边界值下的显式解为\n\n\\[u(x)=\\frac{R^2-|x|^2}{2n}.\\]\n\n对于更复杂的源项和区域，这个二次函数可以用作屏障函数。\n\n屏障函数是特意选取的函数，既满足便于使用的微分不等式，又能控制给定的边界值。它们可用于估计解的界、证明解在边界点的连续性，以及辅助构造解以证明其存在性。在佩龙方法中，人们利用次调和函数族的适当包络来构造调和解。边界正则性则是另一个问题：即使要保证存在一个在每个边界点都连续的解还需要附加假设，唯一性也可能已由比较原理得到。\n\n同样的正性结构也出现在格林函数中。对于与 \\(-\\Delta\\) 对应的狄利克雷问题，格林函数非负，这反映了非负源项会产生非负解。因此，增大源项或边界数据，解也会随之增大。这些结论描述的是序关系，而不仅仅是对绝对大小的估计；即使无法写出解的显式表达式，它们依然有用。"
    },
    {
      "heading": "抛物型方程与时间方向",
      "text": "对于热方程，极大值原理既涉及空间边界，也涉及初始时刻。设\n\n\\[Q_T=\\Omega\\times(0,T],\\]\n\n其中 \\(\\Omega\\) 为有界区域。其抛物边界为\n\n\\[\\partial_pQ_T= (\\overline{\\Omega}\\times\\{0\\}) \\cup(\\partial\\Omega\\times[0,T]).\\]\n\n与时空柱体通常的拓扑边界不同，这个集合不包含终止时刻端面的内部。初值和侧边界值决定演化过程；终值并不起同样的作用。\n\n若 \\(u\\) 在闭柱体上连续，在其内部具有足够的可微性，且满足\n\n\\[u_t-\\kappa\\Delta u\\leq0,\\qquad \\kappa>0,\\]\n\n则\n\n\\[\\sup_{\\overline{Q_T}}u\\leq\\sup_{\\partial_pQ_T}u.\\]\n\n一种证明方法是将函数扰动为 \\(u_\\varepsilon=u-\\varepsilon t\\)。若它在正时刻的某个空间极大值超过此前所有边界值，则该点的空间海塞矩阵为负半定，而时间导数的符号恰好使下式产生矛盾：\n\n\\[(u_\\varepsilon)_t-\\kappa\\Delta u_\\varepsilon<0.\\]\n\n借助单侧时间导数，这一论证也适用于极大值在终止时刻取得的情形。\n\n从物理上说，纯粹的扩散不可能产生同时高于初始最高温度和给定边界最高温度的新温度。同样，若初值和边界值非负，解就始终非负。对两个解的差应用这一原理，可证明初边值问题解的唯一性及其在上确界范数下的稳定性。强抛物型极大值原理尤其指出：若解在正时刻的内部点取得极大值，则它在此前时空区域中相关的整个连通部分上必为常数，但在未来时刻未必如此。\n\n对于含有反应项的方程，\n\n\\[u_t-\\kappa\\Delta u=f(u),\\]\n\n直接断言极大值绝不增大通常是不成立的。空间上为常数的解满足常微分方程 \\(y'=f(y)\\)，因而可能增长。此时，比较方法改为利用适当的标量方程解作为随时间变化的上界。若 \\(f\\) 局部利普希茨连续，则对于具有给定大小次序的有界解，通常可以通过将两者之差所满足的方程线性化，并利用指数型变量变换吸收有界的零阶项，来建立比较关系。\n\n这一区别体现了扩散与反应的不同。在适当的边界条件下，热方程使解保持在某个固定的取值范围内；反应扩散方程则可能使解保持在随时间变化的区间内，也可能表现出衰减，或产生很大的振幅。极大值原理的论证仍然适用，但比较函数必须与实际方程相符。对于无界空间区域，还需要额外的有界性或增长条件；仅凭连续性和形式上的微分不等式，无法控制空间无穷远处的行为。"
    },
    {
      "heading": "复分析中的最大模原理",
      "text": "在复分析中，与之对应的核心定理讨论的是全纯函数的模。若 \\(f\\) 在一个连通开集上全纯，且 \\(|f|\\) 在某个内点取得局部最大值，则 \\(f\\) 为常数。因此，若 \\(f\\) 在有界区域上全纯，且在该区域的闭包上连续，则\n\n\\[\\max_{\\overline{\\Omega}}|f| = \\max_{\\partial\\Omega}|f|.\\]\n\n这里取模至关重要：复数上不存在与其域运算相容的序，因此，复值函数并没有实值函数意义下的通常最大值。\n\n这一定理与调和性密切相关。令 \\(f=u+iv\\)，由柯西—黎曼方程可知，\\(u\\) 和 \\(v\\) 都是调和函数。此外，\n\n\\[\\Delta |f|^2=4|f'|^2\\geq0.