线性算子

Linear Operator 线性算子 (Linear Operator)

基本定义

线性算子的定义

设 $X$ 和 $Y$ 是域 $\mathbb{F}$（$\mathbb{R}$ 或 $\mathbb{C}$）上的向量空间。映射 $T:X\to Y$ 称为线性算子，如果满足以下条件：

$T(\alpha x_1+\beta x_2)=\alpha T(x_1)+\beta T(x_2),\forall x_1,x_2\in X,\alpha ,\beta \in \mathbb{F}$

等价表述：

1. 可加性：$T(x_1+x_2)=T(x_1)+T(x_2)$
2. 齐次性：$T(\alpha x)=\alpha T(x)$

与算子的关系

算子是更一般的概念，指函数空间之间的映射。线性算子是满足线性性质的算子，是泛函分析研究的核心对象。

---

基本概念

定义域和值域

• 定义域 (Domain)：$\mathcal{D}(T)=\{x\in X:Tx\text{ 有定义}\}$
• 值域 (Range)：$\mathcal{R}(T)=\{Tx:x\in \mathcal{D}(T)\}\subseteq Y$

注意：当 $T$ 处处有定义时，$\mathcal{D}(T)=X$。

零空间和像空间

• 零空间 (Null Space/核空间)： $\mathcal{N}(T)=\{x\in X:Tx=0\}$

• 像空间 (Image Space)： $\text{Im}(T)=\mathcal{R}(T)=\{Tx:x\in X\}$

重要定理：对于线性算子 $T:X\to Y$（$X$ 为有限维）： $\dim (\mathcal{N}(T))+\dim (\text{Im}(T))=\dim (X)$

---

基本性质

1. 保持零向量

$T(0)=0$

2. 保持线性组合

对任意有限集合 $\{x_i{\}}_{i=1}^n\subset X$ 和标量 $\{{\alpha }_i{\}}_{i=1}^n$： $T\left({\sum }_{i=1}^n{\alpha }_i{x}_i\right)={\sum }_{i=1}^n{\alpha }_{i}T(x_i)$

3. 可逆性

线性算子 $T$ 可逆当且仅当：

• $T$ 是单射（一对一）：$\mathcal{N}(T)=\{0\}$
• $T$ 是满射（onto）：$\text{Im}(T)=Y$

---

重要例子

1. 微分算子

定义：在 $C^1[a,b]$ 空间上 $(Df)(t)=f^{\prime }(t)$

性质：

• $D:C^1[a,b]\to C[a,b]$ 是线性算子
• 无界算子（在常用范数下）
• $\mathcal{N}(D)=\{f:f(t)=c\text{（常数函数）}\}$

例子：

• $D(e^{kt})=k{e}^{kt}$
• $D(\sin t)=\cos t$

2. 积分算子

Volterra 积分算子： $(Vf)(t)={\int }_a^{t}f(s)ds$

Fredholm 积分算子： $(Kf)(t)={\int }_a^{b}K(t,s)f(s)ds$

其中 $K(t,s)$ 是核函数 (Kernel Function)。

性质：

• 是有界算子和紧算子
• 在 $L^2$ 空间上有良好的性质

3. 矩阵算子

对于 $A\in {\mathbb{C}}^{m\times n}$： $T_A:{\mathbb{C}}^n\to {\mathbb{C}}^m,T_A(x)=Ax$

特殊矩阵算子：

• 零算子：$A=0$
• 单位算子：$A=I$
• 投影算子：$A^2=A$
• 酉算子：$A^{\ast }A=I$

4. 乘法算子

在 $L^2(\Omega )$ 上： $(M_{\varphi }f)(x)=\varphi (x)f(x)$

其中 $\varphi \in L^{\infty }(\Omega )$ 是本质有界函数。

性质：

• $\Vert M_{\varphi }\Vert =\Vert \varphi {\Vert }_{\infty }$
• 当 $\varphi$ 是实函数时，$M_{\varphi }$ 是自伴的

