为什么完备性重要
有限维线性代数中,越来越精确的近似序列往往在所研究的空间里有极限;到了无限维,这一点必须证明。泛函分析将函数或序列相加的代数运算,与极限是否仍属于同一空间的度量问题区分开来。这个区别是近似和求解算子方程的基础。
定义 1.1.1
(范数、Cauchy 序列与 Banach 空间)
设标量域为 F = R \mathbb F=\mathbb R F = R 或 C \mathbb C C 。向量空间 X X X 上的范数 是映射 ∥ ⋅ ∥ : X → [ 0 , ∞ ) \|\cdot\|:X\to[0,\infty) ∥ ⋅ ∥ : X → [ 0 , ∞ ) ,满足 ∥ x ∥ = 0 \|x\|=0 ∥ x ∥ = 0 当且仅当 x = 0 x=0 x = 0 ,∥ a x ∥ = ∣ a ∣ ∥ x ∥ \|ax\|=|a|\|x\| ∥ a x ∥ = ∣ a ∣∥ x ∥ ,以及 ∥ x + y ∥ ≤ ∥ x ∥ + ∥ y ∥ \|x+y\|\leq\|x\|+\|y\| ∥ x + y ∥ ≤ ∥ x ∥ + ∥ y ∥ 。它诱导度量 d ( x , y ) = ∥ x − y ∥ d(x,y)=\|x-y\| d ( x , y ) = ∥ x − y ∥ 。
若对每个 ε > 0 \varepsilon>0 ε > 0 都存在 N N N ,使 m , n ≥ N m,n\geq N m , n ≥ N 时 ∥ x n − x m ∥ < ε \|x_n-x_m\|<\varepsilon ∥ x n − x m ∥ < ε ,则称序列 ( x n ) (x_n) ( x n ) 为 Cauchy 序列 。
若赋范空间中的每个 Cauchy 序列都依此范数收敛到空间内的元素,则该空间是 Banach 空间 。
范数是结构的一部分:即使底层向量空间不变,改变范数也可能改变完备性。
例:不完备的赋范空间
在 C [ 0 , 1 ] C[0,1] C [ 0 , 1 ] 上取积分范数 ∥ f ∥ 1 = ∫ 0 1 ∣ f ( t ) ∣ d t \|f\|_1=\int_0^1|f(t)|\,dt ∥ f ∥ 1 = ∫ 0 1 ∣ f ( t ) ∣ d t 。对 n ≥ 2 n\geq2 n ≥ 2 ,令 f n f_n f n 在 [ 0 , 1 / 2 ] [0,1/2] [ 0 , 1/2 ] 上为零,在 [ 1 / 2 + 1 / n , 1 ] [1/2+1/n,1] [ 1/2 + 1/ n , 1 ] 上为一,中间线性连接。它与阶跃函数 g = 1 ( 1 / 2 , 1 ] g=\mathbf 1_{(1/2,1]} g = 1 ( 1/2 , 1 ] 的积分距离是底为 1 / n 1/n 1/ n 、高为一的三角形面积,即 1 / ( 2 n ) 1/(2n) 1/ ( 2 n ) 。故 ∥ f n − f m ∥ 1 ≤ 1 / ( 2 n ) + 1 / ( 2 m ) \|f_n-f_m\|_1\leq1/(2n)+1/(2m) ∥ f n − f m ∥ 1 ≤ 1/ ( 2 n ) + 1/ ( 2 m ) ,所以 ( f n ) (f_n) ( f n ) 是 Cauchy 序列,尽管 g g g 不连续。
若 f n f_n f n 依此范数收敛到连续函数 f f f ,则 ∥ f − g ∥ 1 ≤ ∥ f − f n ∥ 1 + ∥ f n − g ∥ 1 → 0 \|f-g\|_1\leq\|f-f_n\|_1+\|f_n-g\|_1\to0 ∥ f − g ∥ 1 ≤ ∥ f − f n ∥ 1 + ∥ f n − g ∥ 1 → 0 ,即 ∫ ∣ f − g ∣ = 0 \int|f-g|=0 ∫ ∣ f − g ∣ = 0 。连续性会迫使 f f f 在 [ 0 , 1 / 2 ) [0,1/2) [ 0 , 1/2 ) 上为零、在 ( 1 / 2 , 1 ] (1/2,1] ( 1/2 , 1 ] 上为一,与 1 / 2 1/2 1/2 处的连续性矛盾。因此,各项连续并不足以保证 Cauchy 序列在此空间中收敛。
相反,C [ 0 , 1 ] C[0,1] C [ 0 , 1 ] 配上上确界范数是 Banach 空间。事实上,范数 Cauchy 序列逐点收敛,因为标量域完备;让 Cauchy 估计中的一个指标趋于无穷,便得到一致收敛,而连续函数的一致极限仍连续。证明同时用到了标量的完备性和一致极限定理。
有限维空间为何不同
同一向量空间上的两个范数 ∥ ⋅ ∥ a \|\cdot\|_a ∥ ⋅ ∥ a 与 ∥ ⋅ ∥ b \|\cdot\|_b ∥ ⋅ ∥ b 称为等价 ,如果存在正常数 c , C c,C c , C ,对所有 x x x 都有 c ∥ x ∥ a ≤ ∥ x ∥ b ≤ C ∥ x ∥ a c\|x\|_a\leq\|x\|_b\leq C\|x\|_a c ∥ x ∥ a ≤ ∥ x ∥ b ≤ C ∥ x ∥ a 。
两个范数于是互相控制,具有相同的收敛序列和 Cauchy 序列。这里的常数必须对所有向量同时有效;依赖于 x x x 的界不足以证明等价。
有限维实或复向量空间上的任意两个范数都等价。因此,每个有限维赋范空间都完备,赋范空间的每个有限维子空间都闭,且从有限维赋范空间到任意赋范空间的每个线性映射都有界。
零维情形显然。否则选取基 e 1 , … , e n e_1,\ldots,e_n e 1 , … , e n ,写 x = ∑ a i e i x=\sum a_i e_i x = ∑ a i e i ,令 ∣ x ∣ 2 = ( ∑ ∣ a i ∣ 2 ) 1 / 2 |x|_2=(\sum|a_i|^2)^{1/2} ∣ x ∣ 2 = ( ∑ ∣ a i ∣ 2 ) 1/2 。对任意范数 ∥ ⋅ ∥ \|\cdot\| ∥ ⋅ ∥ ,三角不等式和 Cauchy–Schwarz 不等式给出
