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
文章目录
紧算子的谱逼近理论
预备知识
V
1
V_1
V1 和
V
2
V_2
V2 是复希尔伯特空间,我们需要找
λ
∈
C
\lambda \in \mathbb{C}
λ∈C 和
u
∈
V
1
u \in V_{1}
u∈V1 且
u
≠
0
u\neq 0
u=0,使得,
a
(
u
,
v
)
=
λ
b
(
u
,
v
)
∀
v
∈
V
2
a(u, v)=\lambda b(u, v) \quad \forall v \in V_{2}
a(u,v)=λb(u,v)∀v∈V2
a
:
V
1
×
V
2
→
C
a: V_{1} \times V_{2} \rightarrow \mathbb{C}
a:V1×V2→C 且
b
:
V
1
×
V
2
→
C
b: V_{1} \times V_{2} \rightarrow \mathbb{C}
b:V1×V2→C 是拟双线性形式,
a
a
a 满足连续性,
∣
a
(
v
1
,
v
2
)
∣
≤
C
∥
v
1
∥
V
1
∥
v
2
∥
V
2
∀
v
1
∈
V
1
∀
v
2
∈
V
2
\left|a\left(v_{1}, v_{2}\right)\right| \leq C\left\|v_{1}\right\|_{V_{1}}\left\|v_{2}\right\|_{V_{2}} \quad \forall v_{1} \in V_{1} \forall v_{2} \in V_{2}
∣a(v1,v2)∣≤C∥v1∥V1∥v2∥V2∀v1∈V1∀v2∈V2
b
b
b 在紧范数
H
1
H_1
H1 (
V
1
V_1
V1 中的任意
V
1
V_1
V1 意义下的有界序列有
H
1
H_1
H1 意义下的柯西子列)的意义下是有界的,
∣
b
(
v
1
,
v
2
)
∣
≤
C
2
∥
v
1
∥
H
1
∥
v
2
∥
V
2
∀
v
1
∈
V
1
∀
v
2
∈
V
2
\left|b\left(v_{1}, v_{2}\right)\right| \leq C_2\left\|v_{1}\right\|_{H_{1}}\left\|v_{2}\right\|_{V_{2}} \quad \forall v_{1} \in V_{1} \forall v_{2} \in V_{2}
∣b(v1,v2)∣≤C2∥v1∥H1∥v2∥V2∀v1∈V1∀v2∈V2
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∈V1infv2∈V2sup∥v1∥V1∥v2∥V2∣a(v1,v2)∣≥γ>0v1∈V1sup∣a(v1,v2)∣>0∀v2∈V2\{0}
从上面的假设中,我们可以推的 T T T 和 T ∗ T_{*} T∗ 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:
∥
T
u
∥
V
1
⩽
(
C
/
α
)
∥
u
∥
H
1
∀
u
∈
V
1
\|T u\|_{V_1} \leqslant\left(C_{} / \alpha\right)\|u\|_{H_1}^{} \quad \forall u \in V_{1}
∥Tu∥V1⩽(C/α)∥u∥H1∀u∈V1
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
u_j
uj 是
V
1
V_1
V1 中的有界序列,由紧范数条件,那么它在
H
1
H_1
H1 存在一个柯西子列
u
j
l
u_{j_l}
ujl。
由
u
j
l
−
u
j
k
u_{j_l}-u_{j_k}
ujl−ujk 在
H
1
H_1
