泛函分析 01.06 距离空间-完备距离空间的性质和一些应用

$\color{blue}{\S 1.5 完备距离空间的性质和一些应用}$

$\color{blue}{1.5.1 闭球套定理}$

$在距离空间中引入了开集、闭集等概念后，我们$
$研究了空间中序列的收敛性，Cauchy列；$
$讨论了空间的列紧性、可分性、完备性.$
$实数空间是完备的，在实数空间中，Cauchy准则、区间套定理等重要定理都成立.$
$我们在这里把这些性质推广到一般的完备的距离空间.$
$在完备的距离空间中，类似于数学分析中的区间套定理，我们有以下定理：$

$定理1.5.1 X是完备的距离空间,$
$\overline S_n = \overline S_n(x_n, r_n)(n = 1, 2, \cdots)是X中的一系列闭球套:$
$\qquad \overline S_1 \supset \overline S_2 \cdots \supset \overline S_n \supset \cdots, \quad (1.5.1)$
$且r_n \to 0 (n \to \infty), 则存在X中唯一的一点$
$\qquad x \in \bigcap \limits_{n=1}^{\infty} \overline S_n$
$证明分三步:$
$1. 找到这样的x; 2.证明 x \in \bigcap \limits_{n=1}^{\infty} \overline S_n; 3. 证唯一性.$
$证明:(1) 设\lbrace x_n \rbrace 是球心组成的点列, 所以$
$\qquad d(x_n, x_m) < r_n(m > n)$
$\because r_n \to 0 (n \to \infty), \therefore \forall \varepsilon > 0, \exists N, 当n, m > N时$
$\qquad d(x_n, x_m) < r_n < \varepsilon (m > n > N) \quad (1.5.2)$
$所以\lbrace x_n \rbrace 是Cauchy 列.$
$因为X完备, 因此存在x, 使得\lim \limits_{n \to \infty} x_n = x.$
$(2) 由于是闭球套, 所以对于任意的m > n, 有$
$\qquad d(x_n, x_m) < r_n,$
$根据距离的连续性, 令m \to \infty, 得到$
$\qquad d(x_n, x) \leq r_n (\forall n) \quad (1.5.3)$
$所以对于任意的n, 我们有x \in \overline S(x_n, r_n).$
$于是x \in \bigcap \limits_{n=1}^{\infty} \overline S(x_n, r_n).$
$(3) 如果存在y \in \bigcap \limits_{n=1}^{\infty} \overline S_n, 则对于任意的n, 有$
$\qquad d(x_n, y) \leq r_n,$
$令 n \to \infty, 则d(x, y) = 0, 即x = y.$
$注: 类似地可以证明“闭集套"定理,即:如果闭集一个套着一个, 并且闭集的直径趋近于0,则$
$有唯一的点被套在其中(这个点属于所有的闭集).$
$利用闭集套定理可以证明下面大家熟知的命题.$

$例1.5.2 证明三角形的中线交一点.$
$分析:三角形(三顶点加边界及其内部)是一闭集,中线的两两交点都位于其内.$
$注意到三条中线上各有一段成为以(原来的)三角形三中点为顶点的新三角形的中线,$
$如此下去,可形成闭集套.利用闭集套定理来证明中线交于一点.$

$证明:(1)把以A, B和C为顶点, 加上边界的三角形及其内部记为\Delta ABC(如图), 它是闭集.$
$(2)显然\Delta ABC 的三条中线AA_1, BB_1 和 CC_1包含在\Delta ABC 中,$
$因此它们的两两交点也包含在\Delta ABC 中, 且 \Delta A_1B_1C_1 \subset \Delta ABC$
$(3)注意到三条中线AA_1, BB_1和CC_1上各有一段A_1A_2, B_1B_2 和 C_1C_2$
$成为\Delta A_1B_1C_1的三条中线.$
$所以\Delta ABC 的三条中线的两两交点也就是\Delta A_1B_1C_1的三条中线的两两交点,$
$且交点包含在\Delta A_1B_1C_1中, 同时又有 \Delta A_2B_2C_2 \subset \Delta A_1B_1C_1.$
$(4)如此做下去,就得到三角形组成的闭集序列$
$\Delta ABC \supset \Delta A_1B_1C_1 \supset \Delta A_2B_2C_2 \supset \cdots,$
$(5) 显然它们满足：\lim \limits_{k \to \infty} diam \Delta A_k B_k C_k = 0,$
$(6)因此存在唯一的公共点O属于所有这些三角形.$
$因为\Delta ABC 的三条中线的两两交点始终包含在每一个三角形内,所以三条中线$
$必定交于一点,而O点就是它们的交点.$