∥ x ∥ ≤ ∑ i ∣ a i ∣ ∥ e i ∥ ≤ A ∣ x ∣ 2 , A = ( ∑ i ∥ e i ∥ 2 ) 1 / 2 . \|x\|\leq\sum_i|a_i|\|e_i\|\leq A|x|_2,
\qquad A=\left(\sum_i\|e_i\|^2\right)^{1/2}. ∥ x ∥ ≤ i ∑ ∣ a i ∣∥ e i ∥ ≤ A ∣ x ∣ 2 , A = ( i ∑ ∥ e i ∥ 2 ) 1/2 . 因此 ∣ ∥ x ∥ − ∥ y ∥ ∣ ≤ ∥ x − y ∥ ≤ A ∣ x − y ∣ 2 |\|x\|-\|y\||\leq\|x-y\|\leq A|x-y|_2 ∣∥ x ∥ − ∥ y ∥∣ ≤ ∥ x − y ∥ ≤ A ∣ x − y ∣ 2 ,即 x ↦ ∥ x ∥ x\mapsto\|x\| x ↦ ∥ x ∥ 对坐标欧氏(Euclid)范数连续。坐标单位球面是紧致的;复数情形可将 C n \mathbb C^n C n 视为 R 2 n \mathbb R^{2n} R 2 n 。所以连续函数 ∥ x ∥ \|x\| ∥ x ∥ 在球面上达到最小值 a a a 。球面上没有零向量,故 a > 0 a>0 a > 0 。缩放得到对所有 x x x 有 a ∣ x ∣ 2 ≤ ∥ x ∥ ≤ A ∣ x ∣ 2 a|x|_2\leq\|x\|\leq A|x|_2 a ∣ x ∣ 2 ≤ ∥ x ∥ ≤ A ∣ x ∣ 2 。分别应用于两个范数便得等价;这里没有循环地假设未知范数下的紧致性。
∥ ⋅ ∥ \|\cdot\| ∥ ⋅ ∥ 下的 Cauchy 序列在坐标范数下也是 Cauchy,故由标量域完备性逐坐标收敛;上界保证它也依 ∥ ⋅ ∥ \|\cdot\| ∥ ⋅ ∥ 收敛。因此该有限维空间是 Banach 空间。如果它是赋范空间 X X X 的子空间,则其中在 X X X 中收敛的序列依继承范数为 Cauchy,因而收敛到子空间内一点;极限的唯一性说明此点就是它在 X X X 中的极限。最后,对线性映射 T T T ,令 B = ( ∑ i ∥ T e i ∥ 2 ) 1 / 2 B=(\sum\limits_i\|Te_i\|^2)^{1/2} B = ( i ∑ ∥ T e i ∥ 2 ) 1/2 ,则有 ∥ T x ∥ ≤ ∑ i ∣ a i ∣ ∥ T e i ∥ ≤ B ∣ x ∣ 2 ≤ ( B / a ) ∥ x ∥ \|Tx\|\leq\sum\limits_i|a_i|\|Te_i\|\leq B|x|_2\leq(B/a)\|x\| ∥ T x ∥ ≤ i ∑ ∣ a i ∣∥ T e i ∥ ≤ B ∣ x ∣ 2 ≤ ( B / a ) ∥ x ∥ ,所以 T T T 有界。
证明透视
有限维在哪里起作用 上界 ∥ x ∥ ≤ A ∣ x ∣ 2 \|x\|\leq A|x|_2 ∥ x ∥ ≤ A ∣ x ∣ 2 只用三角不等式,但需要展开式 x = ∑ a i e i x=\sum a_ie_i x = ∑ a i e i 是有限和,A A A 才是有限数。这个上界是关键一步:它使未知范数对欧氏拓扑连续,而欧氏拓扑中的紧致集由 Heine–Borel 定理完全掌握。有限维第二次出现,是断言欧氏单位球面为紧致;范数公理“只有 x = 0 x=0 x = 0 时 ∥ x ∥ = 0 \|x\|=0 ∥ x ∥ = 0 ”则保证最小值 a a a 严格为正。三个推论不再需要紧致性:完备性和闭性由双向估计从坐标转移过来,T T T 的有界性则是把同一上界估计用于向量 T e i Te_i T e i 。在无限维中两处都失效:c 00 c_{00} c 00 的向量 e n e_n e n 满足 ∥ e n − e m ∥ 2 = 2 \|e_n-e_m\|_2=\sqrt2 ∥ e n − e m ∥ 2 = 2 ,所以欧氏球面上存在没有收敛子列的序列。
定理确实需要维数假设,下例说明这一点。
反例模式
同一空间上两个不等价的范数 断言:向量空间上任意两个范数都等价。在有限支撑标量序列空间 c 00 c_{00} c 00 上,∥ x ∥ 1 = ∑ ∣ x k ∣ \|x\|_1=\sum|x_k| ∥ x ∥ 1 = ∑ ∣ x k ∣ 和 ∥ x ∥ 2 = ( ∑ ∣ x k ∣ 2 ) 1 / 2 \|x\|_2=(\sum|x_k|^2)^{1/2} ∥ x ∥ 2 = ( ∑ ∣ x k ∣ 2 ) 1/2 都是范数。令 u ( n ) u^{(n)} u ( n ) 的前 n n n 项均为 1 / n 1/n 1/ n ,其余为零,则 ∥ u ( n ) ∥ 1 = n ⋅ ( 1 / n ) = 1 \|u^{(n)}\|_1=n\cdot(1/n)=1 ∥ u ( n ) ∥ 1 = n ⋅ ( 1/ n ) = 1 ,但 ∥ u ( n ) ∥ 2 = ( n ⋅ 1 / n 2 ) 1 / 2 = 1 / n → 0 \|u^{(n)}\|_2=(n\cdot1/n^2)^{1/2}=1/\sqrt n\to0 ∥ u ( n ) ∥ 2 = ( n ⋅ 1/ n 2 ) 1/2 = 1/ n → 0 。因此不存在对所有 x x x 成立的 ∥ x ∥ 1 ≤ C ∥ x ∥ 2 \|x\|_1\leq C\|x\|_2 ∥ x ∥ 1 ≤ C ∥ x ∥ 2 ,而且 u ( n ) u^{(n)} u ( n ) 在一个范数下趋于零、在另一个范数下却不然。正确的叙述必须要求有限维;在无限维中,改变范数甚至可能改变收敛的含义。
闭性推论在后续论证中最常用,因为它不需要外层空间完备。
快速检查
(为什么从有限维空间出发的线性映射的像是闭的,即使其陪域不完备?)