H1 中趋向于 0。根据上述的估计,
T
u
j
l
T u_{j_l}
Tujl 是
V
1
V_1
V1 中的柯西列,故收敛。那么,它的共轭算子
T
∗
T*
T∗ 也是收敛的。
T
T
T 在
V
1
V_1
V1 上的共轭,可以写为:
T
∗
=
A
∗
∘
T
∗
∘
A
∗
−
1
T^{*}=A^{*} \circ T_{*} \circ A^{*-1}
T∗=A∗∘T∗∘A∗−1
其中
A
:
V
1
→
V
2
A: V_{1} \rightarrow V_{2}
A:V1→V2 是和
a
a
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
A,
a
(
u
,
v
)
=
(
A
u
,
v
)
V
2
a(u, v)=(A u, v)_{V_2}
a(u,v)=(Au,v)V2,对任意的
u
∈
V
1
u \in V_1
u∈V1,和
v
∈
V
2
v \in V_2
v∈V2。
我们也可以定义上述特征值问题的共轭特征值问题。寻求
λ
∈
C
\lambda \in \mathbb{C}
λ∈C 且
u
∈
V
2
u \in V_{2}
u∈V2,
u
≠
0
u \neq 0
u=0 使得,
a
(
v
,
u
)
=
λ
b
(
v
,
u
)
∀
v
∈
V
1
a(v, u)=\lambda b(v, u) \quad \forall v \in V_{1}
a(v,u)=λb(v,u)∀v∈V1
离散特征值问题公式形式能够被类似地定义,罗列如下:
a
(
v
1
,
h
,
v
2
)
=
λ
h
b
(
v
1
,
h
,
v
2
)
∀
v
2
∈
V
2
,
h
a\left(v_{1, h}, v_{2}\right)=\lambda_{h} b\left(v_{1, h}, v_{2}\right) \quad \forall v_{2} \in V_{2, h}
a(v1,h,v2)=λhb(v1,h,v2)∀v2∈V2,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,hinfv2∈V2,hsup∥v1∥V1∥v2∥V2∣a(v1,v2)∣≥γ>0v1∈V1,hsup∣a(v1,v2)∣>0∀v2∈V2,h\{0}
并且我们假定
dim
(
V
1
,
h
)
=
dim
(
V
2
,
h
)
\operatorname{dim}\left(V_{1, h}\right)=\operatorname{dim}\left(V_{2, h}\right)
dim(V1,h)=dim(V2,h)
收敛阶
为了统一,我们用
X
X
X 表示
V
1
V_1
V1。
时间关系,我们直接给出一些主要结论。
推论: 令
λ
\lambda
λ 是原连续问题的特征值,令
E
=
E
(
λ
−
1
)
V
1
E=E\left(\lambda^{-1}\right) V_{1}
E=E(λ−1)V1 是原问题的广义特征空间,并且令
E
h
=
E
h
(
λ
−
1
)
V
1
E_{h}=E_{h}\left(\lambda^{-1}\right) V_{1}
Eh=Eh(λ−1)V1,那么
δ
^
(
E
,
E
h
)
≤
C
sup
u
∈
E
∥
u
∥
=
1
inf
v
∈
V
1
,
h
∥
u
−
v
∥
V
1
\hat{\delta}\left(E, E_{h}\right) \leq C \sup _{u \in E \atop\|u\|=1} \inf _{v \in V_{1, h}}\|u-v\|_{V_{1}}
δ^(E,Eh)≤C∥u∥=1u∈Esupv∈V1,hinf∥u−v∥V1
推论: 令
λ
\lambda
λ 是原连续问题的特征值,
λ
^
h