$\color{blue}{1.5.2 压缩映射原理}$

$不动点问题是数学研究中的重要问题之一,$
$所谓一个映射T的不动点是指:$
$\qquad T把这个点映射为自身, 即 Tx = x.$
$任何解方程问题都可以转化为求不动点的问题:$
$\qquad F(x) = 0 \leftrightarrow F(x) + x = x,$
$或者写为F_1(x) = x. 令Tx = F_1(x),$
$则解方程问题转化为求不动点x: Tx = x.$
$因而研究不动点理论及其应用具有重要的理论意义及应用价值.$
$例如在实数范围内求方程y = x^2 - 2x + 1 = 0, 令$
$\qquad Tx = x^2 - x + 1,$
$则求解一元二次方程的问题转化为:$
$\qquad 什么时候Tx = x, x \in \mathbb{R},$
$也就是说, 映射T有没有不动点.$
$在代数方程、微分方程、积分方程及其它各类方程理论中$
$解的存在性，唯一性以及近似解的收敛性都是很重要的课题,$
$在许多关于存在唯一性的定理的证明中,“不动点”是一个有力的工具.$
$不动点定理是泛函分析中最基本的一个存在性定理.$
$分析中的许多存在性定理都是不动点定理的特例.$
$不动点理论已发展成为非线性泛函分析的重要内容之一.$
$多项式根的近似计算显著的技巧或许就是逐次迭代法,这个方法起源很早.$

$例1.5.3 Newton迭代求根(Newton切线法)$
$\qquad x_{k+1} = x_k - \dfrac{f(x_k)}{f^{\prime}(x_k)}, k = 0, 1, 2, \cdots$
$如果\lim \limits_{n \to \infty} x_n = x^{*}, 我们有 f(x^{*}) = 0.$
$首先将这个技巧应用于无穷维情形的是Liouville, 他成功$
$地利用这个技巧求解常微分方程初值问题.$
$1922年, Banach 把这个结果抽象化,用距离空间及压缩映射$
$(压缩映射是一种特殊的非线性映射)等概念更一般地描述这个$
$方法,也就是著名的Banach 不动点定理, 或压缩映像原理.$

$考虑微分方程的初值问题:$
$\qquad \left \lbrace \begin{array}{l}\dfrac{dx}{dt} = f(x, t), \\ x | _{t=0} = x_0. \end{array} \right. \quad (1.5.4)$
$两边积分, 问题转化为积分方程:$
$\qquad x(t) = x(0) + \int_0^t f(x(\tau), \tau) d \tau \quad (1.5.5)$
$令 \quad Tx = x_0 + \int_0^t f(x(\tau), \tau) d \tau \quad (1.5.6)$
$则 T 是一个从 x(t) 到 Tx 的映射.$
$微分方程初值问题转化为这个积分算子 Tx 是否有不动点,$
$即在空间X是否存在元素 x , 满足 Tx = x.$