解答 · 答案 像本身有限维,依继承范数完备。其中在陪域里收敛的序列依继承范数为 Cauchy,故也收敛到像中一点;由极限的唯一性,两个极限相同,所以极限属于像。
线性算子及其范数
赋范空间之间的线性映射 T : X → Y T:X\to Y T : X → Y 称为有界 ,如果存在 C ≥ 0 C\geq0 C ≥ 0 ,对每个 x x x 都有 ∥ T x ∥ ≤ C ∥ x ∥ \|Tx\|\leq C\|x\| ∥ T x ∥ ≤ C ∥ x ∥ 。其算子范数 为
∥ T ∥ = sup ∥ x ∥ ≤ 1 ∥ T x ∥ . \|T\|=\sup_{\|x\|\leq1}\|Tx\|. ∥ T ∥ = ∥ x ∥ ≤ 1 sup ∥ T x ∥.
对赋范空间之间的线性映射 T : X → Y T:X\to Y T : X → Y ,以下三者等价:T T T 有界;T T T 在零点连续;T T T 处处连续。
有界性给出 ∥ T x − T y ∥ = ∥ T ( x − y ) ∥ ≤ C ∥ x − y ∥ \|Tx-Ty\|=\|T(x-y)\|\leq C\|x-y\| ∥ T x − T y ∥ = ∥ T ( x − y ) ∥ ≤ C ∥ x − y ∥ ,所以 T T T 处处(Lipschitz)连续,特别是在零点连续。反过来,由零点连续性,存在 δ > 0 \delta>0 δ > 0 ,使 ∥ x ∥ < δ \|x\|<\delta ∥ x ∥ < δ 时 ∥ T x ∥ < 1 \|Tx\|<1 ∥ T x ∥ < 1 。将非零 x x x 缩放为范数 δ / 2 \delta/2 δ /2 的向量 δ x / ( 2 ∥ x ∥ ) \delta x/(2\|x\|) δ x / ( 2∥ x ∥ ) ,便得到 ∥ T x ∥ ≤ 2 ∥ x ∥ / δ \|Tx\|\leq2\|x\|/\delta ∥ T x ∥ ≤ 2∥ x ∥/ δ 。
在配上上确界范数的 C [ 0 , 1 ] C[0,1] C [ 0 , 1 ] 上,T f ( x ) = ∫ 0 x f ( t ) d t Tf(x)=\int_0^x f(t)\,dt T f ( x ) = ∫ 0 x f ( t ) d t 满足 ∣ T f ( x ) ∣ ≤ x ∥ f ∥ ∞ ≤ ∥ f ∥ ∞ |Tf(x)|\leq x\|f\|_\infty\leq\|f\|_\infty ∣ T f ( x ) ∣ ≤ x ∥ f ∥ ∞ ≤ ∥ f ∥ ∞ ,故 ∥ T f ∥ ∞ ≤ ∥ f ∥ ∞ \|Tf\|_\infty\leq\|f\|_\infty ∥ T f ∥ ∞ ≤ ∥ f ∥ ∞ 。取 f = 1 f=1 f = 1 时 T f ( x ) = x Tf(x)=x T f ( x ) = x 的上确界为一,等号成立,所以 ∥ T ∥ = 1 \|T\|=1 ∥ T ∥ = 1 。
配上上确界范数的 C 1 [ 0 , 1 ] C^1[0,1] C 1 [ 0 , 1 ] 上的求导算子是线性但无界的:f n ( x ) = sin ( n x ) f_n(x)=\sin(nx) f n ( x ) = sin ( n x ) 的范数至多为一,而 f n ′ ( x ) = n cos ( n x ) f_n'(x)=n\cos(nx) f n ′ ( x ) = n cos ( n x ) 给出 ∥ f n ′ ∥ ∞ = n \|f_n'\|_\infty=n ∥ f n ′ ∥ ∞ = n 。没有常数 C C C 能对所有 n n n 满足 n ≤ C n\leq C n ≤ C 。无限维时,线性本身不能保证连续。
算子范数使有界线性映射空间 B ( X , Y ) \mathcal B(X,Y) B ( X , Y ) 成为赋范空间,而它是否完备只取决于目标空间。
若 Y Y Y 是 Banach 空间,则对任意赋范空间 X X X ,B ( X , Y ) \mathcal B(X,Y) B ( X , Y ) 配上算子范数是 Banach 空间。
设 ( T n ) (T_n) ( T n ) 按算子范数为 Cauchy。对每个 x x x ,∥ T n x − T m x ∥ ≤ ∥ T n − T m ∥ ∥ x ∥ \|T_nx-T_mx\|\leq\|T_n-T_m\|\|x\| ∥ T n x − T m x ∥ ≤ ∥ T n − T m ∥∥ x ∥ ,故 ( T n x ) (T_nx) ( T n x ) 在 Y Y Y 中为 Cauchy,可定义 T x = lim n T n x Tx=\lim\limits_nT_nx T x = n lim T n x 。在 T n ( a x + b y ) = a T n x + b T n y T_n(ax+by)=aT_nx+bT_ny T n ( a x + b y ) = a T n x + b T n y 中取极限可知 T T T 线性。给定 ε > 0 \varepsilon>0 ε > 0 ,选 N N N 使 m , n ≥ N m,n\geq N m , n ≥ N 时 ∥ T n − T m ∥ ≤ ε \|T_n-T_m\|\leq\varepsilon ∥ T n − T m ∥ ≤ ε 。在 ∥ T n x − T m x ∥ ≤ ε ∥ x ∥ \|T_nx-T_mx\|\leq\varepsilon\|x\| ∥ T n x − T m x ∥ ≤ ε ∥ x ∥ 中令 m → ∞ m\to\infty m → ∞ ,对所有 x x x 得到 ∥ T n x − T x ∥ ≤ ε ∥ x ∥ \|T_nx-Tx\|\leq\varepsilon\|x\| ∥ T n x − T x ∥ ≤ ε ∥ x ∥ 。于是 T − T n T-T_n T − T n 有界且范数至多为 ε \varepsilon ε ;因此 T = T n + ( T − T n ) T=T_n+(T-T_n) T = T n + ( T − T n ) 有界,且 T n T_n T n 按算子范数收敛到 T T T 。
