向量的范数是数学中用于衡量向量大小或长度的一个概念,它在不同的数学分支中都有广泛的应用,如线性代数、数值分析、优化理论等。范数不仅适用于向量,也适用于更广泛的数学对象,如矩阵、函数等,但在这里我们主要讨论向量的范数。
向量范数的定义
对于向量空间中的任意向量v,其范数通常表示为∣∣v∣∣,它是一个非负实数,满足以下三个性质:
- 非负性:∣∣v∣∣≥0,且∣∣v∣∣=0当且仅当v=0(零向量)。
- 齐次性(对于实数范数):对于任意实数k,有∣∣kv∣∣=∣k∣⋅∣∣v∣∣。注意,在某些上下文中(如复数或更一般的数域),齐次性的定义可能需要调整。
- 三角不等式:对于任意两个向量u和v,有∣∣u+v∣∣≤∣∣u∣∣+∣∣v∣∣。
常见的向量范数
-
L²范数(欧几里得范数):
这是最常见的向量范数,对应于向量在欧几里得空间中的长度或距离。对于n维向量v=(v1,v2,…,vn),其L²范数定义为:∣∣v∣∣2=v12+v22+⋯+vn2
-
L¹范数(曼哈顿范数或街区距离):
该范数对应于向量在网格上沿坐标轴方向移动所需的最小步数。对于向量v,其L¹范数定义为:∣∣v∣∣1=∣v1∣+∣v2∣+⋯+∣vn∣
-
L∞范数(无穷范数或最大范数):
该范数对应于向量中绝对值最大的元素。对于向量v,其L∞范数定义为:∣∣v∣∣∞=max{∣v1∣,∣v2∣,…,∣vn∣}
简单的例子
考虑二维空间中的向量v=(3,4)。
-
L²范数(欧几里得范数):
∣∣v∣∣2=32+42=9+16=25=5
这表示从原点到点(3,4)的欧几里得距离是5。
-
L¹范数(曼哈顿范数):
∣∣v∣∣1=∣3∣+∣4∣=3+4=7
这表示从原点到点(3,4)沿坐标轴方向移动所需的最小步数是7(例如,先向右走3步,再向上走4步)。
-
L∞范数(无穷范数):
∣∣v∣∣∞=max{∣3∣,∣4∣}=4
这表示向量v中绝对值最大的元素是4。