函数空间综合：从 C(K)、Lp 到算子方法

你手里有一个函数方程，应该先做什么？直接求导、展开级数，还是把它写成一个算子方程？这不是计算顺序的小事。未知量放在哪个空间，决定了“相等”是什么意思、边界值能不能被看见、哪些极限可以通过，以及最后能不能用内积把问题变成最小能量问题。

考虑区间 $[0,1]$ 上的三个对象：连续函数 $u$ 、平方可积函数 $u$ 、以及一个数列 $(u_n)$ 。它们都可以用“大小”来衡量，但衡量方式不同。对连续函数，尖峰会被看见；对 $L^2$ 函数，零测集上的改动完全不产生差别；对 $ell^p$ 数列，尾部衰减决定它是否属于空间。把这些差别混在一起，后面的算子估计和变分推导就会失去落脚点。

本章围绕一个稳定的问题来组织：怎样根据任务选择函数空间，再把方程写成适合这个空间的算子或弱形式。你会比较 $C(K)$ 、 $L^p$ 和 $ell^p$ 的收敛与对偶结构，处理 Volterra 积分算子，推导 Hilbert 空间中的投影与最小能量条件，并把一维 ODE 的边值问题接到椭圆型 PDE 的弱形式上。这里不展开完整的谱理论、Sobolev 正则性或非线性 PDE；我们要做的是把后续课程需要的路线图和判断方法搭起来。

连续函数、可积函数和可求和数列的观察方式

同一个函数，三种“看法”

设 $K$ 是紧 Hausdorff 空间。连续函数空间记作

C(K)=\{f:K\to\mathbb{R}\mid f\text{ 连续}\}, \qquad \|f\|_{\infty}=\sup_{x\in K}|f(x)|.

紧性保证连续函数在 $K$ 上取得最大值，所以这个上确界是有限的。 $C(K)$ 中的距离

d_{\infty}(f,g)=\|f-g\|_{\infty}

要求两个函数在每个点都接近：只要有一个点的差值很大，距离就不会小。这个空间是 Banach 空间。这里的完备性意味着，一列连续函数如果在上确界范数下成为 Cauchy 列，它的极限仍然是连续函数。

在测度空间 $(X,\mu)$ 上， $1\le p<\infty$ 时定义

\|f\|_p=\left(\int_X |f|^p\,\mathrm d\mu\right)^{1/p},

而 $p=\infty$ 时使用本质上确界

\|f\|_{\infty}=\operatorname*{ess\,sup}_{x\in X}|f(x)|.

这里的 $L^p(X)$ 不是原始函数的集合，而是把几乎处处相等的可测函数视为同一个元素之后得到的等价类空间。这个细节会影响方程的写法：在 $L^p$ 中说 $f=g$ ，只要求它们在一个零测集之外相等，不要求每个点都相等。

数列空间是计数测度下的对应版本：

\ell^p=\left\{a=(a_n)_{n\ge1}:\sum_{n=1}^{\infty}|a_n|^p<\infty\right\}, \qquad \|a\|_{\ell^p}=\left(\sum_{n=1}^{\infty}|a_n|^p\right)^{1/p}.

$ell^2$ 有内积

\langle a,b\rangle=\sum_{n=1}^{\infty}a_n\overline{b_n},

所以它是 Hilbert 空间。一般的 $L^p$ 和 $ell^p$ 仍然是 Banach 空间，但只有 $p=2$ 的情形由内积产生范数。这个分界会在最小二乘、正交投影和能量方法中反复出现。

范数比较需要条件

在有限测度空间上，如果 $1\le p<q\le\infty$ ，则 $L^q(X)\subset L^p(X)$ ，并且

\|f\|_p\le \mu(X)^{\frac1p-\frac1q}\|f\|_q.

有限测度是条件。为了看清它在哪里使用，先处理 $q<\infty$ 。令 $r=q/p$ ，则 $r'=q/(q-p)$ 满足 $1/r+1/r'=1$ 。对 $|f|^p\cdot 1$ 使用 Hölder 不等式：

\int_X |f|^p\,\mathrm d\mu \le \left(\int_X |f|^{pr}\,\mathrm d\mu\right)^{1/r} \left(\int_X 1^{r'}\,\mathrm d\mu\right)^{1/r'} =\|f\|_q^p\mu(X)^{1-p/q}.

两边取 $p$ 次方根就得到上面的估计。若 $\mu(X)=\infty$ ，常数项的积分可能发散，这条包含关系不能直接套用。比如在 $\mathbb R$ 上， $L^1$ 与 $L^2$ 没有这样的普遍包含关系。

当 $q=\infty$ 时，估计更直接： $|f|\le\|f\|_\infty$ 几乎处处，所以 $\|f\|_p^p\le\mu(X)\|f\|_\infty^p$ 。这也仍然用到了 $\mu(X)<\infty$ 。

对数列，方向看起来相反一些：若 $1\le p<q\le\infty$ ，则

\ell^p\subset\ell^q,\qquad \|a\|_{\ell^q}\le\|a\|_{\ell^p}.

证明只需要两步。先有 $|a_n|\le\|a\|_{\ell^p}$ ，于是

\sum_n|a_n|^q =\sum_n |a_n|^{q-p}|a_n|^p \le \|a\|_{\ell^p}^{q-p}\sum_n|a_n|^p =\|a\|_{\ell^p}^{q}.