$定理1.5.4 (压缩映射原理, Banach 不动点定理)$
$设(X, d)是完备的距离空间, T: X \to X. 如果对于任意的 x, y \in X, 不等式$
$\qquad d(Tx, Ty) \leq \theta d(x, y) \quad (1.5.7)$
$成立, 其中0 < \theta < 1,$
$则存在唯一的 \overline x \in X, 使得$
$\qquad T \overline x = \overline x$
$分析: 首先找到T的不动点, 再证明唯一性.$
$由(1.5.7)式, 我们看到T作用后两点间的距离成比例地$
$压缩, 是一压缩映射.希望用迭代法找到不动点.$
$任取x_0 \in X, 令$
$\qquad x_1 = Tx_0, x_2 = Tx_1, \cdots, x_{n+1} = Tx_n, \cdots$
$若能证明$
$(i) x_n \to \overline x (n \to \infty),$
$(ii) T 连续,$
$则可推出 \overline x = T \overline x .$
$为了证明(i), 由于空间完备, 要证收敛只要能证明 \lbrace x_n \rbrace 是 Cauchy 列即可;$
$对于(ii), 因为T是压缩映射, 由连续映射的定义可知T连续.$
$证明:(1) T 是连续的(一致连续).$
$事实上, \forall \varepsilon > 0, 取 \delta = \varepsilon > 0, 当d(x, y) < \delta时,$
$\qquad d(Tx, Ty) \leq \theta d(x, y) < \delta = \varepsilon$
$(2) 用迭代法求 \overline x$
$任取 x_0 \in X, 令$
$\qquad x_1 = Tx_0, x_2 = Tx_1, \cdots, x_{n+1} = Tx_n, \cdots,$
$下面证明\lbrace x_n \rbrace 为Cauchy 列.由于$
$\qquad d(x_1, x_2) = d(Tx_0, Tx_1) \leq \theta d(x_0, x_1) = \theta d(x_0, Tx_0),$
$\qquad d(x_2, x_3) = d(Tx_1, Tx_2) \leq \theta d(x_1, x_2) = \theta^2 d(x_0, Tx_0),$
$\qquad \cdots \quad \cdots$
$\qquad d(x_n, x_{n+1}) \leq \theta ^n d(x_0, Tx_0),$
$\qquad \cdots \quad \cdots$
$于是对于任意的自然数p,$
$d(x_n, x_{n+p})$
$\leq d(x_n, x_{n+1}) + d(x_{n+1}, x_{n+2}) + \cdots + d(x_{n+p-1}, x_{n+p})$
$\leq \theta ^n d(x_0, Tx_0) + \theta^{n+1} d(x_0, Tx_0) + \cdots + \theta^{n+p-1} d(x_0, Tx_0)$
<θ n 1−θ d(x 0 ,Tx 0 )  <script id="MathJax-Element-648" type="math/tex">< \dfrac{\theta^n}{1 - \theta} d(x_0, Tx_0)</script>
$因为 0 < \theta < 1, 所以\lbrace x_n \rbrace 是 Cauchy 列.$
$由于 (X, d) 完备, 所以存在 \overline x, 使得 x_n \to \overline x (n \to \infty)$
$由于 T 是连续的, 我们有$
$\qquad \lim \limits_{n \to \infty} Tx_n = T \lim \limits_{n \to \infty} x_n = T \overline x,$
$由迭代公式, x_{n+1} = T x_n, 我们得到: \overline x = T \overline x.$
$(3)唯一性: 若存在 \overline y 使得$
$\qquad T \overline y = \overline y$
$则$
$\qquad d(\overline x, \overline y) = d(T \overline x, T \overline y) \leq \theta d(\overline x, \overline y)$
$由于 0 < \theta < 1, 于是 d(\overline x, \overline y) = 0, 故 \overline x = \overline y.$
$注1: 距离空间(X, d)完备是必须的.$
$注2: 条件 d(Tx, Ty) \leq \theta d(x, y), 0 < \theta < 1,$
$不能改为 d(Tx, Ty) < d(x, y).$
$注3: 由于$
$\qquad d(x_n, x_{n+p}) \leq \dfrac{\theta^n}{1 - \theta} d(x_0, Tx_0),$
$令p \to \infty, 其误差为:$
$\qquad d(x_n, \overline x) \leq \dfrac{\theta^n}{1 - \theta} d(x_0, Tx_0),$
$\lbrace x_n \rbrace 收敛的速度很快.$
$注4: 定理中并不要求T是线性算子.$

