{
  "id": "norm-mathematics",
  "title": "范数（数学）",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "范数通过正定性、绝对齐次性和三角不等式，将长度概念推广为对向量大小的度量。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "向量范数"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/norm-mathematics/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/norm-mathematics/",
      "json": "https://aiwiki.page/en/norm-mathematics.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "范数是一个取非负实数值的函数，用于度量向量空间中元素的大小。它将通常的长度概念推广到坐标向量、矩阵和函数等对象。与任意的大小度量不同，范数必须与标量乘法和加法相容，且只有零向量的范数为零。范数提供了定义距离和收敛的方法，从而将线性代数与数学分析联系起来。(ocw.mit.edu)"
    },
    {
      "heading": "定义与基本性质",
      "text": "设 \\(V\\) 是实数域或复数域上的向量空间。范数是一个映射\n\n\\[\\|\\cdot\\|:V\\longrightarrow[0,\\infty),\\]\n\n对所有 \\(x,y\\in V\\) 和标量 \\(\\alpha\\)，均满足以下三个条件：\n\n- 正定性： \\(\\|x\\|=0\\) 当且仅当 \\(x=0\\)。\n- 绝对齐次性： \\(\\|\\alpha x\\|=|\\alpha|\\|x\\|\\)。\n- 三角不等式： \\(\\|x+y\\|\\leq\\|x\\|+\\|y\\|\\)。\n\n二元组 \\((V,\\|\\cdot\\|)\\) 称为赋范向量空间。这些公理蕴含对称性 \\(\\|-x\\|=\\|x\\|\\)，以及反三角不等式：\n\n\\[\\bigl|\\|x\\|-\\|y\\|\\bigr|\\leq\\|x-y\\|.\\]\n\n因此，范数函数相对于其诱导的距离是连续的。(tbetcke.github.io)\n\n半范数保留了非负性、绝对齐次性和三角不等式，但在非零向量上也可能取零值。例如，\\(p(x_1,x_2)=|x_1|\\) 忽略了第二个坐标，因此不是 \\(\\mathbb R^2\\) 上的范数。(ocw.mit.edu)"
    },
    {
      "heading": "坐标范数与几何",
      "text": "对于 \\(x=(x_1,\\ldots,x_n)\\in\\mathbb R^n\\) 或 \\(\\mathbb C^n\\)，\\(p\\)-范数定义为\n\n\\[\\|x\\|_p=\\left(\\sum_{i=1}^{n}|x_i|^p\\right)^{1/p}, \\qquad 1\\leq p<\\infty,\\]\n\n而无穷范数定义为\n\n\\[\\|x\\|_\\infty=\\max_i|x_i|.\\]\n\n其中的重要特例包括：对各坐标绝对值求和的 \\(1\\)-范数；\\(2\\)-范数，又称欧几里得范数；以及取各坐标绝对值最大值的无穷范数。欧几里得范数通过 \\(\\|x-y\\|_2\\) 给出通常的欧几里得距离。(tbetcke.github.io)\n\n不同范数对应不同的几何形状。在 \\(\\mathbb R^2\\) 中，\\(p=1,2,\\infty\\) 时的单位球分别为菱形、圆盘和边平行于坐标轴的正方形。每个范数都是凸函数，其单位球都是凸集。这些性质可由齐次性和三角不等式推出。(stanford.edu)\n\n当 \\(0<p<1\\) 时，在至少二维的空间中，同样的坐标公式不能定义范数，因为它不满足三角不等式。通常被称为“\\(0\\)-范数”的非零坐标个数也不是范数：将非零向量乘以非零标量不会改变这一计数，因此违反了齐次性。(stanford.edu)"
    },
    {
      "heading": "距离、收敛与等价性",
      "text": "每个范数都可以通过\n\n\\[d(x,y)=\\|x-y\\|\\]\n\n定义一个度量空间。这一距离具有平移不变性。收敛是指 \\(\\|x_k-x\\|\\to0\\)。如果每个柯西序列都收敛到空间中的某个元素，那么该赋范空间就是巴拿赫空间。完备性是一项额外性质，并非范数公理的一部分。(web.math.princeton.edu)\n\n若存在正常数 \\(c,C\\)，使得对每个 \\(x\\) 都有\n\n\\[c\\|x\\|_a\\leq\\|x\\|_b\\leq C\\|x\\|_a,\\]\n\n则称这两个范数等价。等价范数定义相同的拓扑，并具有相同的收敛序列。在一个给定的有限维实向量空间或复向量空间上，所有范数都等价。这并不意味着它们的数值或单位球相同。在无限维空间中，范数不一定等价。(math.mit.edu)"
    },
    {
      "heading": "内积诱导的范数",
      "text": "内积通过\n\n\\[\\|x\\|=\\sqrt{\\langle x,x\\rangle}\\]\n\n诱导一个范数。柯西—施瓦茨不等式可以证明这一构造满足三角不等式。并非每个范数都来自内积。实向量空间或复向量空间上的范数由内积诱导，当且仅当它满足平行四边形恒等式：\n\n\\[\\|x+y\\|^2+\\|x-y\\|^2 =2\\|x\\|^2+2\\|y\\|^2.\\]\n\n当这一条件成立时，可以通过极化恒等式恢复唯一与该范数相容的内积。完备的内积空间称为希尔伯特空间。因此，希尔伯特空间是具有额外几何结构的巴拿赫空间。(ocw.mit.edu)"
    },
    {
      "heading": "函数空间",
      "text": "范数也可以用来度量函数。在测度空间 \\((X,\\mu)\\) 上，Lp空间中的范数为\n\n\\[\\|f\\|_p=\\left(\\int_X|f|^p\\,d\\mu\\right)^{1/p}, \\qquad 1\\leq p<\\infty.\\]\n\n该空间由使这一量有限的函数构成。其元素是函数的等价类，其中几乎处处相等的函数被视为同一元素；这样的处理保证了正定性。当 \\(p=\\infty\\) 时，范数是本质上确界，即忽略测度为零的例外集合后得到的上确界。(math.ucdavis.edu)\n\n对于紧区间上的连续函数，\n\n\\[\\|f\\|_\\infty=\\max_x|f(x)|.\\]\n\n按这一上确界范数收敛就是一致收敛。相比之下，积分范数度量的是总体差异，因而可以容许函数在测度较小的集合上存在显著差别。这些区别在泛函分析中十分重要。(math.ucdavis.edu)"
