紧算子的谱逼近理论及其在拉普拉斯特征值问题上的应用

紧算子的谱逼近理论及其在拉普拉斯特征值问题上的应用

紧算子的谱逼近理论

预备知识

$V_1$ 和 $V_2$ 是复希尔伯特空间，我们需要找 $\lambda \in \mathbb{C}$ 和 $u\in V_1$ 且 $u\ne 0$，使得，
$$a(u,v)=\lambda b(u,v)\forall v\in V_2$$
$a:V_1\times V_2\to \mathbb{C}$ 且 $b:V_1\times V_2\to \mathbb{C}$ 是拟双线性形式，$a$ 满足连续性，
$$\left|a\left(v_1,v_2\right)\right|\le C{\Vert v_1\Vert }_{V_1}{\Vert v_2\Vert }_{V_2}\forall v_1\in V_1\forall v_2\in V_2$$
$b$ 在紧范数 $H_1$ （$V_1$ 中的任意 $V_1$ 意义下的有界序列有 $H_1$ 意义下的柯西子列）的意义下是有界的，
$$\left|b\left(v_1,v_2\right)\right|\le C_2{\Vert v_1\Vert }_{H_1}{\Vert v_2\Vert }_{V_2}\forall v_1\in V_1\forall v_2\in V_2$$
我们假定类强制性条件：
inf ⁡ v 1 ∈ V 1 sup ⁡ v 2 ∈ V 2 ∣ a ( v 1 , v 2 ) ∣ ∥ v 1 ∥ V 1 ∥ v 2 ∥ V 2 ≥ γ > 0 sup ⁡ v 1 ∈ V 1 ∣ a ( v 1 , v 2 ) ∣ > 0 ∀ v 2 ∈ V 2 \ { 0 } \begin{aligned} &\inf _{v_{1} \in V_{1}} \sup _{v_{2} \in V_{2}} \frac{\left|a\left(v_{1}, v_{2}\right)\right|}{\left\|v_{1}\right\|_{V_{1}}\left\|v_{2}\right\|_{V_{2}}} \geq \gamma>0 \\ &\sup _{v_{1} \in V_{1}}\left|a\left(v_{1}, v_{2}\right)\right|>0 \quad \forall v_{2} \in V_{2} \backslash\{0\} \end{aligned} ​v1​∈V1​inf​v2​∈V2​sup​∥v1​∥V1​​∥v2​∥V2​​∣a(v1​,v2​)∣​≥γ>0v1​∈V1​sup​∣a(v1​,v2​)∣>0∀v2​∈V2​\{0}​

从上面的假设中，我们可以推的 $T$ 和 $T_{\ast }$ 是个紧算子。关于这一点，我们给一个简单的证明。

证明：
关键的一点的是，我们有这样一个估计：
$$\Vert Tu{\Vert }_{V_1}⩽\left(C_{}/\alpha \right)\Vert u{\Vert }_{H_1}^{}\forall u\in V_1$$
这个估计的证明，大家有兴趣可以参考 BABUSKA[1971] 和 BABUSKA&AIZIZ [1973]。
假定 $u_j$ 是 $V_1$ 中的有界序列，由紧范数条件，那么它在 $H_1$ 存在一个柯西子列 $u_{j_l}$。
由 $u_{j_l}-u_{j_k}$ 在 $H_1$ 中趋向于 0。根据上述的估计，$T{u}_{j_l}$ 是 $V_1$ 中的柯西列，故收敛。那么，它的共轭算子 $T\ast$ 也是收敛的。

$T$ 在 $V_1$ 上的共轭，可以写为：
$$T^{\ast }=A^{\ast }\circ T_{\ast }\circ A^{\ast -1}$$
其中 $A:V_1\to V_2$ 是和 $a$ 相关的有界线性算子。 Riesz 表示定理告诉我总存在这样一个 $A$，$a(u,v)=(Au,v{)}_{V_2}$，对任意的 $u\in V_1$，和 $v\in V_2$。