\widehat{\lambda}_{h}
λ
h 表示逼近
λ
\lambda
λ 的
m
m
m 个特征值的算术平均。 那么,
∣
λ
−
λ
^
h
∣
≤
C
sup
u
∈
E
∥
u
∥
=
1
inf
v
∈
V
1
,
h
∥
u
−
v
∥
V
1
sup
u
∈
E
∗
∥
u
∥
=
1
inf
v
∈
V
2
,
h
∥
u
−
v
∥
V
2
\left|\lambda-\widehat{\lambda}_{h}\right| \leq C \sup _{u \in E \atop\|u\|=1} \inf _{v \in V_{1, h}}\|u-v\|_{V_{1}} \sup _{u \in E^* \atop\|u\|=1} \inf _{v \in V_{2, h}}\|u-v\|_{V_{2}}
∣∣∣λ−λ
h∣∣∣≤C∥u∥=1u∈Esupv∈V1,hinf∥u−v∥V1∥u∥=1u∈E∗supv∈V2,hinf∥u−v∥V2
这里
E
E
E 是
λ
\lambda
λ 广义特征函数空间,
E
∗
E^{*}
E∗ 关于
λ
\lambda
λ 的广义共轭特征函数空间。
推论: 对
i
=
1
,
…
,
m
i=1, \ldots, m
i=1,…,m,我们有
∣
λ
−
λ
i
,
h
∣
α
≤
C
sup
u
∈
E
∥
u
∥
=
1
inf
v
∈
V
1
,
h
∥
u
−
v
∥
V
1
sup
u
∈
E
∗
∥
u
∥
=
1
inf
v
∈
V
2
h
∥
u
−
v
∥
V
2
\left|\lambda-\lambda_{i, h}\right|^{\alpha} \leq C \sup _{u \in E \atop\|u\|=1} \inf _{v \in V_{1, h} \atop }\|u-v\|_{V_{1}} \sup _{u \in E^* \atop \|u\|=1} \inf _{v \in V_2^h}\|u-v\|_{V_{2}}
∣λ−λi,h∣α≤C∥u∥=1u∈Esupv∈V1,hinf∥u−v∥V1∥u∥=1u∈E∗supv∈V2hinf∥u−v∥V2
这里
E
E
E 是
λ
\lambda
λ 广义特征函数空间,
E
∗
E^{*}
E∗ 关于
λ
\lambda
λ 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
λ
\lambda
λ 的离散特征值序列。 对于某个
k
≤
α
k \leq \alpha
k≤α ,考虑一列
ker
(
λ
h
−
1
−
T
h
)
k
\operatorname{ker}\left(\lambda_{h}^{-1}-T_{h}\right)^{k}
ker(λh−1−Th)k 中的单位特征函数
{
u
h
}
\left\{u_{h}\right\}
{uh}(
k
k
k 阶离散广义特征函数)。那么,对于任意的整数
ℓ
\ell
ℓ 满足
k
≤
ℓ
≤
α
k \leq \ell \leq \alpha
k≤ℓ≤α,总存在一个连续问题的
ℓ
\ell
ℓ 阶广义特征向量
u
(
h
)
u(h)
u(h),使得
∥
u
(
h
)
−
u
h
∥
V
1
α
/
(
ℓ
−
k
+
1
)
≤
C
sup
u
∈
E
∥
u
∥
=
1
inf
v
∈
V
1
,
h
∥
u
−
v
∥
V
1
.
\left\|u(h)-u_{h}\right\|_{V_{1}}^{\alpha /(\ell-k+1)} \leq C \sup _{u \in E \atop\|u\|=1} \inf _{v \in V_{1, h}}\|u-v\|_{V_{1}} .
∥u(h)−uh∥V1α/(ℓ−k+1)≤C∥u∥=1u∈Esupv∈V1,hinf∥u−v∥V1.
