算子范数

Operator Norm 算子范数 (Operator Norm)

基本定义

定义

设 $X$ 和 $Y$ 是赋范线性空间，有界算子 $T:X\to Y$ 的算子范数定义为：

$\Vert T{\Vert }_{\text{op}}={\sup }_{\Vert x{\Vert }_X\le 1}\Vert Tx{\Vert }_Y$

等价定义： $\Vert T\Vert ={\sup }_{\Vert x{\Vert }_X=1}\Vert Tx{\Vert }_Y={\sup }_{x\ne 0}\frac{\Vert Tx{\Vert }_Y}{\Vert x{\Vert }_X}$

直观理解

算子范数衡量算子 $T$ 放大向量的最大倍数：

$\Vert Tx\Vert \le \Vert T\Vert \cdot \Vert x\Vert ,\forall x\in X$

从几何上看：

• $T$ 将单位球 $\{x:\Vert x\Vert \le 1\}$ 映射为 $\{Tx:\Vert x\Vert \le 1\}$
• $\Vert T\Vert$ 是像集中的点到原点的最大距离

---

等价刻画

最优常数刻画

$\Vert T\Vert =\inf \{C\ge 0:\Vert Tx\Vert \le C\Vert x\Vert ,\forall x\in X\}$

这是所有可能的控制常数中的最小者。

对偶范数刻画

通过对偶空间： $\Vert T\Vert ={\sup }_{\Vert x\Vert \le 1}{\sup }_{\Vert f{\Vert }_{\ast }\le 1}|f(Tx)|$

其中 $\Vert f{\Vert }_{\ast }$ 是对偶范数。

---

基本性质

1. 次乘性 (Submultiplicativity)

设 $T\in \mathcal{B}(X,Y)$，$S\in \mathcal{B}(Y,Z)$，则：

$\Vert ST\Vert \le \Vert S\Vert \Vert T\Vert$

证明： $\Vert STx\Vert \le \Vert S\Vert \Vert Tx\Vert \le \Vert S\Vert \Vert T\Vert \Vert x\Vert$

因此 $\Vert ST\Vert \le \Vert S\Vert \Vert T\Vert$。

推论：$\Vert T^n\Vert \le \Vert T{\Vert }^n$

2. 三角不等式

$\Vert S+T\Vert \le \Vert S\Vert +\Vert T\Vert$

3. 齐次性

$\Vert \alpha T\Vert =|\alpha |\Vert T\Vert ,\alpha \in \mathbb{C}$

4. 单位算子

对于单位算子 $I:X\to X$： $\Vert I\Vert =1$

5. 嵌入性质

若 $T\in \mathcal{B}(X,Y)$ 且 $X\ne \{0\}$，则： $\Vert T\Vert \ge 0,\Vert T\Vert =0⟺T=0$

---

具体例子

1. 矩阵范数

诱导范数 (Induced Norm)

对于矩阵 $A\in {\mathbb{C}}^{m\times n}$，不同向量范数诱导不同的算子范数：

${\ell }^1$ 范数（最大列和）： $\Vert A{\Vert }_1={\max }_{1\le j\le n}{\sum }_{i=1}^m|a_{ij}|$

${\ell }^{\infty }$ 范数（最大行和）： $\Vert A{\Vert }_{\infty }={\max }_{1\le i\le m}{\sum }_{j=1}^n|a_{ij}|$

${\ell }^2$ 范数（谱范数）： $\Vert A{\Vert }_2={\sigma }_{\max }(A)=\sqrt{{\lambda }_{\max }(A^{\ast }A)}$

其中 ${\sigma }_{\max }(A)$ 是 $A$ 的最大奇异值。

Frobenius范数（非诱导范数）： $\Vert A{\Vert }_F=\sqrt{{\sum }_{i=1}^m{\sum }_{j=1}^n|a_{ij}{|}^2}=\sqrt{\text{tr}(A^{\ast }A)}$

注意：$\Vert A{\Vert }_2\le \Vert A{\Vert }_F\le \sqrt{n}\Vert A{\Vert }_2$

2. 积分算子范数

在 $L^2[a,b]$ 上，考虑Fredholm积分算子： $(Kf)(t)={\int }_a^{b}K(t,s)f(s)ds$

Hilbert-Schmidt范数

若核函数 $K\in L^2([a,b]\times [a,b])$： $\Vert K{\Vert }_{\text{HS}}={\left({\int }_a^b{\int }_a^b|K(t,s){|}^{2}dtds\right)}^{1/2}$

关系：$\Vert K{\Vert }_{\text{op}}\le \Vert K{\Vert }_{\text{HS}}$

特殊情况：对称核

若 $K(t,s)=\overline{K(s,t)}$，则： $\Vert K{\Vert }_{\text{op}}=\max \{|\lambda |:\lambda \text{ 是 }K\text{ 的特征值}\}$

3. 乘法算子范数

在 $L^2(\Omega )$ 上，$(M_{\varphi }f)(x)=\varphi (x)f(x)$，其中 $\varphi \in L^{\infty }(\Omega )$： $\Vert M_{\varphi }\Vert =\Vert \varphi {\Vert }_{\infty }=\text{ess}{\sup }_{x\in \Omega }|\varphi (x)|$