我们也可以定义上述特征值问题的共轭特征值问题。寻求 $\lambda \in \mathbb{C}$ 且 $u\in V_2$，$u\ne 0$ 使得，
$$a(v,u)=\lambda b(v,u)\forall v\in V_1$$
离散特征值问题公式形式能够被类似地定义，罗列如下：
$$a\left(v_{1,h},v_2\right)={\lambda }_{h}b\left(v_{1,h},v_2\right)\forall v_2\in V_{2,h}$$
inf ⁡ v 1 ∈ V 1 , h sup ⁡ v 2 ∈ V 2 , h ∣ a ( v 1 , v 2 ) ∣ ∥ v 1 ∥ V 1 ∥ v 2 ∥ V 2 ≥ γ > 0 sup ⁡ v 1 ∈ V 1 , h ∣ a ( v 1 , v 2 ) ∣ > 0 ∀ v 2 ∈ V 2 , h \ { 0 } \begin{aligned} &\inf _{v_{1} \in V_{1, h}} \sup _{v_{2} \in V_{2, h}} \frac{\left|a\left(v_{1}, v_{2}\right)\right|}{\left\|v_{1}\right\|_{V_{1}}\left\|v_{2}\right\|_{V_{2}}} \geq \gamma>0 \\ &\sup _{v_{1} \in V_{1, h}}\left|a\left(v_{1}, v_{2}\right)\right|>0 \quad \forall v_{2} \in V_{2, h} \backslash\{0\} \end{aligned} ​v1​∈V1,h​inf​v2​∈V2,h​sup​∥v1​∥V1​​∥v2​∥V2​​∣a(v1​,v2​)∣​≥γ>0v1​∈V1,h​sup​∣a(v1​,v2​)∣>0∀v2​∈V2,h​\{0}​

并且我们假定
$$\dim \left(V_{1,h}\right)=\dim \left(V_{2,h}\right)$$

收敛阶

为了统一，我们用 $X$ 表示 $V_1$。
时间关系，我们直接给出一些主要结论。

推论： 令 $\lambda$ 是原连续问题的特征值，令 $E=E\left({\lambda }^{-1}\right)V_1$ 是原问题的广义特征空间，并且令 $E_h=E_h\left({\lambda }^{-1}\right)V_1$，那么
$$\hat{\delta }\left(E,E_h\right)\le C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{v\in V_{1,h}}{\inf }\Vert u-v{\Vert }_{V_1}$$

推论： 令 $\lambda$ 是原连续问题的特征值，${\hat{\lambda }}_h$ 表示逼近 $\lambda$ 的 $m$ 个特征值的算术平均。 那么，
$$\left|\lambda -{\hat{\lambda }}_h\right|\le C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{v\in V_{1,h}}{\inf }\Vert u-v{\Vert }_{V_1}\underset{\genfrac{}{}{0ex}{}{u\in E^{\ast }}{\Vert u\Vert =1}}{\sup }\underset{v\in V_{2,h}}{\inf }\Vert u-v{\Vert }_{V_2}$$
这里 $E$ 是 $\lambda$ 广义特征函数空间，$E^{\ast }$ 关于 $\lambda$ 的广义共轭特征函数空间。

推论： 对 $i=1,\dots ,m$，我们有
$${\left|\lambda -{\lambda }_{i,h}\right|}^{\alpha }\le C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{\genfrac{}{}{0ex}{}{v\in V_{1,h}}{}}{\inf }\Vert u-v{\Vert }_{V_1}\underset{\genfrac{}{}{0ex}{}{u\in E^{\ast }}{\Vert u\Vert =1}}{\sup }\underset{v\in V_2^h}{\inf }\Vert u-v{\Vert }_{V_2}$$
这里 $E$ 是 $\lambda$ 广义特征函数空间，$E^{\ast }$ 关于 $\lambda$ 的广义共轭特征函数空间。