5. 移位算子

在 ${\ell }^p$ 或 $L^2(\mathbb{R})$ 空间上：

• 右移位：$(Sf)(n)=f(n-1)$
• 左移位：(Sf)(n) = f(n+1)$

---

有限维与无限维的区别

有限维空间（矩阵算子）

性质	有限维
表示	矩阵
连续性	自动连续
可逆性	行列式非零
谱理论	特征值问题

无限维空间（泛函分析）

性质	无限维
定义域	可能是真子空间
连续性	需要有界算子条件
可逆性	更复杂（有界逆定理）
谱理论	紧算子谱理论更完整

---

线性算子的运算

算子代数

设 $T_1,T_2:X\to Y$ 是线性算子，$\alpha \in \mathbb{F}$：

1. 加法：$(T_1+T_2)(x)=T_1(x)+T_2(x)$
2. 数乘：$(\alpha T)(x)=\alpha T(x)$
3. 复合：$(T_2\circ T_1)(x)=T_2(T_1(x))$

算子空间

所有从 $X$ 到 $Y$ 的线性算子构成向量空间 $\mathcal{L}(X,Y)$。

当考虑有界线性算子时，构成赋范线性空间，甚至是Banach空间。

---

重要定理

闭图像定理 (Closed Graph Theorem)

设 $X,Y$ 是Banach空间，$T:X\to Y$ 是线性算子。则以下等价：

1. $T$ 是连续的
2. $T$ 的图像 $\{(x,Tx):x\in X\}$ 是闭集
3. 若 $x_n\to x$ 且 $T{x}_n\to y$，则 $y=Tx$

逆算子定理 (Bounded Inverse Theorem)

设 $X,Y$ 是Banach空间，$T\in \mathcal{L}(X,Y)$ 是双射。则 $T^{-1}\in \mathcal{L}(Y,X)$。

---

应用领域

1. 微分方程

• 微分算子的理论研究常微分方程和偏微分方程
• 拉普拉斯算子在椭圆型方程中的应用
• 微积算子在变换方法中的应用

2. 量子力学

• 可观测量用自伴线性算子表示
• 薛定谔方程：$i\hslash \frac{\partial }{\partial t}\psi =H\psi$
• 动量算子：$P=-i\hslash \nabla$

3. 信号处理

• 积分算子用于卷积运算
• 移位算子用于时间延迟
• 傅里叶变换作为酉算子

4. 控制理论

• 系统传递函数作为算子
• 可控性和可观性与算子性质相关

---

与其他概念的关系

• 有界算子：连续的线性算子
• 紧算子：有界集的像为相对紧集的算子
• 算子范数：衡量算子大小
• 对偶空间：线性泛函构成的空间
• 伴随算子：Hilbert空间中的对偶算子
• 拉普拉斯算子：重要的微分算子
• 微积算子：微分和积分算子的统称

---

参考书目

1. Reed, M., & Simon, B. (1980). Methods of Modern Mathematical Physics, Vol. 1: Functional Analysis. Academic Press.
2. Kreyszig, E. (1978). Introductory Functional Analysis with Applications. Wiley.
3. Lax, P. D. (2002). Functional Analysis. Wiley-Interscience.
4. Rudin, W. (1991). Functional Analysis. McGraw-Hill.

