对偶空间

Dual Space 对偶空间 (Dual Space)

基本定义

对偶空间的定义

设 $X$ 是域 $\mathbb{F}$（$\mathbb{R}$ 或 $\mathbb{C}$）上的赋范线性空间。$X$ 的对偶空间 $X^{\ast }$ 定义为：

$X^{\ast }=\mathcal{B}(X,\mathbb{F})=\{f:X\to \mathbb{F}:f\text{ 是连续线性映射}\}$

即 $X^{\ast }$ 是所有有界线性泛函 (Bounded Linear Functionals) 构成的空间。

线性泛函

定义：线性泛函是取值在标量域的线性映射 $f:X\to \mathbb{F}$。

连续性：对于线性泛函，连续性与有界性等价： $|f(x)|\le C\Vert x\Vert ,\forall x\in X$

---

对偶空间的结构

范数结构

对偶空间 $X^{\ast }$ 是Banach空间（因为 $\mathbb{F}$ 是完备的）。

对偶范数：对 $f\in X^{\ast }$， $\Vert f{\Vert }_{X^{\ast }}={\sup }_{\Vert x\Vert \le 1}|f(x)|={\sup }_{\Vert x\Vert =1}|f(x)|={\sup }_{x\ne 0}\frac{|f(x)|}{\Vert x\Vert }$

二次对偶

双对偶空间 $X^{\ast \ast }=(X^{\ast }{)}^{\ast }$ 是 $X^{\ast }$ 的对偶空间。

典范嵌入：定义映射 $J:X\to X^{\ast \ast }$ 为： $⟨Jx,f⟩=⟨f,x⟩=f(x),\forall f\in X^{\ast }$

其中 $x\in X$，$Jx\in X^{\ast \ast }$ 是 $X^{\ast }$ 上的线性泛函。

---

自反性

自反空间的定义

定义：赋范线性空间 $X$ 称为自反空间 (Reflexive Space)，如果典范嵌入 $J:X\to X^{\ast \ast }$ 是满射，即 $J(X)=X^{\ast \ast }$。

等价表述：$X\cong X^{\ast \ast }$（等距同构）

重要例子

自反空间

1. Hilbert空间：$\mathcal{H}\cong {\mathcal{H}}^{\ast }$（Riesz表示定理）
2. $L^p$ 空间（$1<p<\infty$）：$(L^p{)}^{\ast }\cong L^q$，其中 $\frac{1}{p}+\frac{1}{q}=1$
3. ${\ell }^p$ 空间（$1<p<\infty$）

非自反空间

1. $L^1$：$(L^1{)}^{\ast }\cong L^{\infty }$，但 $(L^{\infty }{)}^{\ast }\ne L^1$
2. $L^{\infty }$：不是自反的
3. $c_0$（趋于零的序列空间）：$c_0^{\ast \ast }\ne c_0$
4. $C[a,b]$：不是自反的

自反性的重要性质

定理：Banach空间 $X$ 自反当且仅当：

1. $X$ 的闭单位球是弱紧的
2. 每个有界线性泛函在 $X$ 的闭单位球上达到范数
3. $X^{\ast }$ 也是自反的

---

重要定理

1. Hahn-Banach定理

代数形式：设 $X$ 是向量空间，$p:X\to \mathbb{R}$ 是次可加泛函（$p(x+y)\le p(x)+p(y)$）。若 $f$ 是子空间 $M\subset X$ 上的线性泛函且 $f(x)\le p(x)$ 对所有 $x\in M$ 成立，则存在 $X$ 上的线性泛函 $F$ 使得：

• $F{|}_M=f$
• $F(x)\le p(x)$ 对所有 $x\in X$

赋范空间形式：设 $M$ 是赋范空间 $X$ 的子空间，$f\in M^{\ast }$。则存在 $F\in X^{\ast }$ 使得：

• $F{|}_M=f$
• $\Vert F{\Vert }_{X^{\ast }}=\Vert f{\Vert }_{M^{\ast }}$

推论：

1. 充分性：对任意 $x\in X$，$x\ne 0$，存在 $f\in X^{\ast }$ 使得 $f(x)=\Vert x\Vert$ 且 $\Vert f\Vert =1$
2. 分离性：凸集可以用连续线性泛函分离