推论： 令 { λ h } \left\{\lambda_{h}\right\} {λh​} 是收敛到 $\lambda$ 的离散特征值序列。 对于某个 $k\le \alpha$ ，考虑一列 $\ker {\left({\lambda }_h^{-1}-T_h\right)}^k$ 中的单位特征函数 { u h } \left\{u_{h}\right\} {uh​}（$k$ 阶离散广义特征函数）。那么，对于任意的整数 $\ell$ 满足 $k\le \ell \le \alpha$，总存在一个连续问题的 $\ell$ 阶广义特征向量 $u(h)$，使得
$${\Vert u(h)-u_h\Vert }_{V_1}^{\alpha /(\ell -k+1)}\le C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{v\in V_{1,h}}{\inf }\Vert u-v{\Vert }_{V_1}.$$

对称变分特征值问题

这里我们考虑特殊的情况，$V_1=V_2$ 是相同的实值希尔伯特空间，并且 $T$ 是自共轭的，那么我们有如下结果：

定理： 对每个 $k$，我们有
$${\lambda }^{(k)}\le {\lambda }_h^{(k)}\le {\lambda }^{(k)}+C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{v\in V_h}{\inf }\Vert u-v{\Vert }_V^2,$$
这里 $E$ 表示 ${\lambda }^{(k)}$ 对应的特征空间。

定理： 令 $u^{(k)}$ 是 $m$ 重特征值（${\lambda }^{(k)}=\cdots ={\lambda }^{(k+m-1)}$） ${\lambda }^{(k)}$ 的一个单位特征向量 , $u_h^{(k)},\dots ,u_h^{(k+m-1)}$ 表示 $m$ 个 收敛于 ${\lambda }^{(k)}$ 的离散特征值的特征函数，那么存在
$$w_h^{(k)}\in \mathrm{span}\left\{u_h^{(k)},\dots ,u_h^{(k+m-1)}\right\}$$
使得
$${\Vert u^{(k)}-w_h^{(k)}\Vert }_V\le C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{v\in V_h}{\inf }\Vert u-v{\Vert }_V$$
这里$E$ 表示 ${\lambda }^{(k)}$ 对应的特征空间。

拉普拉斯特征值问题

简述

应用 Babuska-Osborn 理论到拉普拉斯特征值协调有限元问题，就会得到更加具体的估计。
拉普拉斯问题的描述是，给定 $\Omega \subset {\mathbb{R}}^n$，和实值索伯洛夫空间 $H_0^1(\Omega )$，我们想要寻找特征值 $\lambda \in \mathbb{R}$ 以及特征函数 $u\in H_0^1(\Omega )$，且 $u\ne 0$，使得：
$$(\mathrm{grad}u,\mathrm{grad}v)=\lambda (u,v)\forall v\in H_0^1(\Omega )$$
我们找一个有限维空间 $V_h\subset H_0^1(\Omega )$， 它对应的有限元逼近是，寻找 ${\lambda }_h\in \mathbb{R}$，$u_h\in V_h$，且 $u_h\ne 0$，使得
$$\left(\mathrm{grad}{u}_h,\mathrm{grad}v\right)={\lambda }_h\left(u_h,v\right)\forall v\in V_h$$
下面我们都用 $a(\cdot ,\cdot )$ 来表示双线性形式 $(\mathrm{grad}\cdot ,\mathrm{grad}\cdot )$。

这时候，我们取 $V=H_0^1(\Omega )$ 以及 $H=L^2(\Omega )$。那么，我们可以分别定义两个解算子：
$T_V:V\to V$ 满足：
$$a(T_{V}f,v)=(f,v)\forall v\in V$$
$T_H:H\to H$ 满足，$T_{H}f\in V\subset H$ 是个内射：
$$a(T_{H}f,v)=(f,v)\forall v\in V$$