\\]\n\n因此，\\(|f|^2\\) 是次调和函数。如果它在内部取得最大值，强最大值原理便保证它是常数，再由上式可得 \\(f'=0\\)。另一种证明途径是利用柯西积分公式，将圆盘中心处的 \\(f\\) 值表示为边界值的平均；由此得到的模的估计一旦取等号，就会迫使函数为常数。\n\n在 \\(f\\neq0\\) 的地方，函数 \\(\\log|f|\\) 是调和函数。在零点处，则可自然地将其理解为取值为 \\(-\\infty\\) 的广义实值次调和函数。这种对数视角对于增长估计、零点分布以及与调和函数的比较尤其有用。它也解释了最小模原理：若 \\(f\\) 没有零点，将最大模原理应用于 \\(1/f\\)，便可知非常数函数 \\(f\\) 的模不可能在内部取得正的最小值。\n\n由此可以推出若干基本结果。根据刘维尔定理（复分析），有界整函数必为常数，该定理可由柯西估计导出。最大模原理也给出了代数基本定理的一种标准证明：若一个非常数多项式没有零点，则其倒数是有界整函数，因而为常数。另一方面，施瓦茨引理将这一原理应用于保持原点不动的单位圆盘全纯自映射，得到 \\(|f(z)|\\leq|z|\\)。\n\n边界条件和增长条件仍然不可或缺。无界区域上的全纯函数即使在边界的有限部分取值很小，也可能无限增长。弗拉格门—林德勒夫原理等推广形式通过限制函数在无穷远处的增长来弥补这一点。因此，复分析中的最大模原理与椭圆型方程的最大值原理同属一大类原理，但前者还利用了复可微性所赋予的更强刚性。"
    },
    {
      "heading": "弱解与非线性比较",
      "text": "经典最大值原理要求解具有逐点定义的二阶导数，但许多重要方程只有弱解。对于一致椭圆的散度型方程，考虑弱意义下的不等式\n\n\\[-\\operatorname{div}(A(x)\\nabla u)\\leq0.\\]\n\n若 \\(u\\) 属于索伯列夫空间 \\(H^1(\\Omega)\\)，这意味着对每个在边界上为零的非负检验函数 \\(\\varphi\\)，都有\n\n\\[\\int_\\Omega A\\nabla u\\cdot\\nabla\\varphi\\,dx\\leq0\\]\n\n成立。只要满足相应的椭圆性界，系数仅需有界且可测。\n\n假设 \\(u\\) 的边界迹不超过 \\(M\\)。则其正部\n\n\\[w=(u-M)^+=\\max\\{u-M,0\\}\\]\n\n属于 \\(H_0^1(\\Omega)\\)，因而可以用作检验函数。由于在 \\(u>M\\) 的区域上有 \\(\\nabla w=\\nabla u\\)，由椭圆性可得\n\n\\[\\lambda\\int_\\Omega|\\nabla w|^2\\,dx \\leq \\int_\\Omega A\\nabla u\\cdot\\nabla w\\,dx \\leq0.\\]\n\n因此 \\(w=0\\)，从而 \\(u\\leq M\\) 几乎处处成立。这一证明以能量计算和边界迹取代了经典证明中对最大值点处几何性质的考察。\n\n一个重要的非线性例子是 p-拉普拉斯算子，\n\n\\[\\Delta_pu=\\operatorname{div}\\!\\left(|\\nabla u|^{p-2}\\nabla u\\right), \\qquad 1<p<\\infty.\\]\n\n其比较原理依赖于单调性不等式\n\n\\[\\bigl(|\\xi|^{p-2}\\xi-|\\eta|^{p-2}\\eta\\bigr) \\cdot(\\xi-\\eta)\\geq0.\\]\n\n以 \\((u-v)^+\\) 为检验函数，对两个弱形式方程之差进行检验，即可在适当的边界条件下得到解的大小关系。在梯度为零处，该算子在 \\(p>2\\) 时退化，在 \\(1<p<2\\) 时具有奇性，因此经典的一致椭圆情形下的证明不能原封不动地套用。强比较结论则需要更细致的处理。\n\n对于完全非线性方程，解甚至可能不具有弱二阶导数。黏性解理论转而使用从上方或下方与待检验的解相切的光滑函数来检验方程。比较原理的证明通过分析 \\(u-v\\) 可能出现的正最大值来完成，通常会使用涉及两个独立空间变量的惩罚表达式。一种标准做法是引入\n\n\\[u(x)-v(y)-\\frac{|x-y|^2}{2\\varepsilon}.\\]\n\n随着 \\(\\varepsilon\\) 减小，这一表达式会迫使相关的两点相互靠近。\n\n这些方法在非线性椭圆方程和哈密顿–雅可比方程的研究中至关重要，其中也包括某些形式的贝尔曼方程。它们的共同特征是方程与函数之间的序关系相容。对于任意的非线性项或方程组，这种相容性并不会自动成立。即使方程组的每个分量方程都类似于一个标量椭圆方程，耦合也可能破坏比较原理，除非它满足适当的符号条件。"