    },
    {
      "heading": "矩阵范数、对偶范数及应用",
      "text": "将矩阵 \\(A\\) 视为线性映射时，其诱导算子范数为\n\n\\[\\|A\\|=\\sup_{x\\ne0}\\frac{\\|Ax\\|}{\\|x\\|}.\\]\n\n当向量范数取欧几里得范数时，这一算子范数等于矩阵的最大奇异值。弗罗贝尼乌斯范数则将矩阵视为元素数组来度量：\n\n\\[\\|A\\|_F=\\left(\\sum_{i,j}|a_{ij}|^2\\right)^{1/2}.\\]\n\n它通常不同于欧几里得范数诱导的算子范数。相容的诱导范数满足 \\(\\|AB\\|\\leq\\|A\\|\\|B\\|\\)。(tbetcke.github.io)\n\n在 \\(\\mathbb R^n\\) 上，对偶范数定义为\n\n\\[\\|y\\|_*=\\sup_{\\|x\\|\\leq1}|y^{\\mathsf T}x|.\\]\n\n当 \\(1/p+1/q=1\\) 时，\\(p\\)-范数的对偶范数是 \\(q\\)-范数，其中也包括 \\(1\\)-范数与无穷范数互为对偶的情形。在数学优化中，范数用于度量残差并约束可行解。范数惩罚项还可以实现正则化：\\(1\\)-范数惩罚项可以促进稀疏解的产生，而 \\(2\\)-范数的平方惩罚项则控制系数的整体大小。(stanford.edu)"
    }
  ],
  "links": [
    "vector-space",
    "linear-algebra",
    "mathematical-analysis",
    "real-number",
    "complex-number",
    "triangle-inequality",
    "normed-vector-space",
    "euclidean-distance",
    "convex-function",
    "convex-set",
    "metric-space",
    "cauchy-sequence",
    "banach-space",
    "topology",
    "inner-product",
    "cauchy-schwarz-inequality",
    "parallelogram-law",
    "hilbert-space",
    "lp-space",
    "equivalence-class",
    "almost-everywhere",
    "continuous-function",
    "uniform-convergence",
    "functional-analysis",
    "matrix",
    "linear-map",
    "mathematical-optimization",
    "regularization"
  ],
  "sources": [
    {
      "title": "ocw.mit.edu/courses/18-065-matrix-methods-in-data-analysis-signal-processing-an…",
      "url": "https://ocw.mit.edu/courses/18-065-matrix-methods-in-data-analysis-signal-processing-and-machine-learning-spring-2018/resources/lecture-8-norms-of-vectors-and-matrices/"
    },
    {
      "title": "tbetcke.github.io/math0058_lecture_notes/matrix_vector_norms.html",
      "url": "https://tbetcke.github.io/math0058_lecture_notes/matrix_vector_norms.html"
    },
    {
      "title": "ocw.mit.edu/courses/18-102-introduction-to-functional-analysis-spring-2021/3d4c…",
      "url": "https://ocw.mit.edu/courses/18-102-introduction-to-functional-analysis-spring-2021/3d4cc88026d44a01f936cd6a0aa995cb_MIT18_102s20_lec_FA.pdf"
    },
    {
      "title": "stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf",
      "url": "https://www.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf"
    },
    {
      "title": "web.math.princeton.edu/~js129/PDFs/teaching/MAT520_fall_2024/MAT520_Lecture_Not…",
      "url": "https://web.math.princeton.edu/~js129/PDFs/teaching/MAT520_fall_2024/MAT520_Lecture_Notes.pdf"
    },
    {
      "title": "math.mit.edu/~stevenj/18.335/norm-equivalence.pdf",
      "url": "https://math.mit.edu/~stevenj/18.335/norm-equivalence.pdf"
    },
    {
      "title": "math.ucdavis.edu/~babson/MAT200/Shktext.pdf",
      "url": "https://www.math.ucdavis.edu/~babson/MAT200/Shktext.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}