$定理1.5.5. 设(X, d)是完备的距离空间, T是从X到X的映射,如果存在正整数n_0，$
$使得对所有的 x, y \in X,$
$\qquad d(T^{n_0} x, T^{n_0} y) \leq \theta d(x, y) \quad (1.5.8)$
$其中 0 < \theta < 1, 则T有唯一的不动点.$
$分析: 由(1.5.8) 式, 我们看到 T^{n_0} 满足不动点定理的条件,存在唯一不动点 \overline x.$
$要证T有唯一不动点.考虑T^{n_0}的不动点是否就是T的不动点.$
$进一步验证 T \overline x = \overline x.$
$证明：因 T^{n_0}满足不动点定理, 故存在唯一 \overline x, 使得 T^{n_0} \overline x = \overline x.$
$因为 T^{n_0} (T \overline x) = T(T^{n_0} \overline x) = T \overline x,$
$所以 T \overline x 也是 T^{n_0} 的不动点.$
$唯一性: (反证法) 设\overline x_1也是T的不动点, 则$
$T^{n_0} \overline x_1 = T^{n_0 -1}(T \overline x_1) = T^{n_0-1}(\overline x_1) = \cdots = T \overline x_1 = \overline x_1,$
$所以 \overline x_1 也是 T^{n_0}的不动点,$
$由T^{n_0}不动点的唯一性,我们有 \overline x = \overline x_1.$

$进一步, 有以下不动点定理.$
$定理1.5.6 (Brouwer) 设B是\mathbb{R}^n中的闭单位球,$
$设T: B \to B 是一个连续映射, 则T必有一个不动点 x \in B.$

$例1.5.7 设f(x)是定义在[-1, 1]上的连续函数, 且其值域$
$包含在[-1, 1]中, 则存在\overline x \in [-1, 1], 使得: f(\overline x) = \overline x.$

$在无穷维空间有$
$定理1.5.8 (Schauder) 设C是线性赋范空间 X 中的一个闭凸子集,$
$T: C \to C, 连续且T(C)列紧, 则T在C上必有一个不动点.$
$这些定理的证明参阅张恭庆等“泛函分析讲义”(上册)p49.$

$\color{blue}{1.5.3 压缩映射原理的应用}$

$例1.5.9 (微分方程)$
$\qquad \left \lbrace \begin{array}{l}\dfrac{dx}{dt} = f(x, t), \\ x |_{t=0} = x_0. \end{array} \right. \quad (1.5.9)$
$其中f(x, t)在平面上连续, 且对于变量x满足Lipschitz条件:$
$\qquad |f(x_1, t) - f(x_2, t)| \leq K |x_1 - x_2|,$
$则方程(1.5.9)在t = 0的某个邻域中有唯一解.$
$分析: 方程(1.5.9)即为前面的方程(1.5.4), 此初值问题可转$
$化为一个与其等价的积分映射的不动点问题(见(1.5.6)式).$
$\qquad Tx = x_0 + \int_0^t f(x(\tau), \tau) d \tau$
$我们先证明这个积分映射是压缩映射.$
$然后利用压缩映像原理证明方程有唯一解.$
$证明：(1)确立距离空间, 建立映射.$
$取\delta > 0, 使得 \delta K < 1.$
$在空间C[-\delta, \delta]上考虑如下映射(积分算子):$
$\qquad Tx = x_0 + \int_0^t f(x(\tau), \tau) d\tau$
$则T是从C[-\delta, \delta]到C[-\delta, \delta]自身的映射.$
$(2) 验证映射满足不动点定理条件.$
$d(Tx, Ty) = \max \limits_{-\delta \leq t \leq \delta} | \int_0^t [f(x(\tau), \tau) - f(y(\tau), \tau)] d \tau |$
$\leq K \max \limits_{-\delta \leq t \leq \delta} \int_0^t | x(\tau) - y(\tau)| d \tau$
$\leq K \delta \max \limits_{-\delta \leq t \leq \delta} | x(t) - y(t) | = K \delta \cdot d(x, y).$
$由于 0 < K \delta < 1, 且C[-\delta, \delta]是完备的,$
$由压缩映射原理, 方程(1.5.9)在[-\delta, \delta]上有唯一解.$