    },
    {
      "heading": "定量估计与适用范围",
      "text": "基本的最大值原理表明，当微分不等式的符号满足适当条件时，可以用边界值控制解。其定量形式还可衡量强迫项的影响。对于满足 \\(c=0\\) 的一致椭圆算子，在系数满足适当假设时，Aleksandrov–Bakelman–Pucci 估计大致具有如下形式：\n\n\\[\\sup_\\Omega u \\leq \\sup_{\\partial\\Omega}u^+ + C\\,\\operatorname{diam}(\\Omega)\\, \\|(Lu)^-\\|_{L^n(\\Omega)},\\]\n\n其中，\\(r^-=\\max\\{-r,0\\}\\)，而 \\(C\\) 取决于维数、椭圆性以及低阶项系数的相关界。该估计通过微分算子作用于函数所得结果的负部，控制函数的正向高度。\n\n与仅考察最大值点的证明不同，Aleksandrov–Bakelman–Pucci 论证研究的是支撑平面与函数的某个适当包络相接触的接触集。它将这些平面的斜率范围与一个涉及二阶导数的行列式联系起来。指数 \\(n\\) 反映了这一论证在几何上对 \\(n\\) 维体积的运用。这类估计在系数正则性有限的方程以及完全非线性椭圆方程理论中十分重要。\n\n另一个相关的定量结果是哈纳克不等式。对于球 \\(B_{2r}\\) 上的非负调和函数，有\n\n\\[\\sup_{B_r}u\\leq C_n\\inf_{B_r}u.\\]\n\n该不等式以乘法形式控制函数在较小球上的振荡，并由此推出：若非负调和函数在某个内部点为零，则它恒等于零。推广到椭圆方程时，相关结论取决于椭圆性和低阶项的界。哈纳克不等式提供的信息比定性的强最大值原理更丰富，但二者的适用范围与假设并不完全相同。\n\n几个初等反例说明了这些假设为何重要。在 \\((0,\\pi)\\) 上，正函数 \\(u(x)=\\sin x\\) 满足\n\n\\[u''+u=0,\\qquad u(0)=u(\\pi)=0.\\]\n\n它在内部取得正的最大值，因此，当零阶项系数的符号不符合要求时，不加限制的最大值原理便不成立。更精细的判据涉及狄利克雷主特征值：对于常数 \\(c\\) 所对应的算子 \\(\\Delta+c\\)，其临界值由 \\(-\\Delta\\) 的第一特征值决定。\n\n区域的有界性同样重要。\\((0,\\infty)\\) 上的调和函数 \\(u(x)=x\\) 在唯一的有限边界点处为零，却没有上界。因此，无界区域上的最大值原理需要额外的增长限制，或在无穷远处设置屏障。椭圆性不足、边界不规则或方程组中的耦合方式不当，也可能导致最大值原理失效。波动方程是双曲型方程，而非扩散型方程，因此不具有一般的椭圆型边界最大值原理。最大值原理体现的是特定的结构性质，而不是适用于所有微分方程的普遍规律。"
    },
    {
      "heading": "概率解释",
      "text": "最大值原理可以通过随机运动得到自然的解释。设 \\(B_t\\) 为从 \\(x\\in\\Omega\\) 出发的标准维纳过程，并令\n\n\\[\\tau=\\inf\\{t\\geq0:B_t\\notin\\Omega\\}\\]\n\n为其首次离开该区域的时刻。对于在有界区域的闭包上连续的有界调和函数，停住过程 \\(u(B_{t\\wedge\\tau})\\) 是一个鞅，且\n\n\\[u(x)=\\mathbb E_x[u(B_\\tau)].\\]\n\n内部点的函数值是边界值的期望值，因此既不可能超过边界值的最大值，也不可能低于其最小值。\n\n这一联系可由伊藤公式得到。标准布朗运动的无穷小生成元为 \\(\\tfrac12\\Delta\\)，因此，\\(u(B_t)\\) 中的漂移项恰好在 \\(\\Delta u=0\\) 时消失。将过程停在离开区域的时刻，并运用适当的可选停止论证，即可得到上述表示。若将从 \\(x\\) 出发时的退出位置分布记为 \\(\\omega^x\\)，则对于边界数据 \\(g\\)，有\n\n\\[u(x)=\\int_{\\partial\\Omega}g(y)\\,\\omega^x(dy)\\]\n\n概率测度 \\(\\omega^x\\) 称为调和测度。\n\n这一表示尤其直观地解释了正性。若 \\(g\\geq0\\)，则其期望非负。若 \\(g\\leq h\\)，则相应的期望也保持这一大小关系。强最大值原理还反映了一个更深一层的事实：在适当的停止时刻之前，布朗运动有正概率到达连通区域内的任何非空开子集。