重学泛函分析笔记（1）--Hahn-Banach定理证明的理解

   ​Hahn-Banach定理是泛函分析中的一个重要定理，它的详细证明在泛函分析的书籍上都能找到，比如孙炯老师的《泛函分析》，张恭庆老师的《泛函分析讲义（上）》等。证明过程分为两个主要部分：

1. 在实的赋范线性空间中证明保范延拓存在。
     （1.1）对于$X\backslash G$中的任意一点$x_1$，证明$f$可以保范延拓到$x_1$和$G$张成的空间.
    （1.2）利用Zorn引理，证明在全空间$X$上存在$f$的保范延拓（有点类似数学归纳法的意思）.
2. 在复的赋范线性空间中证明保范延拓存在.

​    ​ 以前学的时候感觉都懂了，最近重新看，有些细节上似懂非懂，所以用我们熟悉的欧式空间来加深Hahn-Banach定理证明步骤中(1.1)的理解。(1.2)和第二步的证明都是比较容易看懂的。

​    ​现考虑的$X$为${\mathbb{R}}^3$ 空间，$G=\mathbb{R}$是$X$的子空间，$f$是$G$上的有界线性泛函，对于我们这里考虑的一维欧式空间，$f$就是我们熟知的线性函数$f=kx,x\in G$. 下面看如何来构造$f$在$G$上的保范延拓。 由于$G$是$X$的线性子空间，所以可以取$x_1\in X\backslash G$ （若不然，$G=X$，定理自然成立）。我们设$x_1$为向量$x_1=({\xi }_1,{\xi }_2)$，考虑$x_1$与$G$张成的子空间
G 1 = { x + α x 1 ∣ x ∈ G , α ∈ R } G_1=\{x+\alpha x_1| x\in G,\alpha \in \mathbb{R}\} G1​={x+αx1​∣x∈G,α∈R}
所以对于某一点$x$，$G_1$对应的元素为向量$\eta =(x+\alpha {\xi }_1,\alpha {\xi }_2)$，如图所示。从图中可以看到，固定一点$x$，$\eta$的端点都落在直线$L_1$上，让$x$取遍$\mathbb{R}$中的值,$G_1$就是整个${\mathbb{R}}^2$空间。

   ​ 在$G_1$上定义函数
$$f_1(x+\alpha x_1)=f(x)+\alpha \beta (x\in G,\alpha \in \mathbb{R})$$
当$\beta$选择合适，可以证明$f_1$是$f$在$G_1$上的保范延拓。看下图，$f=kx$由直线$L_1$来表示。

先对于$G$中固定的一个$x$来看，$f_1$是终点在$L_1$上的向量的函数，所有$f_1$的值，构成了直线$L_3$。 再将$x$取遍$\mathbb{R}$，则$f_1$的值就构成了由$L_2$与$L_3$所张成的那个平面$\Sigma$。所以$f$在$G_1$上的延拓，在图像上理解，就是过$L_2$并有一定倾角（角度与$\beta$的选择有关，后面会说）的平面$\Sigma$。

​    ​ 前面提到$\beta$的选择要合适，$f_1$才是$f$的保范延拓，这是怎么理解的呢？ 因为就利用${\mathbb{R}}^n$向量空间中的2范数为例来理解，
$$\begin{gathered} |f_1(\eta )|=f(x)+\alpha \beta =kx+\alpha \beta , \\ ||\eta |{|}_2^2=(x+\alpha {\xi }_1{)}^2+(\alpha {\xi }_2{)}^2 \end{gathered}$$
根据线性泛函范数的定义
$$||f||=\underset{\eta \ne 0}{\max }\frac{|f(\eta )|}{||\eta ||}$$
可以知道在这里具体的例子中$||f||=|k|$，我们分析
$$\frac{|f_1(\eta ){|}^2}{||\eta |{|}_2^2}=\frac{(kx+\alpha \beta {)}^2}{(x+\alpha {\xi }_1{)}^2+(\alpha {\xi }_2{)}^2}=k^2+\frac{(kx+\alpha \beta {)}^2-k^2||\eta |{|}_2^2}{||\eta |{|}_2^2}$$
所以$f_1$要能够保范，则要求$(kx+\alpha \beta {)}^2-k^2||\eta |{|}_2^2$的值最大为0（这里${\xi }_1,{\xi }_2$固定，$x\in G,\alpha \in \mathbb{R}$). $g(\beta )=(kx+\alpha \beta {)}^2-k^2||\eta |{|}_2^2$是关于$\beta$的二次函数，并且最小值为$-k^2||\eta |{|}_2^2$是小于等于零的（一定有根）,函数的图像如下图。

记$g(\beta )=0$的两个根为${\beta }_1\le {\beta }_2$。所以$\beta$的取值不能取$(-\infty ,{\beta }_1)\cup ({\beta }_2,\infty )$。因此要求$g(\beta )$的最大值为0，$\beta$需要在$[{\beta }_1,{\beta }_2]$范围内。容易得到$g(\beta )=0$的根为
$$\begin{gathered} {\beta }_1=\frac{1}{\alpha }(-kx-|k|||\eta |{|}_2),{\beta }_2=\frac{1}{\alpha }(-kx+|k|||\eta |{|}_2),\alpha >0, \\ 或{\beta }_1=\frac{1}{\alpha }(-kx+|k|||\eta |{|}_2),{\beta }_2=\frac{1}{\alpha }(-kx-|k|||\eta |{|}_2),\alpha <01)\text{\hspace{1em}(()} \end{gathered}$$
当$\alpha =0$时，$f_1(x)=f(x)，x\in G$，范数显然相同。对（1）式做一些处理，把$\alpha$吸收进去，回忆$||\eta |{|}_2=\sqrt{(x+\alpha {\xi }_1{)}^2+(\alpha {\xi }_2{)}^2}$，有
$$\begin{gathered} {\beta }_1=k(-\frac{x}{\alpha })-|k|\sqrt{(-\frac{x}{\alpha }-{\xi }_1{)}^2+({\xi }_2{)}^2},{\beta }_2=-k\frac{x}{\alpha }+|k|\sqrt{(\frac{x}{\alpha }+{\xi }_1{)}^2+({\xi }_2{)}^2},\alpha >0, \\ 或{\beta }_1=-k(\frac{x}{\alpha })-|k|\sqrt{(\frac{x}{\alpha }+{\xi }_1{)}^2+({\xi }_2{)}^2},{\beta }_2=k(-\frac{x}{\alpha })+|k|\sqrt{(-\frac{x}{\alpha }-{\xi }_1{)}^2+({\xi }_2{)}^2},\alpha <0 \end{gathered}$$
考虑到$x\in G$，则$\frac{x}{\alpha },-\frac{x}{\alpha }\in G$，所以上面关于$\beta$的取值范围和书本上一般情况$\beta$的取值范围（下式）是吻合的。
sup ⁡ x ∈ G { f ( x ) − ∣ ∣ f ∣ ∣ G ∣ ∣ x − x 1 ∣ ∣ } ≤ β ≤ inf ⁡ x ∈ G { ∣ f ∣ ∣ G ∣ ∣ x + x 1 ∣ ∣ − f ( x ) } \sup_{x\in G}\{f(x)-||f||_G||x-x_1||\}\leq \beta\leq\inf_{x\in G}\{|f||_G||x+x_1||-f(x)\} x∈Gsup​{f(x)−∣∣f∣∣G​∣∣x−x1​∣∣}≤β≤x∈Ginf​{∣f∣∣G​∣∣x+x1​∣∣−f(x)}