对称变分特征值问题
这里我们考虑特殊的情况, V 1 = V 2 V_{1}=V_{2} V1=V2 是相同的实值希尔伯特空间,并且 T T T 是自共轭的,那么我们有如下结果:
定理: 对每个
k
k
k,我们有
λ
(
k
)
≤
λ
h
(
k
)
≤
λ
(
k
)
+
C
sup
u
∈
E
∥
u
∥
=
1
inf
v
∈
V
h
∥
u
−
v
∥
V
2
,
\lambda^{(k)} \leq \lambda_{h}^{(k)} \leq \lambda^{(k)}+C \sup _{u \in E \atop\|u\|=1} \inf _{v \in V_{h}}\|u-v\|_{V}^{2},
λ(k)≤λh(k)≤λ(k)+C∥u∥=1u∈Esupv∈Vhinf∥u−v∥V2,
这里
E
E
E 表示
λ
(
k
)
\lambda^{(k)}
λ(k) 对应的特征空间。
定理: 令
u
(
k
)
u^{(k)}
u(k) 是
m
m
m 重特征值(
λ
(
k
)
=
⋯
=
λ
(
k
+
m
−
1
)
\lambda^{(k)}=\cdots=\lambda^{(k+m-1)}
λ(k)=⋯=λ(k+m−1))
λ
(
k
)
\lambda^{(k)}
λ(k) 的一个单位特征向量 ,
u
h
(
k
)
,
…
,
u
h
(
k
+
m
−
1
)
u_{h}^{(k)}, \ldots, u_{h}^{(k+m-1)}
uh(k),…,uh(k+m−1) 表示
m
m
m 个 收敛于
λ
(
k
)
\lambda^{(k)}
λ(k) 的离散特征值的特征函数,那么存在
w
h
(
k
)
∈
span
{
u
h
(
k
)
,
…
,
u
h
(
k
+
m
−
1
)
}
w_{h}^{(k)} \in \operatorname{span}\left\{u_{h}^{(k)}, \ldots, u_{h}^{(k+m-1)}\right\}
wh(k)∈span{uh(k),…,uh(k+m−1)}
使得
∥
u
(
k
)
−
w
h
(
k
)
∥
V
≤
C
sup
u
∈
E
∥
u
∥
=
1
inf
v
∈
V
h
∥
u
−
v
∥
V
\left\|u^{(k)}-w_{h}^{(k)}\right\|_{V} \leq C \sup _{u \in E \atop\|u\|=1} \inf _{v \in V_{h}}\|u-v\|_{V}
∥∥∥u(k)−wh(k)∥∥∥V≤C∥u∥=1u∈Esupv∈Vhinf∥u−v∥V
这里
E
E
E 表示
λ
(
k
)
\lambda^{(k)}
λ(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
Ω
⊂
R
n
\Omega \subset \mathbb{R}^{n}
Ω⊂Rn,和实值索伯洛夫空间
H
0
1
(
Ω
)
H_{0}^{1}(\Omega)
H01(Ω),我们想要寻找特征值
λ
∈
R
\lambda \in \mathbb{R}
λ∈R 以及特征函数
u
∈
H
0
1
(
Ω
)
u \in H_{0}^{1}(\Omega)
u∈H01(Ω),且
u
≠
0
u \neq 0
u=0,使得:
(
grad
u
,
grad
v
)
=
λ
(
u
,
v
)
∀
v
∈
H
0
1
(
Ω
)
(\operatorname{grad} u, \operatorname{grad} v)=\lambda(u, v) \quad \forall v \in H_{0}^{1}(\Omega)
(gradu,gradv)=λ(u,v)∀v∈H01(Ω)
我们找一个有限维空间
V
h
⊂
H
0
1
(
Ω
)
V_{h} \subset H_{0}^{1}(\Omega)
Vh⊂H01(Ω), 它对应的有限元逼近是,寻找
λ
h
∈
R
\lambda_{h} \in \mathbb{R}
λh∈R,
u
h
∈
V
h
u_{h} \in V_{h}
uh∈Vh,且
u
h
≠
0
u_{h} \neq 0
uh=0,使得
(
grad
u
h
,
grad
v
)
=
λ
h
(
u
h
,
v
)
∀
v
∈
V
h
\left(\operatorname{grad} u_{h}, \operatorname{grad} v\right)=\lambda_{h}\left(u_{h}, v\right) \quad \forall v \in V_{h}
(graduh,gradv)=λh(uh,v)∀v∈Vh
下面我们都用
a
(
⋅
,
⋅
)
a(\cdot, \cdot)
a(⋅,⋅) 来表示双线性形式
(
grad
⋅
,
grad
⋅
)
(\operatorname{grad} \cdot, \operatorname{grad} \cdot)