---

关键词：线性映射、算子理论、泛函分析、向量空间、核空间、像空间

---

AI 结构化补充（2026-05-02）

基本定义

线性算子的定义

设 $X$ 和 $Y$ 是域 $\mathbb{F}$（$\mathbb{R}$ 或 $\mathbb{C}$）上的向量空间。映射 $T:X\to Y$ 称为线性算子，如果满足以下条件：

$T(\alpha x_1+\beta x_2)=\alpha T(x_1)+\beta T(x_2),\forall x_1,x_2\in X,\alpha ,\beta \in \mathbb{F}$

等价表述：

1. 可加性：$T(x_1+x_2)=T(x_1)+T(x_2)$
2. 齐次性：$T(\alpha x)=\alpha T(x)$

与算子的关系

算子是更一般的概念，指函数空间之间的映射。线性算子是满足线性性质的算子，是泛函分析研究的核心对象。

---

基本概念

定义域和值域

• 定义域 (Domain)：$\mathcal{D}(T)=\{x\in X:Tx\text{ 有定义}\}$
• 值域 (Range)：$\mathcal{R}(T)=\{Tx:x\in \mathcal{D}(T)\}\subseteq Y$

注意：当 $T$ 处处有定义时，$\mathcal{D}(T)=X$。

零空间和像空间

• 零空间 (Null Space/核空间)： $\mathcal{N}(T)=\{x\in X:Tx=0\}$

• 像空间 (Image Space)： $\text{Im}(T)=\mathcal{R}(T)=\{Tx:x\in X\}$

重要定理：对于线性算子 $T:X\to Y$（$X$ 为有限维）： $\dim (\mathcal{N}(T))+\dim (\text{Im}(T))=\dim (X)$

---

基本性质

1. 保持零向量

$T(0)=0$

2. 保持线性组合

对任意有限集合 $\{x_i{\}}_{i=1}^n\subset X$ 和标量 $\{{\alpha }_i{\}}_{i=1}^n$： $T\left({\sum }_{i=1}^n{\alpha }_i{x}_i\right)={\sum }_{i=1}^n{\alpha }_{i}T(x_i)$

3. 可逆性

线性算子 $T$ 可逆当且仅当：

• $T$ 是单射（一对一）：$\mathcal{N}(T)=\{0\}$
• $T$ 是满射（onto）：$\text{Im}(T)=Y$

---

重要例子

1. 微分算子

定义：在 $C^1[a,b]$ 空间上 $(Df)(t)=f^{\prime }(t)$

性质：

• $D:C^1[a,b]\to C[a,b]$ 是线性算子
• 无界算子（在常用范数下）
• $\mathcal{N}(D)=\{f:f(t)=c\text{（常数函数）}\}$

例子：

• $D(e^{kt})=k{e}^{kt}$
• $D(\sin t)=\cos t$

2. 积分算子

Volterra 积分算子： $(Vf)(t)={\int }_a^{t}f(s)ds$

Fredholm 积分算子： $(Kf)(t)={\int }_a^{b}K(t,s)f(s)ds$

其中 $K(t,s)$ 是核函数 (Kernel Function)。

性质：

• 是有界算子和紧算子
• 在 $L^2$ 空间上有良好的性质

3. 矩阵算子

对于 $A\in {\mathbb{C}}^{m\times n}$： $T_A:{\mathbb{C}}^n\to {\mathbb{C}}^m,T_A(x)=Ax$

特殊矩阵算子：

• 零算子：$A=0$
• 单位算子：$A=I$
• 投影算子：$A^2=A$
• 酉算子：$A^{\ast }A=I$

4. 乘法算子

在 $L^2(\Omega )$ 上： $(M_{\varphi }f)(x)=\varphi (x)f(x)$

其中 $\varphi \in L^{\infty }(\Omega )$ 是本质有界函数。

性质：

• $\Vert M_{\varphi }\Vert =\Vert \varphi {\Vert }_{\infty }$
• 当 $\varphi$ 是实函数时，$M_{\varphi }$ 是自伴的