一个在内部达到最大值的调和函数，不可能在对附近严格较小的函数值取平均后，仍保持该最大值。\n\n更一般的扩散过程会导出含有变系数二阶项和一阶漂移项的算子。其生成元可以写成\n\n\\[\\mathcal L u = \\frac12\\sum_{i,j}a_{ij}(x)D_{ij}u +\\sum_i b_i(x)D_i u.\\]\n\n\\(\\mathcal L\\) 与随机微分方程之间的联系，使得方程的比较性质可以通过转移概率来解释。非正的零阶系数可以对应于杀死机制或贴现，这与解析形式的最大值原理中的符号限制相一致。\n\n费曼–卡茨公式通过引入时间积分和指数权重，将这些思想推广到含有强迫项和势项的情形。例如，在适当假设下，满足零边界条件的方程 \\(-\\tfrac12\\Delta u=f\\) 的解，就是过程退出之前 \\(f(B_t)\\) 累积值的期望。因此，非负的强迫项会产生非负的解。这类表示为概率证明和蒙特卡洛方法提供了依据，但它们需要可积性、停止时刻及边界方面的假设，而不能仅凭形式上的取平均运算得出。"
    },
    {
      "heading": "离散原理与数值逼近",
      "text": "在有限加权图上就已存在离散最大值原理。假设每个内部顶点都满足\n\n\\[u_i=\\sum_j p_{ij}u_j, \\qquad p_{ij}\\geq0,\\qquad \\sum_jp_{ij}=1.\\]\n\n每个值都是相邻顶点值的凸组合。如果某个内部顶点取得全局最大值，那么所有与之相邻且权重为正的顶点都必须具有相同的值。反复运用这一论证，最大值便会沿正权重路径传播。如果每个内部顶点都与给定边界连通，那么最大值和最小值都受边界值约束，离散狄利克雷问题的解也具有唯一性。\n\n这是调和平均性质在图上的对应形式。同一组系数也可以解释为马尔可夫链的转移概率。内部顶点处的解等于从该顶点出发的链首次到达边界时，所到达位置的边界值的期望。因此，图论、概率论和分析中的最大值原理具有相同的保序机制。\n\n对于有限差分法，在均匀正方形网格上对拉普拉斯方程采用标准五点离散格式，可得\n\n\\[u_{i,j}=\\frac14\\left( u_{i+1,j}+u_{i-1,j}+u_{i,j+1}+u_{i,j-1} \\right).\\]\n\n其中非负的平均权重蕴含了离散最大值原理。从矩阵形式来看，\\(-\\Delta\\) 的离散化在施加边界条件后通常会得到一个 M-矩阵。非奇异 M-矩阵的逆矩阵各元素均非负，因此非负的离散源项会产生非负的离散解。这为建立比较原理和解的唯一性提供了一条代数途径。\n\n时间离散化会引入额外的限制。对于 \\(d\\) 维热方程，采用前向欧拉法并结合空间中心差分，可得更新公式\n\n\\[u_i^{m+1} = (1-2dr)u_i^m +r\\sum_{j\\sim i}u_j^m, \\qquad r=\\frac{\\kappa\\Delta t}{h^2}.\\]\n\n当\n\n\\[0\\leq r\\leq\\frac{1}{2d}.\\]\n\n时，这一更新是凸组合。在此条件下，不会产生新的最大值。如果时间步长过大，中心点的权重就会变为负值，并可能出现超调。采用标准扩散差分模板的后向欧拉法，无需满足这一显式时间步长限制，仍能保持相应的单调性。\n\n有限元法则涉及几何方面的复杂性。对于分片线性单元和各向同性扩散，非钝角单纯形网格可提供保证离散最大值原理成立的常用充分符号条件；在特定情形下，还可以采用更弱的条件。各向异性扩散会改变相关的网格几何要求。仅有高阶逼近或较小的残差，并不能保证解仍保持在给定的上下界之内。\n\n因此，离散最大值原理不同于一般的数值稳定性。一种方法即使在能量范数下是稳定的，仍可能产生负浓度，或产生高于所有给定数据的温度。单调离散格式、通量修正以及适当的网格设计，所针对的正是保持连续问题的序关系和值域性质这一更强的要求。"
    },
    {
      "heading": "历史发展及其在最优控制中的含义",