2. Riesz表示定理（Hilbert空间）

定理：设 $\mathcal{H}$ 是Hilbert空间。对于每个 $f\in {\mathcal{H}}^{\ast }$，存在唯一的 $y\in \mathcal{H}$ 使得： $f(x)=⟨x,y⟩,\forall x\in \mathcal{H}$

且 $\Vert f{\Vert }_{{\mathcal{H}}^{\ast }}=\Vert y{\Vert }_{\mathcal{H}}$。

对偶映射：$\Phi :\mathcal{H}\to {\mathcal{H}}^{\ast }$，$\Phi (y)=⟨\cdot ,y⟩$ 是等距共轭线性同构。

实Hilbert空间：$\Phi$ 是线性等距同构。

3. $L^p$ 空间的对偶

定理：设 $1\le p<\infty$，$\frac{1}{p}+\frac{1}{q}=1$，则： $(L^p{)}^{\ast }\cong L^q$

具体表示：对 $f\in (L^p{)}^{\ast }$，存在唯一的 $g\in L^q$ 使得： $f(\varphi )={\int }_X\varphi (x)g(x)d\mu (x),\forall \varphi \in L^p$

且 $\Vert f{\Vert }_{(L^p{)}^{\ast }}=\Vert g{\Vert }_{L^q}$。

特殊情况：

• $p=2$：$(L^2{)}^{\ast }\cong L^2$（Hilbert空间情形）
• $p=1$：$(L^1{)}^{\ast }\cong L^{\infty }$

注意：$(L^{\infty }{)}^{\ast }$ 比 $L^1$ 大得多。

4. ${\mathbb{R}}^n$ 的对偶

定理：$({\mathbb{R}}^n{)}^{\ast }\cong {\mathbb{R}}^n$。

表示：对 $f\in ({\mathbb{R}}^n{)}^{\ast }$，存在唯一的 $y\in {\mathbb{R}}^n$ 使得： $f(x)=x\cdot y={\sum }_{i=1}^n{x}_i{y}_i$

---

弱拓扑和弱*拓扑

弱拓扑 (Weak Topology)

定义：$X$ 上的弱拓扑是使所有 $f\in X^{\ast }$ 连续的最弱拓扑。

收敛：$x_n\rightharpoonup x$（弱收敛）当且仅当 $f(x_n)\to f(x)$ 对所有 $f\in X^{\ast }$。

性质：

• 弱拓扑比强拓扑（范数拓扑）弱
• 弱收敛不蕴涵范数收敛
• 在有限维空间，弱拓扑等于强拓扑

弱拓扑 (Weak Topology)

定义：$X^{\ast }$ 上的弱*拓扑是使所有求值映射 $e_x:X^{\ast }\to \mathbb{F}$，$e_x(f)=f(x)$ 连续的最弱拓扑。

收敛：$f_n\stackrel{w^{\ast }}{\to }f$ 当且仅当 $f_n(x)\to f(x)$ 对所有 $x\in X$。

Banach-Alaoglu定理

定理：Banach空间 $X$ 的对偶空间 $X^{\ast }$ 的闭单位球在弱*拓扑下是紧集。

重要推论：

• 自反空间的闭单位球在弱拓扑下是紧的
• 提供弱收敛子列的存在性

---

对偶算子

定义

设 $T\in \mathcal{B}(X,Y)$。对偶算子 (Dual Operator) $T^{\ast }:Y^{\ast }\to X^{\ast }$ 定义为： $⟨T^{\ast }g,x⟩=⟨g,Tx⟩,\forall g\in Y^{\ast },x\in X$

即 $T^{\ast }g=g\circ T$。

性质

1. 线性：$T^{\ast }$ 是线性的
2. 有界性：$T^{\ast }\in \mathcal{B}(Y^{\ast },X^{\ast })$ 且 $\Vert T^{\ast }\Vert =\Vert T\Vert$
3. $(ST{)}^{\ast }=T^{\ast }{S}^{\ast }$
4. $(T^{\ast }{)}^{\ast }=T$（在自反空间中）