(grad⋅,grad⋅)。
这时候,我们取
V
=
H
0
1
(
Ω
)
V = H_{0}^{1}(\Omega)
V=H01(Ω) 以及
H
=
L
2
(
Ω
)
H = L^{2}(\Omega)
H=L2(Ω)。那么,我们可以分别定义两个解算子:
T
V
:
V
→
V
T_V: V \rightarrow V
TV:V→V 满足:
a
(
T
V
f
,
v
)
=
(
f
,
v
)
∀
v
∈
V
a(T_V f, v)=(f, v) \quad \forall v \in V
a(TVf,v)=(f,v)∀v∈V
T
H
:
H
→
H
T_H: H \rightarrow H
TH:H→H 满足,
T
H
f
∈
V
⊂
H
T_H f \in V \subset H
THf∈V⊂H 是个内射:
a
(
T
H
f
,
v
)
=
(
f
,
v
)
∀
v
∈
V
a(T_H f, v)=(f, v) \quad \forall v \in V
a(THf,v)=(f,v)∀v∈V
容易知道,
T
V
T_V
TV 和
T
H
T_H
TH 都是自共轭的:
a
(
T
V
x
,
y
)
=
(
x
,
y
)
=
(
y
,
x
)
=
a
(
T
V
y
,
x
)
=
a
(
x
,
T
V
y
)
∀
x
,
y
∈
V
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) \quad \forall x, y \in V
a(TVx,y)=(x,y)=(y,x)=a(TVy,x)=a(x,TVy)∀x,y∈V
(
T
H
x
,
y
)
=
(
y
,
T
H
x
)
=
a
(
T
H
y
,
T
H
x
)
=
a
(
T
H
x
,
T
H
y
)
=
(
x
,
T
H
y
)
∀
x
,
y
∈
H
\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) \quad \forall x, y \in H
(THx,y)=(y,THx)=a(THy,THx)=a(THx,THy)=(x,THy)∀x,y∈H
其实, T V T_V TV 和 T H T_H TH 对应的特征对也是一样的。
不妨假定
V
h
V_h
Vh 是一个
k
k
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∈Vhinf∥u−v∥L2(Ω)≤Chmin{k+1,r}∥u∥Hr(Ω)v∈Vhinf∥u−v∥H1(Ω)≤Chmin{k,r−1}∥u∥Hr(Ω)
T = T V T=T_V T=TV 时的分析
离散的解算子
T
h
:
V
→
V
T_{h}: V \rightarrow V
Th:V→V,它定义为:
a
(
T
h
f
,
v
)
=
(
f
,
v
)
∀
v
∈
V
h
a\left(T_{h} f, v\right)=(f, v) \quad \forall v \in V_{h}
a(Thf,v)=(f,v)∀v∈Vh
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
ε
>
0
\varepsilon > 0
ε>0,
∥
T
f
−
T
h
f
∥
H
0
1
(
Ω
)
≤
C
h
ε
∥
f
∥
H
0
1
(
Ω
)
\left\|T f-T_{h} f\right\|_{H_{0}^{1}(\Omega)} \leq C h^{\varepsilon}\|f\|_{H_{0}^{1}(\Omega)}
∥Tf−Thf∥H01(Ω)≤Chε∥f∥H01(Ω)
那么特征值的逼近性就得到了保障。
假定
E
E
E 是关于特征值
λ
\lambda
λ 的特征空间,它的正则性是
r
r
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
τ
\tau
τ 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
u
u 是关于
m
m
m 重特征值
λ
\lambda
λ 的其中一个单位特征向量,
w
h
(
1
)
,
…
,
w
h
(
m
)
w_{h}^{(1)}, \ldots, w_{h}^{(m)}
wh(1),…,wh(m) 表示 收敛到
λ
\lambda
λ 的
m
m
m 个离散特征值的特征向量。 那么,存在
u
h
∈
span
{
w
h
(
1
)
,
…
,
w
h
(
m
)
}
u_{h} \in \operatorname{span}\left\{w_{h}^{(1)}, \ldots, w_{h}^{(m)}\right\}
uh∈span{wh(1),…,wh(m)}
使得
∥
u
−
u
h
∥
V
≤
C
h
τ
∥
u
∥
H
1
+
τ
(
Ω
)
.
