{
  "id": "minkowski-distance",
  "title": "闵可夫斯基距离",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "闵可夫斯基距离是以指数为参数的一族坐标向量距离，包括曼哈顿距离、欧几里得距离和切比雪夫距离。",
  "category": "mathematics",
  "subcategory": "geometry",
  "type": "concept",
  "aliases": [
    "闵氏距离",
    "闵可夫斯基度量",
    "闵氏度量"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/minkowski-distance/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/minkowski-distance/",
      "json": "https://aiwiki.page/en/minkowski-distance.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "闵可夫斯基距离是由坐标向量表示的点之间的一族距离，其计算方法是将各坐标差的绝对值取 \\(p\\) 次幂后求和，再取 \\(p\\) 次方根。当 \\(p\\geq 1\\) 时，它是由 \\(p\\)-范数诱导的距离，在有限维实坐标空间上定义了一个度量。这族距离以赫尔曼·闵可夫斯基的名字命名，包括 \\(p=1\\) 时的曼哈顿距离、\\(p=2\\) 时的欧几里得距离，以及作为极限情形的 \\(p=\\infty\\) 时的切比雪夫距离。它广泛应用于几何学、数值计算和数据分析。"
    },
    {
      "heading": "定义",
      "text": "对于 \\(\\mathbb{R}^n\\) 中的两点 \\(x=(x_1,\\ldots,x_n)\\) 和 \\(y=(y_1,\\ldots,y_n)\\)，以及实参数 \\(1\\leq p<\\infty\\)，闵可夫斯基距离定义为\n\n\\[d_p(x,y)=\\left(\\sum_{i=1}^{n}|x_i-y_i|^p\\right)^{1/p}.\\]\n\n其中，\\(|x_i-y_i|\\) 是第 \\(i\\) 个坐标之差的绝对值。等价地，\n\n\\[d_p(x,y)=\\|x-y\\|_p.\\]\n\n极限情形定义为\n\n\\[d_\\infty(x,y)=\\max_{1\\leq i\\leq n}|x_i-y_i|,\\]\n\n并满足\n\n\\[\\lim_{p\\to\\infty}d_p(x,y)=d_\\infty(x,y).\\]\n\n参数 \\(p\\) 有时称为距离的阶数，它决定了各坐标差的汇总方式。其值越大，最大的坐标差所受到的相对重视程度就越高。\n\n将绝对值替换为复数的模后，同一公式也适用于坐标为复数的向量。"
    },
    {
      "heading": "重要特例",
      "text": "曼哈顿距离\n\n当 \\(p=1\\) 时，\n\n\\[d_1(x,y)=\\sum_{i=1}^{n}|x_i-y_i|.\\]\n\n它也称为街区距离或出租车距离，衡量的是沿各坐标方向的位移总量。在没有障碍物的矩形街道网格上，如果只能沿坐标方向行进，它给出的就是最短路线长度。\n\n欧几里得距离\n\n当 \\(p=2\\) 时，\n\n\\[d_2(x,y)=\\sqrt{\\sum_{i=1}^{n}(x_i-y_i)^2}.\\]\n\n这就是欧几里得空间中通常所说的直线距离，可由勾股定理得到。它是这族距离中由标准内积诱导的距离。\n\n切比雪夫距离\n\n当 \\(p=\\infty\\) 时，\n\n\\[d_\\infty(x,y)=\\max_i|x_i-y_i|.\\]\n\n它也称为最大值距离，只取决于最大的坐标差。在二维情形下，若水平、竖直和斜向移动的代价均为一个单位，它描述的就是国际象棋中的王在没有障碍的棋盘上，从一个方格移动到另一个方格所需的最少步数。\n\n例如，若 \\(x=(1,2)\\)、\\(y=(4,6)\\)，则两个坐标差的绝对值分别为 \\(3\\) 和 \\(4\\)，因此\n\n\\[d_1(x,y)=7,\\qquad d_2(x,y)=5,\\qquad d_\\infty(x,y)=4.\\]"
    },
    {
      "heading": "度量性质",