$例1.5.10 考虑线性方程组$
$\qquad \xi_i - \sum \limits_{j=1}^{n} a_{ij} \xi_j = b_{i} (i = 1, 2, \cdots, n), \quad (1.5.10)$
$其中$
$\qquad \sum \limits_{i=1}^{n} \sum \limits_{j=1}^{n} |a_{ij}|^2 < 1, \quad (1.5.11)$
$则方程组有唯一解.$
$分析：考虑将方程组化为映射的不动点问题.$
$假定 x = \lbrace \xi_1, \xi_2, \cdots, \xi_n \rbrace, 定义 Tx, 使得其第$
$i(i = 1, 2, \cdots, n)个分量的作用形式为\sum \limits_{j=1}^n a_{ij} \xi_j + b_i,$
$则方程组可转化为\mathbb{R}^n空间上Tx = x 的不动点问题.$
$证明: (1)建立映射:设$
$(Tx)_i = \sum \limits_{j=1}^n a_{ij} \xi_j + b_i, (i = 1, 2, \cdots, n). \quad (1.5.12)$
$x = \lbrace \xi_1, \xi_2, \cdots, \xi_n \rbrace,$
$则T是\mathbb{R}^n 到 \mathbb{R}^n的一个映射.$
$(2) 验证映射满足不动点定理条件.由于$
$d(Tx_1, Tx_2) = \lbrace \sum \limits_{i=1}^n [(\sum \limits_{j=1}^n a_{ij} \xi_j^{(1)} + b_i) - (\sum \limits_{j=1}^n a_{ij} \xi_j^{(2)} + b_i)]^2 \rbrace ^{\frac{1}{2}}$
$\qquad =\lbrace \sum \limits_{i=1}^n [\sum \limits_{j=1}^n a_{ij} (\xi_j^{(1)} - \xi_j^{(2)})]^2 \rbrace ^{\frac{1}{2}}$
$而$
$\lbrace \sum \limits_{i=1}^n [\sum \limits_{j=1}^n a_{ij}(\xi_j^{(1)} - \xi_j^{(2)})]^2 \rbrace ^{\frac{1}{2}} \leq \lbrace \sum \limits_{i=1}^n \sum \limits_{j=1}^n a_{ij}^2 \sum \limits_{j=1}^n |\xi_j^{(1)} - \xi_j^{(2)}|^2 \rbrace ^{\frac{1}{2}}$
$\qquad =(\sum \limits_{i=1}^n \sum \limits_{j=1}^n |a_{ij}|^2)^{\frac{1}{2}}(\sum \limits_{j=1}^n |\xi_j^{(1)} - \xi_j^{(2)}|^2)^{\frac{1}{2}}$
$\qquad = \theta d(x_1, x_2)$
$其中$
$\qquad \theta = (\sum \limits_{i=1}^n \sum \limits_{j=1}^n |a_{ij}|^2) ^{\frac{1}{2}} < 1,$
$根据压缩映射原理, 方程组(1.5.10)有唯一解.$

$例1.5.11 在上例中, 若将条件(1.5.11)改为$
$\qquad \alpha = \max \limits_{1 \leq i \leq n} \sum \limits_{j=1}^n |a_{ij}| < 1, \quad (1.5.13)$
$则方程组(1.5.10)也有唯一解.$
$分析：解决问题的思路和方法同上.$
$事实上, 如果n维向量空间的距离定义为$
$\qquad d(x, y) = \max \limits_{1 \leq i \leq n} |\xi_i - \eta_i|, \quad (1.5.14)$
$其中 x = (\xi_1, \xi_2, \cdots, \xi_n), y = (\eta_1, \eta_2, \cdots, \eta_n)$
$(1) 令(Tx)_i = \sum \limits_{j=1}^n a_{ij} \xi_j + b_i (i = 1, 2, \cdots, n)$
$(2) d(Tx_1, Tx_2) = \max \limits_{1 \leq i \leq n} |(\sum \limits_{j=1}^n a_{ij} \xi_j^{(1)} + b_i) - (\sum \limits_{j=1}^n a_{ij} \xi_j^{(2)} + b_i) |$
$\qquad = \max \limits_{1 \leq i \leq n} |\sum \limits_{j=1}^n a_{ij}(\xi_j^{(1)} - \xi_j^{(2)})|$
$\qquad \leq \max \limits_{1 \leq j \leq n} |\xi_j^{(1)} - \xi_j^{(2)} | \cdot \max \limits_{1 \leq i \leq n} \sum \limits_{j=1}^n |a_{ij}|$
$\qquad = \alpha d(x_1, x_2)$
$因为 \alpha < 1, 所以T是一个压缩映射, 根据压缩映射原理,$
$方程组(1.5.10)有唯一解.$
$注：上述两个不同的条件(1.5.11)和(1.5.13), 都可确定方程组(1.5.10)有唯一解,$
$要注意的是：研究不同问题时选取的距离不同.$