\left\|u-u_{h}\right\|_{V} \leq C h^{\tau}\|u\|_{H^{1+\tau}(\Omega)} .
∥u−uh∥V≤Chτ∥u∥H1+τ(Ω).
另外,关于特征值的估计,我们有如下描述。
定理: 令
λ
h
\lambda_{h}
λh 是一个收敛到
λ
\lambda
λ 的特征值。 如下最优双倍收敛率成立:
λ
≤
λ
h
≤
λ
+
C
h
2
τ
\lambda \leq \lambda_{h} \leq \lambda+C h^{2 \tau}
λ≤λh≤λ+Ch2τ
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,
∑
j
,
k
=
1
m
∣
(
(
T
−
T
h
)
ϕ
j
,
ϕ
k
)
V
∣
\sum_{j, k=1}^{m}\left|\left(\left(T-T_{h}\right) \phi_{j}, \phi_{k}\right)_{V}\right|
j,k=1∑m∣∣((T−Th)ϕj,ϕk)V∣∣
这里的
{
ϕ
1
,
…
,
ϕ
m
}
\left\{\phi_{1}, \ldots, \phi_{m}\right\}
{ϕ1,…,ϕm} 是特征空间
E
E
E 的一组基。我们有,
∣
(
(
T
−
T
h
)
u
,
v
)
V
∣
≤
C
∣
a
(
(
T
−
T
h
)
u
,
v
)
∣
=
C
inf
v
h
∈
V
h
∣
a
(
(
T
−
T
h
)
u
,
v
−
v
h
)
∣
≤
∥
(
T
−
T
h
)
u
∥
V
inf
v
h
∈
V
h
∥
v
−
v
h
∥
V
≤
C
h
τ
∥
u
∥
V
h
τ
∥
v
∥
H
1
+
τ
(
Ω
)
≤
C
h
2
τ
∥
u
∥
V
∥
v
∥
V
,
\begin{aligned} \left|\left(\left(T-T_{h}\right) u, v\right)_{V}\right| & \leq C\left|a\left(\left(T-T_{h}\right) u, v\right)\right|=C \inf _{v_{h} \in V_{h}}\left|a\left(\left(T-T_{h}\right) u, v-v_{h}\right)\right| \\ & \leq\left\|\left(T-T_{h}\right) u\right\|_{V} \inf _{v_{h} \in V_{h}}\left\|v-v_{h}\right\|_{V} \\ & \leq C h^{\tau}\|u\|_{V} h^{\tau}\|v\|_{H^{1+\tau}(\Omega)} \leq C h^{2 \tau}\|u\|_{V}\|v\|_{V}, \end{aligned}
∣((T−Th)u,v)V∣≤C∣a((T−Th)u,v)∣=Cvh∈Vhinf∣a((T−Th)u,v−vh)∣≤∥(T−Th)u∥Vvh∈Vhinf∥v−vh∥V≤Chτ∥u∥Vhτ∥v∥H1+τ(Ω)≤Ch2τ∥u∥V∥v∥V,
这个对于任意的
u
,
v
∈
E
u, v \in E
u,v∈E 都是成立的,因为
v
=
λ
T
v
v=\lambda T v
v=λTv,那么实际上,
∥
v
∥
H
1
+
τ
(
Ω
)
≤
C
∥
v
∥
V
\|v\|_{H^{1+\tau}(\Omega)} \leq C\|v\|_{V}
∥v∥H1+τ(Ω)≤C∥v∥V
T = T H T=T_H T=TH 时的分析
我们现在考虑
T
=
T
H
T=T_H
T=TH,它的离散算子
T
h
:
H
→
H
T_{h}: H \rightarrow H
Th:H→H 的定义为,
a
(
T
h
f
,
v
)
=
(
f
,
v
)
∀
v
∈
V
h
a\left(T_{h} f, v\right)=(f, v) \quad \forall v \in V_{h}
a(Thf,v)=(f,v)∀v∈Vh
同样地,存在一个
ϵ
>
0
\epsilon > 0
ϵ>0,我们有:
∥
T
f
−
T
h
f
∥
L
2
(
Ω
)
≤
C
h
1
+
ε
∥
f
∥
L
2
(
Ω
)