      "text": "对于每个 \\(p\\in[1,\\infty]\\)，闵可夫斯基距离都满足：\n\n- 非负性： \\(d_p(x,y)\\geq 0\\)。\n- 同一性： \\(d_p(x,y)=0\\) 当且仅当 \\(x=y\\)。\n- 对称性： \\(d_p(x,y)=d_p(y,x)\\)。\n- 三角不等式：\n\n\\[d_p(x,z)\\leq d_p(x,y)+d_p(y,z).\\]\n\n当 \\(p\\) 为有限值时，三角不等式可由闵可夫斯基不等式推出：\n\n\\[\\left(\\sum_i|a_i+b_i|^p\\right)^{1/p} \\leq \\left(\\sum_i|a_i|^p\\right)^{1/p} + \\left(\\sum_i|b_i|^p\\right)^{1/p}.\\]\n\n闵可夫斯基距离具有平移不变性，并随整体缩放而按比例变化：\n\n\\[d_p(x+a,y+a)=d_p(x,y), \\qquad d_p(cx,cy)=|c|\\,d_p(x,y).\\]\n\n对坐标进行置换，或对两个点的相应坐标同时反号，都不会改变这族距离中的任何一种。不过，在至少二维的空间中，只有 \\(p=2\\) 时的距离在所有欧几里得旋转下都保持不变。对于其他 \\(p\\) 值，所选的坐标轴也是几何结构的一部分。"
    },
    {
      "heading": "几何形状与不同阶数的比较",
      "text": "闭单位球为\n\n\\[B_p=\\left\\{x\\in\\mathbb{R}^n:\\sum_i|x_i|^p\\leq 1\\right\\},\\]\n\n其中 \\(B_\\infty=\\{x:\\max_i|x_i|\\leq1\\}\\)。它们都是凸集。\n\n在二维空间中，单位球的形状为：\n\n- 当 \\(p=1\\) 时，是顶点位于坐标轴上的菱形；\n- 当 \\(p=2\\) 时，是圆盘；\n- 当 \\(p=\\infty\\) 时，是各边平行于坐标轴的正方形。\n\n当 \\(1<p<\\infty\\) 时，单位球是严格凸的：其边界不含任何非退化的直线段。因此，不计参数化方式的差异，两点之间的唯一最短路径就是连接它们的直线段。当 \\(p=1\\) 或 \\(p=\\infty\\) 时，则可能存在不同的最短路径。\n\n对于固定向量 \\(v\\in\\mathbb{R}^n\\) 以及 \\(1\\leq p<q\\leq\\infty\\)，有\n\n\\[\\|v\\|_q\\leq\\|v\\|_p \\leq n^{\\,1/p-1/q}\\|v\\|_q,\\]\n\n其中 \\(1/\\infty=0\\)。因此，固定两点之间未经归一化的距离随 \\(p\\) 增大而单调不增。\n\n这些界还表明，在固定的有限维空间上，所有闵可夫斯基距离都生成相同的拓扑：它们具有相同的收敛序列和开集。不过，它们所确定的最近邻以及点对之间距离的排序不一定相同。"
    },
    {
      "heading": "加权形式与归一化形式",
      "text": "加权闵可夫斯基距离通常定义为\n\n\\[d_{p,w}(x,y)= \\left(\\sum_{i=1}^{n}w_i|x_i-y_i|^p\\right)^{1/p}, \\qquad w_i>0.\\]\n\n它等价于将第 \\(i\\) 个坐标乘以 \\(w_i^{1/p}\\) 后得到的普通闵可夫斯基距离。严格为正的权重能够保留度量性质。如果某些权重为零，那么仅在这些坐标上不同的两个不同向量之间，距离也可能为零；此时得到的是整个坐标空间上的伪度量，而不是度量。\n\n一种归一化形式为\n\n\\[\\bar d_p(x,y)= \\left(\\frac{1}{n}\\sum_{i=1}^{n}|x_i-y_i|^p\\right)^{1/p} =n^{-1/p}d_p(x,y).\\]\n\n对于固定的 \\(n\\) 和 \\(p\\)，归一化相当于将所有距离乘以同一个正常数，因此不会改变最近邻的排序。它随 \\(p\\) 变化的规律与未经归一化的距离不同：作为各坐标差绝对值的幂平均，\\(\\bar d_p\\) 随 \\(p\\) 增大而单调不减。\n\n加权方式并没有统一约定。若求和项写为 \\(|w_i(x_i-y_i)|^p\\)，则实际系数是 \\(w_i^p\\)，而不是 \\(w_i\\)。"
    },
    {
      "heading": "指数小于一的情形",