证明中的 ∥ T n − T ∥ → 0 \|T_n-T\|\to0 ∥ T n − T ∥ → 0 来自算子范数 Cauchy 这一假设,而不是来自对每个 x x x 都有 T n x → T x T_nx\to Tx T n x → T x 。仅有逐点收敛是较弱的。在 ℓ 2 \ell^2 ℓ 2 上,令 P n P_n P n 保留前 n n n 个坐标、其余置为零。对每个 x x x ,∥ x − P n x ∥ 2 2 = ∑ k > n ∣ x k ∣ 2 → 0 \|x-P_nx\|_2^2=\sum\limits_{k>n}|x_k|^2\to0 ∥ x − P n x ∥ 2 2 = k > n ∑ ∣ x k ∣ 2 → 0 ;但 ∥ ( I − P n ) e n + 1 ∥ 2 = 1 \|(I-P_n)e_{n+1}\|_2=1 ∥ ( I − P n ) e n + 1 ∥ 2 = 1 ,所以对每个 n n n 都有 ∥ I − P n ∥ = 1 \|I-P_n\|=1 ∥ I − P n ∥ = 1 。
内积与投影
内积空间带有内积 ⟨ x , y ⟩ \langle x,y\rangle ⟨ x , y ⟩ ;这里约定它对第一变量线性、对第二变量共轭线性,并满足正定性和共轭对称性。它诱导范数 ∥ x ∥ = ⟨ x , x ⟩ \|x\|=\sqrt{\langle x,x\rangle} ∥ x ∥ = ⟨ x , x ⟩ 。依此范数完备的内积空间称为 Hilbert 空间 。
Cauchy–Schwarz 不等式 ∣ ⟨ x , y ⟩ ∣ ≤ ∥ x ∥ ∥ y ∥ |\langle x,y\rangle|\leq\|x\|\|y\| ∣ ⟨ x , y ⟩ ∣ ≤ ∥ x ∥∥ y ∥ 保证内积联合连续。平行四边形恒等式
∥ x + y ∥ 2 + ∥ x − y ∥ 2 = 2 ∥ x ∥ 2 + 2 ∥ y ∥ 2 \|x+y\|^2+\|x-y\|^2=2\|x\|^2+2\|y\|^2 ∥ x + y ∥ 2 + ∥ x − y ∥ 2 = 2∥ x ∥ 2 + 2∥ y ∥ 2
是范数来自内积的必要条件。例如 R 2 \mathbb R^2 R 2 的 ℓ 1 \ell^1 ℓ 1 范数在 ( 1 , 0 ) (1,0) ( 1 , 0 ) 和 ( 0 , 1 ) (0,1) ( 0 , 1 ) 处不满足此恒等式:左边是 2 2 + 2 2 = 8 2^2+2^2=8 2 2 + 2 2 = 8 ,右边是 4 4 4 ,所以它不是任何内积所诱导的范数。
内积估计从何而来
这个不等式不仅方便计算:它有助于证明 ℓ 2 \ell^2 ℓ 2 内积级数收敛,也保证向量的小变化只引起内积的小变化。证明只用正定性,不需要完备性。
定理 1.1.10
(Cauchy–Schwarz 不等式)
在实或复内积空间中,∣ ⟨ x , y ⟩ ∣ ≤ ∥ x ∥ ∥ y ∥ |\langle x,y\rangle|\leq\|x\|\|y\| ∣ ⟨ x , y ⟩ ∣ ≤ ∥ x ∥∥ y ∥ 。当 y ≠ 0 y\ne0 y = 0 时,等号恰好在 x = a y x=ay x = a y (a a a 为某个标量,包括 x = 0 x=0 x = 0 )时成立;y = 0 y=0 y = 0 时对每个 x x x 都有等号。
若 y = 0 y=0 y = 0 ,两边都是零。否则令 a = ⟨ x , y ⟩ / ∥ y ∥ 2 a=\langle x,y\rangle/\|y\|^2 a = ⟨ x , y ⟩ /∥ y ∥ 2 ,按第一变量线性、第二变量共轭线性展开:
0 ≤ ∥ x − a y ∥ 2 = ∥ x ∥ 2 − ∣ ⟨ x , y ⟩ ∣ 2 ∥ y ∥ 2 . 0\leq\|x-ay\|^2=\|x\|^2-\frac{|\langle x,y\rangle|^2}{\|y\|^2}. 0 ≤ ∥ x − a y ∥ 2 = ∥ x ∥ 2 − ∥ y ∥ 2 ∣ ⟨ x , y ⟩ ∣ 2 . 整理即得结论,而等号恰好在 ∥ x − a y ∥ = 0 \|x-ay\|=0 ∥ x − a y ∥ = 0 ,即 x = a y x=ay x = a y 时成立。展开 ∥ x + y ∥ 2 \|x+y\|^2 ∥ x + y ∥ 2 并用此不等式控制交叉项的实部,即得三角不等式,因此内积确实诱导一个范数。
若 x n → x x_n\to x x n → x 且 y n → y y_n\to y y n → y ,则 ( y n ) (y_n) ( y n ) 有界,并且
∣ ⟨ x n , y n ⟩ − ⟨ x , y ⟩ ∣ ≤ ∥ x n − x ∥ ∥ y n ∥ + ∥ x ∥ ∥ y n − y ∥ ⟶ 0. |\langle x_n,y_n\rangle-\langle x,y\rangle|
\leq\|x_n-x\|\,\|y_n\|+\|x\|\,\|y_n-y\|\longrightarrow0. ∣ ⟨ x n , y n ⟩ − ⟨ x , y ⟩ ∣ ≤ ∥ x n − x ∥ ∥ y n ∥ + ∥ x ∥ ∥ y n − y ∥ ⟶ 0.