      "text": "最大值原理源于十九世纪对势论、调和函数和复变函数论的研究。随着微分方程研究不再仅仅依赖显式公式，而是转向考察解的定性性质，最大值原理的重要性日益凸显。调和函数的平均值性质将局部微分方程与整体边界值联系起来，而复分析则提供了一个约束性尤为强的最大模定理。\n\n1924 年，埃伯哈德·霍普夫发表了适用于线性二阶椭圆型方程的强最大值原理。以他命名的边界点结论随后成为椭圆型方程理论中的标准工具。二十世纪，最大值原理被推广到抛物型方程、具有低正则性系数的算子、非线性问题以及弱解框架。亚历山德罗夫–巴克尔曼–普奇估计为获得定量界引入了强有力的几何方法，而黏性解理论则使比较成为处理不具备经典可微性条件的方程的核心手段。\n\n最优控制理论中出现了另一条不同的发展脉络。庞特里亚金最大值原理由列夫·庞特里亚金及其合作者于二十世纪五十年代提出，研究如何选择控制，使动力系统达到最优。虽然名称相同，但它通常并不是说解的最大值位于边界上，而是通过引入辅助的协态变量和哈密顿函数，给出最优轨迹所必须满足的条件。\n\n对于最大化如下目标泛函的正常最优控制问题，\n\n\\[J=\\Phi(x(T))+\\int_0^T\\ell(x(t),a(t),t)\\,dt, \\qquad \\dot x=f(x,a,t),\\]\n\n定义\n\n\\[H(x,p,a,t)=p\\cdot f(x,a,t)+\\ell(x,a,t).\\]\n\n在适当假设下，最优控制 \\(a^*(t)\\) 及相应的协态 \\(p(t)\\) 满足\n\n\\[\\dot x=\\frac{\\partial H}{\\partial p}, \\qquad \\dot p=-\\frac{\\partial H}{\\partial x},\\]\n\n并且对几乎所有时刻都有\n\n\\[H(x^*,p,a^*,t)=\\max_{a\\in U}H(x^*,p,a,t)\\]\n\n成立。当终端状态自由且没有额外的终端约束时，横截条件为 \\(p(T)=\\nabla\\Phi(x(T))\\)。更一般的表述还包含一个乘子，以涵盖非正常极值轨线。\n\n这里的最大化是针对各时刻的容许控制进行的，而不是针对空间点。它给出的是必要条件；若不附加适当的凹性等假设，就不足以保证全局最优性。它与变分法及拉格朗日乘子的关系，不同于椭圆型方程理论中的边界比较论证。\n\n不过，两者仍存在间接联系。动态规划导出价值函数所满足的哈密顿–雅可比–贝尔曼方程，而这些方程解的唯一性往往通过黏性解意义下的比较原理来确立。因此，最优控制中同时包含这两种含义：一是在极值轨线沿途逐点最大化哈密顿函数的庞特里亚金原理，二是约束相应价值函数的微分方程最大值原理或比较原理。"
    }
  ],
  "links": [
    "mathematical-analysis",
    "harmonic-function",
    "partial-differential-equation",
    "laplace-operator",
    "laplace-equation",
    "hessian-matrix",
    "gradient",
    "eigenvalues-and-eigenvectors",
    "extreme-value-theorem",
    "boundary-value-problem",
    "poisson-equation",
    "greens-function",
    "heat-equation",
    "diffusion",
    "ordinary-differential-equation",
    "lipschitz-continuity",
    "complex-analysis",
    "cauchy-riemann-equations",
    "liouvilles-theorem-complex-analysis",
    "fundamental-theorem-of-algebra",
    "weak-solution",
    "sobolev-space",
    "almost-everywhere",
    "bellman-equation",
    "wave-equation",
    "wiener-process",
    "martingale",
    "expected-value",
    "itos-formula",
    "stochastic-differential-equation",
    "feynman-kac-formula",
    "monte-carlo-method",
    "convex-combination",
    "markov-chain",
    "finite-difference-method",
    "finite-element-method",
    "numerical-stability",
    "optimal-control",
    "calculus-of-variations",
    "lagrange-multipliers",
    "value-function"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}