容易知道，$T_V$ 和 $T_H$ 都是自共轭的：
$$a\left(T_{V}x,y\right)=(x,y)=(y,x)=a\left(T_{V}y,x\right)=a\left(x,T_{V}y\right)\forall x,y\in V$$
$$\left(T_{H}x,y\right)=\left(y,T_{H}x\right)=a\left(T_{H}y,T_{H}x\right)=a\left(T_{H}x,T_{H}y\right)=\left(x,T_{H}y\right)\forall x,y\in H$$

其实，$T_V$ 和 $T_H$ 对应的特征对也是一样的。

不妨假定 $V_h$ 是一个 $k$ 阶多项式空间。那么，我们都知道逼近误差估计如下所示：
inf ⁡ v ∈ V h ∥ u − v ∥ L 2 ( Ω ) ≤ C h min ⁡ { k + 1 , r } ∥ u ∥ H r ( Ω ) inf ⁡ v ∈ V h ∥ u − v ∥ H 1 ( Ω ) ≤ C h min ⁡ { k , r − 1 } ∥ u ∥ H r ( Ω ) \begin{aligned} &\inf _{v \in V_{h}}\|u-v\|_{L^{2}(\Omega)} \leq C h^{\min \{k+1, r\}}\|u\|_{H^{r}(\Omega)} \\ &\inf _{v \in V_{h}}\|u-v\|_{H^{1}(\Omega)} \leq C h^{\min \{k, r-1\}}\|u\|_{H^{r}(\Omega)} \end{aligned} ​v∈Vh​inf​∥u−v∥L2(Ω)​≤Chmin{k+1,r}∥u∥Hr(Ω)​v∈Vh​inf​∥u−v∥H1(Ω)​≤Chmin{k,r−1}∥u∥Hr(Ω)​​

$T=T_V$ 时的分析

离散的解算子 $T_h:V\to V$，它定义为：
$$a\left(T_{h}f,v\right)=(f,v)\forall v\in V_h$$

有一个众所周知的结论是，如果区域是利普希茨连续的，那么总存在一个 $\epsilon >0$，
$${\Vert Tf-T_{h}f\Vert }_{H_0^1(\Omega )}\le C{h}^{\epsilon }\Vert f{\Vert }_{H_0^1(\Omega )}$$
那么特征值的逼近性就得到了保障。

假定 $E$ 是关于特征值 $\lambda$ 的特征空间，它的正则性是 $r$，那么
∥ ( T − T h ) ∣ E ∥ L ( V ) = O ( h min ⁡ { k , r − 1 } ) \left\|\left(T-T_{h}\right)_{\mid E}\right\|_{\mathcal{L}(V)}=O\left(h^{\min \{k, r-1\}}\right) ∥∥∥​(T−Th​)∣E​∥∥∥​L(V)​=O(hmin{k,r−1})
下面我们用 $\tau$ 来表示 min ⁡ { k , r − 1 } \min \{k, r-1\} min{k,r−1}。

那么，我们有如下两个定理：

由前面提到的特征向量估计定理。可得
定理 令 $u$ 是关于 $m$ 重特征值 $\lambda$ 的其中一个单位特征向量，$w_h^{(1)},\dots ,w_h^{(m)}$ 表示 收敛到 $\lambda$ 的 $m$ 个离散特征值的特征向量。 那么，存在
$$u_h\in \mathrm{span}\left\{w_h^{(1)},\dots ,w_h^{(m)}\right\}$$
使得
$${\Vert u-u_h\Vert }_V\le C{h}^{\tau }\Vert u{\Vert }_{H^{1+\tau }(\Omega )}.$$