---

具体例子

1. ${\mathbb{R}}^n$ 的对偶

• $({\mathbb{R}}^n{)}^{\ast }\cong {\mathbb{R}}^n$
• 对偶基：$\{e_i^{\ast }{\}}_{i=1}^n$，其中 $e_i^{\ast }(e_j)={\delta }_{ij}$

2. ${\ell }^p$ 的对偶

• $({\ell }^p{)}^{\ast }\cong {\ell }^q$，其中 $\frac{1}{p}+\frac{1}{q}=1$
• 表示：$f(x)={\sum }_{i=1}^{\infty }{x}_i{y}_i$，其中 $y\in {\ell }^q$

3. $C[a,b]$ 的对偶

Riesz表示定理：$(C[a,b]{)}^{\ast }\cong \text{NBV}[a,b]$（正规化有界变差函数）

表示：$f(\varphi )={\int }_a^b\varphi (t)d\mu (t)$，其中 $\mu$ 是符号测度。

4. Hilbert空间的对偶

• ${\mathcal{H}}^{\ast }\cong \mathcal{H}$（通过Riesz表示）
• 特别地，$(L^2{)}^{\ast }\cong L^2$

---

应用

1. 变分法

Lagrange乘数法：在对偶空间中寻找约束条件。

Euler-Lagrange方程：通过变分导数推导微分方程。

2. 偏微分方程

弱解：在 $H_0^1(\Omega )$ 空间中寻找解，通过对偶性定义导数。

分布理论：对偶空间推广到测试函数空间的对偶。

3. 优化理论

对偶优化：原问题的对偶在对偶空间中表述。

KKT条件：通过Lagrange乘数和对偶性分析。

4. 量子力学

Dirac符号：$|\psi ⟩$（ket）是向量，$⟨\varphi |$（bra）是对偶向量。

期望值：$⟨\psi |A|\psi ⟩$ 通过内积和对偶性定义。

---

对偶性的层次

$$\begin{array}{ccc}{X}^{\ast \ast }& \stackrel{J^{\ast }}{\leftarrow }& (X^{\ast }{)}^{\ast }\\ \uparrow J& & \uparrow J\\ X& \leftarrow & X^{\ast }\end{array}$$

• $X$：原始空间
• $X^{\ast }$：一次对偶（有界线性泛函）
• $X^{\ast \ast }$：二次对偶
• $J:X\to X^{\ast \ast }$：典范嵌入

---

与其他概念的关系

• 有界算子：线性泛函是特殊的有界算子
• 线性算子：对偶算子的定义
• 伴随算子：Hilbert空间中的特殊对偶
• 算子范数：对偶范数的定义
• 紧算子：紧算子的对偶也是紧的

---

重要总结

空间	对偶空间	自反性
${\mathbb{R}}^n$	${\mathbb{R}}^n$	✓
${\ell }^p$ ($1<p<\infty$)	${\ell }^q$	✓
$L^p$ ($1<p<\infty$)	$L^q$	✓
${\ell }^1$	${\ell }^{\infty }$	✗
$L^1$	$L^{\infty }$	✗
${\ell }^{\infty }$	比 ${\ell }^1$ 大	✗
$L^{\infty }$	比 $L^1$ 大	✗
$c_0$	${\ell }^1$	✗
$C[a,b]$	有界变差函数	✗

---

参考书目

1. Rudin, W. (1991). Functional Analysis. McGraw-Hill.
2. Reed, M., & Simon, B. (1980). Methods of Modern Mathematical Physics, Vol. 1: Functional Analysis. Academic Press.
3. Lax, P. D. (2002). Functional Analysis. Wiley-Interscience.
4. Brezis, H. (2011). Functional Analysis, Sobolev Spaces and Partial Differential Equations. Springer.

---

关键词：对偶空间、线性泛函、自反性、Hahn-Banach定理、Riesz表示、弱拓扑、弱*拓扑、对偶算子