\left\|T f-T_{h} f\right\|_{L^{2}(\Omega)} \leq C h^{1+\varepsilon}\|f\|_{L^{2}(\Omega)}
∥Tf−Thf∥L2(Ω)≤Ch1+ε∥f∥L2(Ω)
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
u
u 是
m
m
m 重特征值
λ
\lambda
λ 对应的某一个单位特征函数,
w
h
(
1
)
,
…
,
w
h
(
m
)
w_{h}^{(1)}, \ldots, w_{h}^{(m)}
wh(1),…,wh(m) 表示
m
m
m 个收敛到
λ
\lambda
λ 的离散特征值对应的特征函数。
那么存在,
u
h
∈
span
{
w
h
(
1
)
,
…
,
w
h
(
m
)
}
u_{h} \in \operatorname{span}\left\{w_{h}^{(1)}, \ldots, w_{h}^{(m)}\right\}
uh∈span{wh(1),…,wh(m)}
使得
∥
u
−
u
h
∥
H
≤
C
h
1
+
τ
∥
u
∥
H
1
+
τ
(
Ω
)
.
\left\|u-u_{h}\right\|_{H} \leq C h^{1+\tau}\|u\|_{H^{1+\tau}(\Omega)} .
∥u−uh∥H≤Ch1+τ∥u∥H1+τ(Ω).
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
∑
j
,
k
=
1
m
∣
(
(
T
−
T
h
)
ϕ
j
,
ϕ
k
)
H
∣
\sum_{j, k=1}^{m}\left|\left(\left(T-T_{h}\right) \phi_{j}, \phi_{k}\right)_{H}\right|
j,k=1∑m∣∣((T−Th)ϕj,ϕk)H∣∣
同样,这里的
{
ϕ
1
,
…
,
ϕ
m
}
\left\{\phi_{1}, \ldots, \phi_{m}\right\}
{ϕ1,…,ϕm} 是特征空间
E
E
E 的基函数。那么,结论可由如下估计得到:
∣
(
(
T
−
T
h
)
u
,
v
)
∣
=
∣
(
v
,
(
T
−
T
h
)
u
)
∣
=
∣
a
(
T
v
,
(
T
−
T
h
)
u
)
∣
=
∣
a
(
(
T
−
T
h
)
u
,
T
v
)
∣
=
∣
a
(
(
T
−
T
h
)
u
,
T
v
−
T
h
v
)
∣
≤
∥
(
T
−
T
h
)
u
∥
V
∥
(
T
−
T
h
)
v
∥
V
≤
C
h
2
τ
,
\begin{aligned} \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(T v,\left(T-T_{h}\right) u\right)\right| \\ &=\left|a\left(\left(T-T_{h}\right) u, T v\right)\right|=\left|a\left(\left(T-T_{h}\right) u, T v-T_{h} v\right)\right| \\ & \leq\left\|\left(T-T_{h}\right) u\right\|_{V}\left\|\left(T-T_{h}\right) v\right\|_{V} \\ & \leq C h^{2 \tau}, \end{aligned}
∣((T−Th)u,v)∣=∣(v,(T−Th)u)∣=∣a(Tv,(T−Th)u)∣=∣a((T−Th)u,Tv)∣=∣a((T−Th)u,Tv−Thv)∣≤∥(T−Th)u∥V∥(T−Th)v∥V≤Ch2τ,
这里的
u
,
v
∈
E
u, v \in E
u,v∈E 都是单位特征向量。
上面得到的是在 H H H 中的估计。最后呢,要再一次得到在 V V V 中的估计,只要利用如下的等式即可:
a ( u − u h , u − u h ) = λ ( u − u h , u − u h ) − ( λ − λ h ) ( u h , u h ) 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) a(u−uh,u−uh)=λ(u−uh,u−uh)−(λ−λh)(uh,uh)