这证明了联合连续性。有界因子不可忽略:两个向量都在变化时,仍须用估计控制它们的乘积。
由序列构造 Hilbert 空间
令 ℓ 2 \ell^2 ℓ 2 为满足 ∑ k = 1 ∞ ∣ x k ∣ 2 < ∞ \sum\limits_{k=1}^{\infty}|x_k|^2<\infty k = 1 ∑ ∞ ∣ x k ∣ 2 < ∞ 的实或复序列 x = ( x k ) x=(x_k) x = ( x k ) 所成的空间。对 x , y ∈ ℓ 2 x,y\in\ell^2 x , y ∈ ℓ 2 ,有限维 Cauchy–Schwarz 不等式说明 ∑ ∣ x k y k ∣ \sum |x_ky_k| ∑ ∣ x k y k ∣ 的每个有限部分和都不超过 ∥ x ∥ 2 ∥ y ∥ 2 \|x\|_2\|y\|_2 ∥ x ∥ 2 ∥ y ∥ 2 。这些非负部分和递增且有上界,所以 ∑ x k y k ‾ \sum x_k\overline{y_k} ∑ x k y k 绝对收敛。它定义了一个对第一变量线性的内积,其诱导范数为 ∥ x ∥ 2 = ( ∑ ∣ x k ∣ 2 ) 1 / 2 \|x\|_2=(\sum|x_k|^2)^{1/2} ∥ x ∥ 2 = ( ∑ ∣ x k ∣ 2 ) 1/2 。有限截断上的三角不等式取极限也表明 x + y ∈ ℓ 2 x+y\in\ell^2 x + y ∈ ℓ 2 。
定理 1.1.11
(序列空间 ℓ 2 \ell^2 ℓ 2 是完备的)
配上内积 ⟨ x , y ⟩ = ∑ k x k y k ‾ \langle x,y\rangle=\sum\limits_k x_k\overline{y_k} ⟨ x , y ⟩ = k ∑ x k y k ,空间 ℓ 2 \ell^2 ℓ 2 是 Hilbert 空间。
设 x ( n ) x^{(n)} x ( n ) 在此范数下为 Cauchy。因为 ∣ x k ( n ) − x k ( m ) ∣ ≤ ∥ x ( n ) − x ( m ) ∥ 2 |x^{(n)}_k-x^{(m)}_k|\leq\|x^{(n)}-x^{(m)}\|_2 ∣ x k ( n ) − x k ( m ) ∣ ≤ ∥ x ( n ) − x ( m ) ∥ 2 ,每个坐标都是 Cauchy 序列;记其标量极限为 x k x_k x k 。给定 ε > 0 \varepsilon>0 ε > 0 ,取 N N N 使 m , n ≥ N m,n\geq N m , n ≥ N 时 ∥ x ( n ) − x ( m ) ∥ 2 ≤ ε \|x^{(n)}-x^{(m)}\|_2\leq\varepsilon ∥ x ( n ) − x ( m ) ∥ 2 ≤ ε 。对每个有限的 K K K ,先在有限和中令 m → ∞ m\to\infty m → ∞ :
∑ k = 1 K ∣ x k ( n ) − x k ∣ 2 ≤ ε 2 ( n ≥ N ) . \sum_{k=1}^K|x^{(n)}_k-x_k|^2\leq\varepsilon^2\qquad(n\geq N). k = 1 ∑ K ∣ x k ( n ) − x k ∣ 2 ≤ ε 2 ( n ≥ N ) . 再令 K → ∞ K\to\infty K → ∞ ,可知 x ( n ) − x ∈ ℓ 2 x^{(n)}-x\in\ell^2 x ( n ) − x ∈ ℓ 2 且其范数至多为 ε \varepsilon ε 。由于 x ( N ) ∈ ℓ 2 x^{(N)}\in\ell^2 x ( N ) ∈ ℓ 2 ,可得 x = x ( N ) − ( x ( N ) − x ) ∈ ℓ 2 x=x^{(N)}-(x^{(N)}-x)\in\ell^2 x = x ( N ) − ( x ( N ) − x ) ∈ ℓ 2 ;同一估计说明 x ( n ) x^{(n)} x ( n ) 按范数收敛到 x x x 。
常见错误
(逐坐标收敛不等于在 ℓ 2 \ell^2 ℓ 2 中收敛)
求出坐标极限 x k x_k x k 只是证明的第一步。标准向量 e n e_n e n 的每个坐标都趋于零,但对每个 n n n 都有 ∥ e n ∥ 2 = 1 \|e_n\|_2=1 ∥ e n ∥ 2 = 1 ,所以 e n e_n e n 在 ℓ 2 \ell^2 ℓ 2 中并不收敛到 0 0 0 。完成证明的是一致的 Cauchy 界,它同时控制所有坐标;而且它先用于有限和,再令 m → ∞ m\to\infty m → ∞ ,所以不需要交换两个极限。
快速检查
(令 s ( N ) = ( 1 , 1 / 2 , … , 1 / N , 0 , … ) s^{(N)}=(1,1/2,\ldots,1/N,0,\ldots) s ( N ) = ( 1 , 1/2 , … , 1/ N , 0 , … ) 。( s ( N ) ) (s^{(N)}) ( s ( N ) ) 在 ℓ 2 \ell^2 ℓ 2 中收敛吗?极限是什么?在有限支撑子空间 c 00 c_{00} c 00 中又如何?)