另外，关于特征值的估计，我们有如下描述。
定理： 令 ${\lambda }_h$ 是一个收敛到 $\lambda$ 的特征值。 如下最优双倍收敛率成立：
$$\lambda \le {\lambda }_h\le \lambda +C{h}^{2\tau }$$
证明：
根据前面提到的关于单个特征值估计的定义，我们事实上只要估计，
$$\sum _{j,k=1}^m\left|{\left(\left(T-T_h\right){\varphi }_j,{\varphi }_k\right)}_V\right|$$
这里的 { ϕ 1 , … , ϕ m } \left\{\phi_{1}, \ldots, \phi_{m}\right\} {ϕ1​,…,ϕm​} 是特征空间 $E$ 的一组基。我们有，
$$\begin{array}{rl}\left|{\left(\left(T-T_h\right)u,v\right)}_V\right|& \le C\left|a\left(\left(T-T_h\right)u,v\right)\right|=C\underset{v_h\in V_h}{\inf }\left|a\left(\left(T-T_h\right)u,v-v_h\right)\right|\\ & \le {\Vert \left(T-T_h\right)u\Vert }_V\underset{v_h\in V_h}{\inf }{\Vert v-v_h\Vert }_V\\ & \le C{h}^{\tau }\Vert u{\Vert }_V{h}^{\tau }\Vert v{\Vert }_{H^{1+\tau }(\Omega )}\le C{h}^{2\tau }\Vert u{\Vert }_V\Vert v{\Vert }_V,\end{array}$$
这个对于任意的 $u,v\in E$ 都是成立的，因为 $v=\lambda Tv$，那么实际上，
$$\Vert v{\Vert }_{H^{1+\tau }(\Omega )}\le C\Vert v{\Vert }_V$$

$T=T_H$ 时的分析

我们现在考虑 $T=T_H$，它的离散算子 $T_h:H\to H$ 的定义为，
$$a\left(T_{h}f,v\right)=(f,v)\forall v\in V_h$$

同样地，存在一个 $ϵ>0$，我们有：
$${\Vert Tf-T_{h}f\Vert }_{L^2(\Omega )}\le C{h}^{1+\epsilon }\Vert f{\Vert }_{L^2(\Omega )}$$

同样地，由之前给出的一般的特征函数估计，我们有如下定理：
定理： $u$ 是 $m$ 重特征值 $\lambda$ 对应的某一个单位特征函数，$w_h^{(1)},\dots ,w_h^{(m)}$ 表示 $m$ 个收敛到 $\lambda$ 的离散特征值对应的特征函数。
那么存在，$u_h\in \mathrm{span}\left\{w_h^{(1)},\dots ,w_h^{(m)}\right\}$
使得
$${\Vert u-u_h\Vert }_H\le C{h}^{1+\tau }\Vert u{\Vert }_{H^{1+\tau }(\Omega )}.$$

虽然前面已经过了，同样地，从这个角度出发，我们也可以得到特征值的估计。跟前面一样，对于特征值的估计，我们也只需要估计
$$\sum _{j,k=1}^m\left|{\left(\left(T-T_h\right){\varphi }_j,{\varphi }_k\right)}_H\right|$$
同样，这里的 { ϕ 1 , … , ϕ m } \left\{\phi_{1}, \ldots, \phi_{m}\right\} {ϕ1​,…,ϕm​} 是特征空间 $E$ 的基函数。那么，结论可由如下估计得到：
$$\begin{array}{rl}\left|\left(\left(T-T_h\right)u,v\right)\right|& =\left|\left(v,\left(T-T_h\right)u\right)\right|=\left|a\left(Tv,\left(T-T_h\right)u\right)\right|\\ & =\left|a\left(\left(T-T_h\right)u,Tv\right)\right|=\left|a\left(\left(T-T_h\right)u,Tv-T_{h}v\right)\right|\\ & \le {\Vert \left(T-T_h\right)u\Vert }_V{\Vert \left(T-T_h\right)v\Vert }_V\\ & \le C{h}^{2\tau },\end{array}$$
这里的 $u,v\in E$ 都是单位特征向量。

上面得到的是在 $H$ 中的估计。最后呢，要再一次得到在 $V$ 中的估计，只要利用如下的等式即可：

$$a\left(u-u_h,u-u_h\right)=\lambda \left(u-u_h,u-u_h\right)-\left(\lambda -{\lambda }_h\right)\left(u_h,u_h\right)$$