      "text": "当 \\(0<p<1\\) 时，同一代数表达式有时也被称为闵可夫斯基距离，但它通常不是度量。\n\n例如，令 \\(x=(1,0)\\)、\\(y=(0,0)\\)、\\(z=(0,1)\\)，则\n\n\\[d_p(x,z)=2^{1/p}>2=d_p(x,y)+d_p(y,z),\\]\n\n因此三角不等式不成立。相应的表达式是一个拟范数，其单位球在至少二维的空间中不是凸集。\n\n需要特别区分这个表达式与它的 \\(p\\) 次幂。当 \\(0<p<1\\) 时，\n\n\\[\\rho_p(x,y)=\\sum_i|x_i-y_i|^p\\]\n\n确实定义了一个度量，因为对于非负的 \\(a,b\\)，有 \\((a+b)^p\\leq a^p+b^p\\)。正是最外层的指数 \\(1/p\\) 使通常的公式无法满足三角不等式。"
    },
    {
      "heading": "应用与局限",
      "text": "闵可夫斯基距离用于最近邻搜索、聚类分析、模式识别以及机器学习的其他领域。参数 \\(p\\) 提供的是一族几何结构，而不是一种普遍最优的相似性度量。\n\n当 \\(p=1\\) 时，直接将各坐标差的绝对值相加。当 \\(p=2\\) 时，平方运算使较大的差异得到更高的相对重视。当 \\(p=\\infty\\) 时，距离仅由最大的差异决定。对于固定的查询点和有限的 \\(p\\)，最小化 \\(d_p\\) 等价于最小化\n\n\\[d_p(x,y)^p=\\sum_i|x_i-y_i|^p,\\]\n\n因为取正的 \\(p\\) 次方根不会改变大小顺序。不过，当 \\(p>1\\) 时，这个取幂后的表达式本身通常不是度量。\n\n以下几个问题会影响对距离的解释：\n\n- 坐标尺度： 采用数值较大的单位计量的变量可能主导距离。重新缩放坐标会改变各变量的相对影响。\n- 变量之间的依赖关系： 普通闵可夫斯基距离不考虑协方差。马哈拉诺比斯距离则利用协方差矩阵构造了另一种距离。\n- 较大的差异： \\(p\\) 越大，异常大的坐标差所受到的相对重视就越高。但仅仅采用较小的 \\(p\\)，并不能保证统计方法具有稳健性。\n- 高维性： 在某些高维数据模型中，距离会趋于集中，区分能力随之减弱，这是维数灾难的一个方面。\n- 坐标的含义： 用数值对类别进行编码，并不意味着这些数值之差就能作为有意义的距离。\n\n当有限的 \\(p\\) 很大时，直接计算 \\(|x_i-y_i|^p\\) 可能导致数值上溢或下溢。若\n\n\\[m=\\max_i|x_i-y_i|>0,\\]\n\n则可使用以下等价的缩放公式：\n\n\\[d_p(x,y)= m\\left(\\sum_i \\left(\\frac{|x_i-y_i|}{m}\\right)^p \\right)^{1/p}.\\]\n\n归一化后的差值位于 \\([0,1]\\) 内，可降低幂运算发生上溢的风险。当 \\(m=0\\) 时，距离为零。"
    },
    {
      "heading": "与函数空间及时空的关系",
      "text": "闵可夫斯基距离对应于L^p 空间中由范数诱导的距离的有限维情形；在后者中，求和被替换为积分：\n\n\\[d_p(f,g)= \\left(\\int |f-g|^p\\,d\\mu\\right)^{1/p}.\\]\n\n在这种情形下，几乎处处相等的函数被视为同一个元素，从而使零距离对应于空间中的同一个元素。有限维空间中所有 \\(p\\)-范数的等价性不能原样推广到无限维空间：不同的指数可能要求本质上不同的可积性条件。\n\n尽管名称相同，闵可夫斯基距离并不是狭义相对论中的时空间隔。后者采用不定二次型，区分类时、类空和类光间隔，并不是上述意义下的非负度量。"
    }
  ],
  "links": [
    "norm-mathematics",
    "metric-space",
    "euclidean-distance",
    "absolute-value",
    "complex-number",
    "euclidean-space",
    "pythagorean-theorem",
    "inner-product",
    "triangle-inequality",
    "minkowski-inequality",
    "convex-set",
    "topology",
    "cluster-analysis",
    "machine-learning",
    "covariance",
    "mahalanobis-distance",
    "curse-of-dimensionality",
    "lp-space"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}