把 s ( N ) s^{(N)} s ( N ) 与完整序列 ( 1 / k ) (1/k) ( 1/ k ) 比较。
解答 · 答案 收敛。因为 ∑ 1 / k 2 \sum 1/k^2 ∑ 1/ k 2 收敛,x = ( 1 / k ) x=(1/k) x = ( 1/ k ) 属于 ℓ 2 \ell^2 ℓ 2 ,而 ∥ x − s ( N ) ∥ 2 2 = ∑ k > N 1 / k 2 → 0 \|x-s^{(N)}\|_2^2=\sum\limits_{k>N}1/k^2\to0 ∥ x − s ( N ) ∥ 2 2 = k > N ∑ 1/ k 2 → 0 。同一序列在 c 00 c_{00} c 00 中是 Cauchy 序列,却在其中没有极限,因为唯一可能的极限 x x x 有无穷多个非零项。这说明 c 00 c_{00} c 00 不完备。
完备性正是闭子空间中最近点存在的原因。
设 M M M 是 Hilbert 空间 H H H 的非空闭线性子空间。每个 x ∈ H x\in H x ∈ H 都有唯一的 p ∈ M p\in M p ∈ M 使 ∥ x − p ∥ \|x-p\| ∥ x − p ∥ 最小;其特征条件为 x − p ⊥ M x-p\perp M x − p ⊥ M 。
令 d = inf m ∈ M ∥ x − m ∥ d=\inf\limits_{m\in M}\|x-m\| d = m ∈ M inf ∥ x − m ∥ ,取 m n ∈ M m_n\in M m n ∈ M 使 ∥ x − m n ∥ → d \|x-m_n\|\to d ∥ x − m n ∥ → d 。对 x − m n x-m_n x − m n 与 x − m k x-m_k x − m k 使用平行四边形恒等式,得
∥ m n − m k ∥ 2 = 2 ∥ x − m n ∥ 2 + 2 ∥ x − m k ∥ 2 − 4 ∥ x − m n + m k 2 ∥ 2 . \|m_n-m_k\|^2=2\|x-m_n\|^2+2\|x-m_k\|^2-4\left\|x-\frac{m_n+m_k}{2}\right\|^2. ∥ m n − m k ∥ 2 = 2∥ x − m n ∥ 2 + 2∥ x − m k ∥ 2 − 4 x − 2 m n + m k 2 . 由于 ( m n + m k ) / 2 ∈ M (m_n+m_k)/2\in M ( m n + m k ) /2 ∈ M ,最后一项中的范数至少为 d d d ,所以右边至多为 2 ∥ x − m n ∥ 2 + 2 ∥ x − m k ∥ 2 − 4 d 2 → 0 2\|x-m_n\|^2+2\|x-m_k\|^2-4d^2\to0 2∥ x − m n ∥ 2 + 2∥ x − m k ∥ 2 − 4 d 2 → 0 ,( m n ) (m_n) ( m n ) 是 Cauchy 序列。由完备性和闭性,它收敛到某个 p ∈ M p\in M p ∈ M ;连续性给出 ∥ x − p ∥ = d \|x-p\|=d ∥ x − p ∥ = d 。对任意 v ∈ M v\in M v ∈ M ,实函数 t ↦ ∥ x − p − t v ∥ 2 = ∥ x − p ∥ 2 − 2 t Re ⟨ x − p , v ⟩ + t 2 ∥ v ∥ 2 t\mapsto\|x-p-tv\|^2=\|x-p\|^2-2t\operatorname{Re}\langle x-p,v\rangle+t^2\|v\|^2 t ↦ ∥ x − p − t v ∥ 2 = ∥ x − p ∥ 2 − 2 t Re ⟨ x − p , v ⟩ + t 2 ∥ v ∥ 2 在 t = 0 t=0 t = 0 处取最小值,故 Re ⟨ x − p , v ⟩ = 0 \operatorname{Re}\langle x-p,v\rangle=0 Re ⟨ x − p , v ⟩ = 0 ;复数情形再以 i v iv i v 代替 v v v ,得到 Im ⟨ x − p , v ⟩ = 0 \operatorname{Im}\langle x-p,v\rangle=0 Im ⟨ x − p , v ⟩ = 0 ,从而正交。反之,若 x − p ⊥ M x-p\perp M x − p ⊥ M ,则对 m ∈ M m\in M m ∈ M ,Pythagoras 恒等式给出 ∥ x − m ∥ 2 = ∥ x − p ∥ 2 + ∥ p − m ∥ 2 \|x-m\|^2=\|x-p\|^2+\|p-m\|^2 ∥ x − m ∥ 2 = ∥ x − p ∥ 2 + ∥ p − m ∥ 2 ,所以 p p p 是唯一的极小点。这也证明了唯一性。
证明透视
平行四边形恒等式带来什么 极小化序列在任何度量情形下都存在;困难在于它未必收敛。关键一步是平行四边形恒等式:它把“m n m_n m n 与 m k m_k m k 都接近最优”转化为“两者彼此接近”。这里用到中点 ( m n + m k ) / 2 (m_n+m_k)/2 ( m n + m k ) /2 仍属于 M M M ,所以这一步只需要 M M M 是凸集。接着 H H H 的完备性提供极限,M M M 的闭性使极限留在 M M M 中;每个假设恰好用一次。特征条件是沿每个方向 v v v 的另一个一阶论证;实数 t t t 只控制 ⟨ x − p , v ⟩ \langle x-p,v\rangle ⟨ x − p , v ⟩ 的实部,所以复数情形还要检验 i v iv i v 。唯一性则由 Pythagoras 恒等式直接得到。没有内积时,存在性可能仍成立,唯一性却可以失效:在配上 ∥ ( s , t ) ∥ ∞ = max ( ∣ s ∣ , ∣ t ∣ ) \|(s,t)\|_\infty=\max(|s|,|t|) ∥ ( s , t ) ∥ ∞ = max ( ∣ s ∣ , ∣ t ∣ ) 的 R 2 \mathbb R^2 R 2 中,每个满足 ∣ t ∣ ≤ 1 |t|\leq1 ∣ t ∣ ≤ 1 的点 ( t , 0 ) (t,0) ( t , 0 ) 到 ( 0 , 1 ) (0,1) ( 0 , 1 ) 的距离都是一,这正是到水平轴的最小距离。
闭性假设不能去掉,下面用一个具体的点说明问题所在。
反例模式