5. 移位算子

在 ${\ell }^p$ 或 $L^2(\mathbb{R})$ 空间上：

• 右移位：$(Sf)(n)=f(n-1)$
• 左移位：$(Sf)(n)=f(n+1)$

---

有限维与无限维的区别

有限维空间（矩阵算子）

性质	有限维
表示	矩阵
连续性	自动连续
可逆性	行列式非零
谱理论	特征值问题

无限维空间（泛函分析）

性质	无限维
定义域	可能是真子空间
连续性	需要有界算子条件
可逆性	更复杂（有界逆定理）
谱理论	紧算子谱理论更完整

---

线性算子的运算

算子代数

设 $T_1,T_2:X\to Y$ 是线性算子，$\alpha \in \mathbb{F}$：

1. 加法：$(T_1+T_2)(x)=T_1(x)+T_2(x)$
2. 数乘：$(\alpha T)(x)=\alpha T(x)$
3. 复合：$(T_2\circ T_1)(x)=T_2(T_1(x))$

算子空间

所有从 $X$ 到 $Y$ 的线性算子构成向量空间 $\mathcal{L}(X,Y)$。

当考虑有界线性算子时，构成赋范线性空间，甚至是Banach空间。

---

重要定理

闭图像定理 (Closed Graph Theorem)

设 $X,Y$ 是Banach空间，$T:X\to Y$ 是线性算子。则以下等价：

1. $T$ 是连续的
2. $T$ 的图像 $\{(x,Tx):x\in X\}$ 是闭集
3. 若 $x_n\to x$ 且 $T{x}_n\to y$，则 $y=Tx$

逆算子定理 (Bounded Inverse Theorem)

设 $X,Y$ 是Banach空间，$T\in \mathcal{L}(X,Y)$ 是双射。则 $T^{-1}\in \mathcal{L}(Y,X)$。

---

应用领域

1. 微分方程

• 微分算子的理论研究常微分方程和偏微分方程
• 拉普拉斯算子在椭圆型方程中的应用
• 微积算子在变换方法中的应用

2. 量子力学

• 可观测量用自伴线性算子表示
• 薛定谔方程：$i\hslash \frac{\partial }{\partial t}\psi =H\psi$
• 动量算子：$P=-i\hslash \nabla$

3. 信号处理

• 积分算子用于卷积运算
• 移位算子用于时间延迟
• 傅里叶变换作为酉算子

4. 控制理论

• 系统传递函数作为算子
• 可控性和可观性与算子性质相关

---

与其他概念的关系

• 有界算子：连续的线性算子
• 紧算子：有界集的像为相对紧集的算子
• 算子范数：衡量算子大小
• 对偶空间：线性泛函构成的空间
• 伴随算子：Hilbert空间中的对偶算子
• 拉普拉斯算子：重要的微分算子
• 微积算子：微分和积分算子的统称

---

参考书目

1. Reed, M., & Simon, B. (1980). Methods of Modern Mathematical Physics, Vol. 1: Functional Analysis. Academic Press.
2. Kreyszig, E. (1978). Introductory Functional Analysis with Applications. Wiley.
3. Lax, P. D. (2002). Functional Analysis. Wiley-Interscience.
4. Rudin, W. (1991). Functional Analysis. McGraw-Hill.

---

关键词：线性映射、算子理论、泛函分析、向量空间、核空间、像空间

多项式空间中的矩阵化例子

矩阵空间和函数空间都可以放在同一个线性算子框架里。导数算子

$$D(u)=\frac{du}{dx}$$

在多项式空间中是线性的，因为每个多项式都由基函数 $1,x,x^2,\dots$ 线性组合而成，求导只需知道这些基函数的像。

若输入基取 $1,x,x^2,x^3$，输出基取 $1,x,x^2$，则

$$D(1)=0,D(x)=1,D(x^2)=2x,D(x^3)=3x^2.$$

因此导数算子的矩阵为

$$[D]=\left(\begin{array}{cccc}0& 1& 0& 0\\ 0& 0& 2& 0\\ 0& 0& 0& 3\end{array}\right).$$

积分算子反向增加次数，例如 $1\mapsto x$、$x\mapsto x^2/2$、$x^2\mapsto x^3/3$，可看作导数算子的一个右逆选择；常数函数构成导数算子的核，这一点在上面的矩阵零空间中也完全可见。