证明思路：

• $\Vert M_{\varphi }f{\Vert }_2^2=\int |\varphi (x)f(x){|}^{2}dx\le \Vert \varphi {\Vert }_{\infty }^2\Vert f{\Vert }_2^2$
• 构造逼近序列证明等号可达

4. 微分算子（无界！）

虽然微分算子 $D$ 无界，但在特殊范数下可以估计：

例子：在 $C^1[0,1]$ 上使用范数 $\Vert f\Vert =\Vert f{\Vert }_{\infty }+\Vert f^{\prime }{\Vert }_{\infty }$： $\Vert Df{\Vert }_{\infty }\le \Vert f\Vert$

因此 $\Vert D\Vert \le 1$（但这是在不同范数下！）。

5. 移位算子

在 ${\ell }^2(\mathbb{N})$ 上的右移位算子 $S$： $(Sx{)}_n=x_{n-1},(Sx{)}_1=0$

• 等距算子：$\Vert Sx{\Vert }_2=\Vert x{\Vert }_2$
• 因此 $\Vert S\Vert =1$

---

范数等价性

不同范数下的算子范数

对于有限维空间，所有范数等价，但算子范数数值可能不同。

例子：矩阵 $A=\left(\begin{array}{cc}1& 2\\ 3& 4\end{array}\right)$

范数类型	$\Vert A\Vert$
$\Vert A{\Vert }_1$	$6$
$\Vert A{\Vert }_{\infty }$	$7$
$\Vert A{\Vert }_2$	$\approx 5.465$
$\Vert A{\Vert }_F$	$\sqrt{30}\approx 5.477$

---

重要定理

1. 算子范数的连续性

定理：映射 $T\mapsto \Vert T\Vert$ 是 $\mathcal{B}(X,Y)$ 上的连续函数。

证明：利用三角不等式： $|\Vert T\Vert -\Vert S\Vert |\le \Vert T-S\Vert$

2. Banach空间结构

定理：若 $Y$ 是Banach空间，则 $(\mathcal{B}(X,Y),\Vert \cdot \Vert )$ 是Banach空间。

3. 紧性与算子范数

对于紧算子序列 $\{T_n\}$，若 $T_n\to T$ 按算子范数收敛，则 $T$ 也是紧算子。

---

应用

1. 条件数分析

对于可逆算子 $T$，条件数定义为： $\kappa (T)=\Vert T\Vert \Vert T^{-1}\Vert$

衡量数值求解的稳定性：

• $\kappa (T)$ 小：问题适定
• $\kappa (T)$ 大：病态问题

2. 迭代法收敛性

对于不动点迭代 $x_{n+1}=T{x}_n$：

• 若 $\Vert T\Vert <1$，则迭代收敛
• 收敛速度与 $\Vert T\Vert$ 相关

3. 微分方程稳定性

考虑演化方程 $\frac{du}{dt}=Au$：

• 若 $\Vert e^{tA}\Vert \le C{e}^{\omega t}$，则系统稳定
• $\Vert A\Vert$ 控制短时行为

4. 谱半径公式

$r(T)={\lim }_{n\to \infty }\Vert T^n{\Vert }^{1/n}$

将算子范数与谱理论联系起来。

---

计算技巧

1. 利用对偶性

$\Vert T\Vert ={\sup }_{\Vert x\Vert \le 1}\Vert Tx\Vert ={\sup }_{\Vert x\Vert \le 1}{\sup }_{\Vert f{\Vert }_{\ast }\le 1}|f(Tx)|$

2. 利用特征值（自伴算子）

对于自伴算子 $T$： $\Vert T\Vert =\max \{|\lambda |:\lambda \in \sigma (T)\}$

3. 利用奇异值（矩阵）

$\Vert A{\Vert }_2={\sigma }_{\max }(A)$

4. 利用不等式估计

• $\Vert ST\Vert \le \Vert S\Vert \Vert T\Vert$
• 对于正算子，可用单调性

---

与其他概念的关系

• 有界算子：算子范数是衡量有界算子的标准
• 线性算子：只有有界线性算子才有有限算子范数
• 紧算子：紧算子可以用有限秩算子按算子范数逼近
• 对偶空间：对偶范数与算子范数的关系
• 伴随算子：$\Vert T^{\ast }\Vert =\Vert T\Vert$

---

重要不等式总结

不等式	应用
$\Vert Tx\Vert \le \Vert T\Vert \Vert x\Vert$	基本估计
$\Vert ST\Vert \le \Vert S\Vert \Vert T\Vert$	复合算子估计
$	|T| - |S|
$\Vert T\Vert \le \Vert T{\Vert }_{\text{HS}}$	Hilbert-Schmidt
$\Vert T^{\ast }\Vert =\Vert T\Vert$	伴随算子

---

参考书目

1. Horn, R. A., & Johnson, C. R. (2012). Matrix Analysis (2nd ed.). Cambridge University Press.
2. Kreyszig, E. (1978). Introductory Functional Analysis with Applications. Wiley.
3. Reed, M., & Simon, B. (1980). Methods of Modern Mathematical Physics, Vol. 1: Functional Analysis. Academic Press.
4. Bhatia, R. (1997). Matrix Analysis. Springer.

---

关键词：算子范数、诱导范数、次乘性、条件数、矩阵范数、谱范数、Hilbert-Schmidt范数