稠密子空间没有最近点 断言:Hilbert 空间的每个线性子空间都含有到任一 x x x 的最近点。取 H = ℓ 2 H=\ell^2 H = ℓ 2 、M = c 00 M=c_{00} M = c 00 、x = ( 1 / k ) x=(1/k) x = ( 1/ k ) 。截断 s ( N ) ∈ M s^{(N)}\in M s ( N ) ∈ M 满足 ∥ x − s ( N ) ∥ 2 2 = ∑ k > N 1 / k 2 → 0 \|x-s^{(N)}\|_2^2=\sum\limits_{k>N}1/k^2\to0 ∥ x − s ( N ) ∥ 2 2 = k > N ∑ 1/ k 2 → 0 ,所以 inf m ∈ M ∥ x − m ∥ = 0 \inf\limits_{m\in M}\|x-m\|=0 m ∈ M inf ∥ x − m ∥ = 0 。每个 m ∈ M m\in M m ∈ M 只有有限多个非零项,而 x x x 有无穷多个,所以 x − m ≠ 0 x-m\ne0 x − m = 0 ,∥ x − m ∥ 2 > 0 \|x-m\|_2>0 ∥ x − m ∥ 2 > 0 。下确界不能达到。投影定理要求 M M M 是闭的;这里 M M M 是稠密真子空间。
对闭子空间,记 P M x = p P_Mx=p P M x = p ,则 x = P M x + ( x − P M x ) x=P_Mx+(x-P_Mx) x = P M x + ( x − P M x ) ,第二项属于 M ⊥ M^\perp M ⊥ 。此分解证明 P M P_M P M 线性且 ∥ P M x ∥ ≤ ∥ x ∥ \|P_Mx\|\leq\|x\| ∥ P M x ∥ ≤ ∥ x ∥ ;当 M ≠ { 0 } M\ne\{0\} M = { 0 } 时其范数为一。
Hilbert 空间 H H H 上每个有界线性泛函 f : H → F f:H\to\mathbb F f : H → F 都可唯一写成 f ( x ) = ⟨ x , y ⟩ f(x)=\langle x,y\rangle f ( x ) = ⟨ x , y ⟩ (对所有 x x x ),其中 y ∈ H y\in H y ∈ H ,并且 ∥ f ∥ = ∥ y ∥ \|f\|=\|y\| ∥ f ∥ = ∥ y ∥ 。
若 f = 0 f=0 f = 0 ,取 y = 0 y=0 y = 0 。否则 M = ker f M=\ker f M = ker f 是闭的,因为 f f f 连续。可选 z ∈ M ⊥ z\in M^\perp z ∈ M ⊥ 使 f ( z ) = 1 f(z)=1 f ( z ) = 1 :先取 f f f 值非零的向量 w w w ,注意 w − P M w ∈ M ⊥ w-P_Mw\in M^\perp w − P M w ∈ M ⊥ 且 f ( w − P M w ) = f ( w ) ≠ 0 f(w-P_Mw)=f(w)\ne0 f ( w − P M w ) = f ( w ) = 0 ,再缩放。对任意 x x x ,x − f ( x ) z ∈ M x-f(x)z\in M x − f ( x ) z ∈ M ,故 ⟨ x − f ( x ) z , z ⟩ = 0 \langle x-f(x)z,z\rangle=0 ⟨ x − f ( x ) z , z ⟩ = 0 ,即 ⟨ x , z ⟩ = f ( x ) ∥ z ∥ 2 \langle x,z\rangle=f(x)\|z\|^2 ⟨ x , z ⟩ = f ( x ) ∥ z ∥ 2 。取 y = z / ∥ z ∥ 2 y=z/\|z\|^2 y = z /∥ z ∥ 2 即得表示。Cauchy–Schwarz 给出 ∥ f ∥ ≤ ∥ y ∥ \|f\|\leq\|y\| ∥ f ∥ ≤ ∥ y ∥ ;若 y ≠ 0 y\ne0 y = 0 ,在 y / ∥ y ∥ y/\|y\| y /∥ y ∥ 处取值即得等号。若两个向量都表示 f f f ,则它们的差与每个向量(包括它自身)的内积均为零,因而差为零。
概念视角 几何
把泛函看成一族平行超平面 当 f ≠ 0 f\ne0 f = 0 时,表示向量把 f f f 转化为几何对象。水平集 { x : f ( x ) = c } = { x : ⟨ x , y ⟩ = c } \{x:f(x)=c\}=\{x:\langle x,y\rangle=c\} { x : f ( x ) = c } = { x : ⟨ x , y ⟩ = c } 是一族以 y y y 为公共法向量的平行闭超平面,而 ker f = y ⊥ \ker f=y^\perp ker f = y ⊥ 。若 f ( x ) = 1 f(x)=1 f ( x ) = 1 ,则 x − y / ∥ y ∥ 2 ⊥ y x-y/\|y\|^2\perp y x − y /∥ y ∥ 2 ⊥ y ,由 Pythagoras 恒等式得 ∥ x ∥ ≥ 1 / ∥ y ∥ \|x\|\geq1/\|y\| ∥ x ∥ ≥ 1/∥ y ∥ ,且在 x = y / ∥ y ∥ 2 x=y/\|y\|^2 x = y /∥ y ∥ 2 处取等号。因此
∥ f ∥ = 1 dist ( 0 , { x : f ( x ) = 1 } ) : \|f\|=\frac{1}{\operatorname{dist}(0,\{x:f(x)=1\})}: ∥ f ∥ = dist ( 0 , { x : f ( x ) = 1 }) 1 : 范数大的泛函,就是水平集排列得紧密的泛函。
例题 1.1.14
(ℓ 2 \ell^2 ℓ 2 上的一个泛函及其表示向量)
在 ℓ 2 \ell^2 ℓ 2 上令 f ( x ) = ∑ n ≥ 1 x n / n f(x)=\sum\limits_{n\geq1}x_n/n f ( x ) = n ≥ 1 ∑ x n / n 。取 y = ( 1 / n ) ∈ ℓ 2 y=(1/n)\in\ell^2 y = ( 1/ n ) ∈ ℓ 2 ,Cauchy–Schwarz 给出 ∑ ∣ x n ∣ / n ≤ ∥ x ∥ 2 ∥ y ∥ 2 \sum|x_n|/n\leq\|x\|_2\|y\|_2 ∑ ∣ x n ∣/ n ≤ ∥ x ∥ 2 ∥ y ∥ 2 ,所以级数绝对收敛,且 ∣ f ( x ) ∣ ≤ ∥ y ∥ 2 ∥ x ∥ 2 |f(x)|\leq\|y\|_2\|x\|_2 ∣ f ( x ) ∣ ≤ ∥ y ∥ 2 ∥ x ∥ 2 。由于 y y y 是实的,f ( x ) = ∑ x n y n ‾ = ⟨ x , y ⟩ f(x)=\sum x_n\overline{y_n}=\langle x,y\rangle f ( x ) = ∑ x n y n = ⟨ x , y ⟩ ,故 y y y 是表示向量。定理给出 ∥ f ∥ = ∥ y ∥ 2 = ( ∑ 1 / n 2 ) 1 / 2 = π / 6 \|f\|=\|y\|_2=(\sum 1/n^2)^{1/2}=\pi/\sqrt6 ∥ f ∥ = ∥ y ∥ 2 = ( ∑ 1/ n 2 ) 1/2 = π / 6 ,并在 x = y / ∥ y ∥ 2 x=y/\|y\|_2 x = y /∥ y ∥ 2 处达到,此时 f ( x ) = ∥ y ∥ 2 f(x)=\|y\|_2 f ( x ) = ∥ y ∥ 2 。