$例1.5.12 Fredhom 积分方程$
$\qquad x(t) = \varphi(t) + \mu \int_a^b k(t, s) x(s) ds, \quad (1.5.15)$
$其中k(t, s), \varphi(t)是a \leq t \leq b, a \leq s \leq b上连续函数,$
$则当 0 < |\mu||b-a| M < 1时,方程存在唯一解,其中$
$\qquad M = \max \limits_{a \leq t \leq b,\\ a \leq s \leq b} |k(t, s)|$
$证明：(1)令$
$\qquad Tx = \varphi(t) + \mu \int_a^b k(t, s) x(s) ds \quad (1.5.16)$
$T是从C[a, b]到C[a, b]的映射.$
$(2)对任意x, y \in C[a, b], 有$
$d(Tx_1, Tx_2) = \max \limits_{a \leq t \leq b} |\mu| |\int_a^b [k(t, s) (x_1(s) - x_2(s))] ds|$
$\qquad \leq |\mu||b-a| M \max \limits_{a \leq t \leq b} |x_1(t) - x_2(t)|$
$\qquad = |\mu| |b-a| M d(x_1, x_2)$
$其中$
$\qquad M = \max \limits_{a \leq t \leq b, \\ a \leq s \leq b} |k(t, s)|$
$当 0 < |\mu| |b-a| M < 1时, 由压缩映射原理,方程(1.5.15)有唯一解.$

$例1.5.13 Volterra积分方程$
$\qquad x(t) = \varphi(t) + \mu \int_a^t k(t, s) x(s) ds, \quad (1.5.17)$
$其中k(t, s)是a \leq t \leq b, a \leq s \leq b上的连续函数, 则方程存在唯一解.$
$分析: 证明用到了定理1.5.5, 若对于映射T存在自然数n_0,$
$使得T^{n_0}满足压缩映射原理条件, 则T有唯一不动点.$
$证明：(1)令$
$\qquad Tx = \varphi(t) + \mu \int_a^t k(t, s) x(s) ds, \quad (1.5.18)$
$T是从C[a, b]到C[a, b]的映射.$
$(2) 对任意x, y \in C[a, b], 有$
$|Tx_1 - Tx_2| = |\mu| |\int_a^t k(t, s) [x_1(s) - x_2(s)] ds|$
$\qquad \leq |\mu| M(t-a) \max \limits_{a \leq t \leq b} |x_1(t) - x_2(t)|$
$其中 M = \max \limits_{a \leq t \leq b, \\ a \leq s \leq b} |k(t, s)|$
$(3) 进一步，有$
$|T^2 x_1 - T^2 x_2| = |T(Tx_1) - T(Tx_2)|$
$\qquad \leq |\mu|^2 M^2 \int_a^t(\tau - a) \max \limits_{a \leq t \leq b} |x_1(\tau) - x_2(\tau)| d \tau$
$\qquad = |\mu|^2 M^2 \dfrac{(t-a)^2}{2} \max \limits_{a \leq t \leq b} |x_1(t) - x_2(t)|$
$(4) 一般地, 有$
$|T^n x_1 - T^n x_2| \leq |\mu|^n M^n \dfrac{(t-a)^n}{n!} \max \limits_{a \leq t \leq b} |x_1(t) - x_2(t)|$
$(5) 所以$
$d(T^n x_1, T^n x_2) \leq |\mu|^n M^n \dfrac{(b-a)^n}{n!} d(x_1, x_2),$
$由于$
$\qquad |\mu|^n M^n \dfrac{(b-a)^n}{n!} \to 0(n \to \infty)$
$因此,对充分大的n, 有$
$\qquad 0 < |\mu|^n M^n \dfrac{(b-a)^n}{n!} < 1$
$由定理1.5.5, 方程(1.5.17)存在唯一解.$
$注意例1.5.13和例1.5.12的区别.$
$注：上述这些关于求解方程的例子,都是通过把原来的问题$
$转化为不动点问题解决的.$
$\color{blue}{压缩映射原理在隐函数存在性定理，研究各类方程解的存在性、\\ 唯一性以及近似解的收敛性等理论中起到了十分重要的作用.}$