在这里的约定下,表示向量放在第二个位置,并以共轭形式出现。对 H = C H=\mathbb C H = C 、⟨ x , y ⟩ = x y ‾ \langle x,y\rangle=x\overline y ⟨ x , y ⟩ = x y 上的 f ( x ) = i x f(x)=ix f ( x ) = i x ,表示向量是 y = − i y=-i y = − i ,因为 x ( − i ) ‾ = i x x\overline{(-i)}=ix x ( − i ) = i x ;若猜 y = i y=i y = i ,得到的是 x i ‾ = − i x = − f ( x ) x\overline{i}=-ix=-f(x) x i = − i x = − f ( x ) 。同理,在复 ℓ 2 \ell^2 ℓ 2 上,泛函 f ( x ) = ∑ a n x n f(x)=\sum a_nx_n f ( x ) = ∑ a n x n (其中 ( a n ) ∈ ℓ 2 (a_n)\in\ell^2 ( a n ) ∈ ℓ 2 )的表示向量是 ( a n ‾ ) (\overline{a_n}) ( a n ) ,而不是 ( a n ) (a_n) ( a n ) 。范数 ∥ f ∥ = ∥ y ∥ \|f\|=\|y\| ∥ f ∥ = ∥ y ∥ 不受影响。
练习与解答
练习 1.1.15
(设 M M M 是 Banach 空间 X X X 的闭子空间。证明 M M M 配上继承的范数也是 Banach 空间。)
基础 证明
解答 (4) 1 从 M M M 中的 Cauchy 序列开始
设 ( x n ) (x_n) ( x n ) 在 M M M 中为 Cauchy。M M M 的范数就是 X X X 的范数,所以 ( x n ) (x_n) ( x n ) 在 X X X 中也是 Cauchy。
2 使用 X X X 的完备性
存在 x ∈ X x\in X x ∈ X 使 ∥ x n − x ∥ → 0 \|x_n-x\|\to0 ∥ x n − x ∥ → 0 。
依据: X X X 是 Banach 空间。
3 使用 M M M 的闭性
关键一步
由于每个 x n x_n x n 都属于 M M M ,极限 x x x 也属于 M M M 。
依据: 闭集包含其中收敛序列的极限。
4 得出结论
序列依继承范数收敛到 x ∈ M x\in M x ∈ M 。M M M 中每个 Cauchy 序列都在 M M M 中收敛,所以 M M M 是 Banach 空间。
∎ 看下一步 (2/4) 全部展开
练习 1.1.16
(在配上上确界范数的 C [ 0 , 1 ] C[0,1] C [ 0 , 1 ] 上,令 L ( f ) = f ( 0 ) − 2 f ( 1 ) L(f)=f(0)-2f(1) L ( f ) = f ( 0 ) − 2 f ( 1 ) 。求 ∥ L ∥ \|L\| ∥ L ∥ 。)
核心
解答 (3) 1 用三角不等式估计 L L L
∣ L ( f ) ∣ ≤ ∣ f ( 0 ) ∣ + 2 ∣ f ( 1 ) ∣ ≤ 3 ∥ f ∥ ∞ |L(f)|\leq|f(0)|+2|f(1)|\leq3\|f\|_\infty ∣ L ( f ) ∣ ≤ ∣ f ( 0 ) ∣ + 2∣ f ( 1 ) ∣ ≤ 3∥ f ∥ ∞ ,故 ∥ L ∥ ≤ 3 \|L\|\leq3 ∥ L ∥ ≤ 3 。
2 找出达到上界的函数
关键一步
对 f ( t ) = 1 − 2 t f(t)=1-2t f ( t ) = 1 − 2 t ,∥ f ∥ ∞ = 1 \|f\|_\infty=1 ∥ f ∥ ∞ = 1 且 L ( f ) = 1 − 2 ( − 1 ) = 3 L(f)=1-2(-1)=3 L ( f ) = 1 − 2 ( − 1 ) = 3 。
依据: 当 ∥ f ∥ ∞ = 1 \|f\|_\infty=1 ∥ f ∥ ∞ = 1 且 f ( 0 ) = 1 f(0)=1 f ( 0 ) = 1 、f ( 1 ) = − 1 f(1)=-1 f ( 1 ) = − 1 时估计取等号。
看下一步 (2/3) 全部展开
练习 1.1.17
(在 ℓ 2 \ell^2 ℓ 2 中,求 x = ( 1 , 1 / 2 , 1 / 3 , … ) x=(1,1/2,1/3,\ldots) x = ( 1 , 1/2 , 1/3 , … ) 在 e 1 + e 2 e_1+e_2 e 1 + e 2 张成的子空间中的最近点,以及 x x x 到该子空间的距离。)
核心
解答 (3) 1 投影到直线上
令 v = e 1 + e 2 v=e_1+e_2 v = e 1 + e 2 。则 ⟨ x , v ⟩ = 1 + 1 / 2 = 3 / 2 \langle x,v\rangle=1+1/2=3/2 ⟨ x , v ⟩ = 1 + 1/2 = 3/2 ,∥ v ∥ 2 = 2 \|v\|^2=2 ∥ v ∥ 2 = 2 ,故 p = 3 4 v = ( 3 / 4 , 3 / 4 , 0 , … ) p=\tfrac34v=(3/4,3/4,0,\ldots) p = 4 3 v = ( 3/4 , 3/4 , 0 , … ) 。
依据: 对由 v v v 张成的一维子空间,投影为 ⟨ x , v ⟩ v / ∥ v ∥ 2 \langle x,v\rangle v/\|v\|^2 ⟨ x , v ⟩ v /∥ v ∥ 2 。
2 验证正交条件
关键一步
x − p = ( 1 / 4 , − 1 / 4 , 1 / 3 , 1 / 4 , 1 / 5 , … ) x-p=(1/4,-1/4,1/3,1/4,1/5,\ldots) x − p = ( 1/4 , − 1/4 , 1/3 , 1/4 , 1/5 , … ) ,且 ⟨ x − p , v ⟩ = 1 / 4 − 1 / 4 = 0 \langle x-p,v\rangle=1/4-1/4=0 ⟨ x − p , v ⟩ = 1/4 − 1/4 = 0 。
依据: 投影定理以 x − p ⊥ M x-p\perp M x − p ⊥ M 刻画最近点。
3 计算距离
由 Pythagoras 恒等式,∥ x − p ∥ 2 2 = ∥ x ∥ 2 2 − ∥ p ∥ 2 2 = π 2 / 6 − 9 / 8 \|x-p\|_2^2=\|x\|_2^2-\|p\|_2^2=\pi^2/6-9/8 ∥ x − p ∥ 2 2 = ∥ x ∥ 2 2 − ∥ p ∥ 2 2 = π 2 /6 − 9/8 。最近点是 ( 3 / 4 , 3 / 4 , 0 , … ) (3/4,3/4,0,\ldots) ( 3/4 , 3/4 , 0 , … ) ,距离为 ( π 2 / 6 − 9 / 8 ) 1 / 2 (\pi^2/6-9/8)^{1/2} ( π 2 /6 − 9/8 ) 1/2 。
看下一步 (2/3) 全部展开