这说明离散空间的“尾部”与有限区间函数的“整体大小”不能用同一句包含关系代替。

不要把 $\|f\|_\infty$ 和 $\|f\|_{L^\infty}$ 当作同一个语境。对连续函数在紧集上，它们确实给出同一个数；对一般可测函数， $L^\infty$ 只记录本质上界，单个点上的无限大或改动不会改变等价类。边界值问题需要点值时，必须额外说明代表元的正则性。

三个典型的临界指数

在 $(0,1)$ 上取 $f_\alpha(x)=x^{-\alpha}$ 。当 $\alpha>0$ 时，它在 $x=0$ 附近无界，因此不属于 $C([0,1])$ 。但它可能属于某个 $L^p(0,1)$ ：

\int_0^1 |f_\alpha(x)|^p\,\mathrm dx =\int_0^1 x^{-\alpha p}\,\mathrm dx.

当且仅当 $\alpha p<1$ 时，这个积分有限。临界情形 $\alpha p=1$ 给出 $\int_0^1 x^{-1}\,\mathrm dx=\infty$ ，不能把“接近临界”误写成“已经可积”。

数列 $a_n=n^{-\alpha}$ 则满足

a\in\ell^p\quad\Longleftrightarrow\quad \alpha p>1,

因为这正是 $p$ -级数收敛条件。连续性、积分可积性和级数可求和性，分别在不同层面控制对象；空间名称不是装饰，它在告诉你允许哪一种失控。

在有限测度空间上，若 $1\le p<q<\infty$，下列哪条关系必然成立？

幂函数与幂级数的临界指数对照

选择空间就是选择问题的语言

同一条公式可以在不同空间中表达不同问题。选择时我建议你把下面四件事逐一说出来：

你要控制的是每一点的误差、平均意义的误差，还是序列尾部的误差？
方程是否需要边界值、连续代表元或导数？
你要使用 Hölder 对偶，还是要使用内积、正交投影和最小二乘？
算子需要把哪个空间映到哪个空间，估计是否能在这两个范数之间闭合？

可以把常见选择压缩成一张工作表。它不是公式清单，而是建模时的检查顺序。

任务	适合先考虑的空间	需要保留的结构	容易遗漏的条件
控制每点误差、读取边界值	$C(K)$ 或更强的连续函数空间	上确界范数、点值、均匀收敛	非紧定义域上上确界可能无界
处理可积数据、弱收敛或积分方程	$L^p$	等价类、Hölder 对偶、积分控制	点值和零测集上的行为不可见
做最小二乘、投影和能量估计	$L^2$ 或抽象 Hilbert 空间	内积、正交、完备性	$L^p$ 的一般范数没有正交投影公式
表示无限个离散系数	$\ell^p$	尾部求和、坐标表示	连续变量上的积分结论不能直接搬来

在 $1<p<\infty$ 时， $L^p$ 的连续线性泛函通常由 $L^{p'}$ 中的函数表示，其中 $1/p+1/p'=1$ ，配对写成

\langle f,g\rangle=\int_X f(x)g(x)\,\mathrm d\mu(x).

这个符号在 $p\ne2$ 时更准确地叫“对偶配对”，不应自动叫内积。只有 $p=2$ 时，配对同时满足内积需要的对称性和平方结构，才能使用正交与投影语言。

若问题的原始数据是连续曲线，但误差来自总平方误差，常见做法是把数据放进 $L^2$ ；若要保证边界处的函数值或峰值不被忽略， $L^2$ 可能太弱，需要回到 $C(K)$ 或增加正则性。空间选择不是在“漂亮的空间”和“难看的空间”之间选一个，而是在保留问题需要的结构。

完整例题：用 Hilbert 结构做最佳近似

在 $L^2(0,1)$ 中，把 $g(x)=x^2$ 近似到子空间 $M=\operatorname{span}\{1,x\}$ 。求误差最小的线性函数 $p(x)=a+bx$ ，并说明为什么要用正交投影而不是逐点拟合。

目标是最小化 $\|g-(a+bx)\|_2^2$ 。允许的近似函数组成有限维子空间 $M$ ，而 $L^2$ 的范数来自内积 $\langle f,h\rangle=\int_0^1 f(x)h(x)\,\mathrm dx$ ，所以最佳近似满足误差 $e=g-p$ 与 $M$ 正交。

由于 $1$ 和 $x$ 张成 $M$ ，正交条件等价于 $\langle e,1\rangle=0$ 与 $\langle e,x\rangle=0$ 。代入 $e=x^2-a-bx$ ，得到

\int_0^1(x^2-a-bx)\,\mathrm dx=0, \qquad \int_0^1x(x^2-a-bx)\,\mathrm dx=0.

计算两个积分，得到正规方程

a+\frac b2=\frac13, \qquad \frac a2+\frac b3=\frac14.

这里的方程不是凭经验写出的；它正是对参数 $a,b$ 的一阶变分条件。

第一式乘以 $6$ 得 $6a+3b=2$ ，第二式乘以 $12$ 得 $6a+4b=3$ 。相减得到 $b=1$ ，再代回得到 $a=-1/6$ 。因此

P_Mg(x)=x-\frac16.

误差为 $e(x)=x^2-x+1/6$ 。直接展开并积分：

\|e\|_2^2 =\int_0^1\left(x^2-x+\frac16\right)^2\mathrm dx =\frac1{180}, \qquad \|e\|_2=\frac1{6\sqrt5}.

逐点拟合无法同时让所有 $x$ 上的误差为零，因为 $x^2$ 不在 $M$ 中；正交条件给出了整体平方误差下唯一的最佳折中。

如果把同一个问题改成最小化 $\|g-p\|_1$ ，上面的正交方程就失效了： $L^1$ 范数没有由内积诱导的平方结构，最优性条件会变成带有符号函数的次梯度条件。这个变式告诉你，方法不是只由函数公式决定的，也由空间的几何决定。

算子方程把“求函数”改写成“解映射关系”

设 $X,Y$ 是赋范空间。线性映射 $A:X\to Y$ 若存在常数 $C$ 使

\|Ax\|_Y\le C\|x\|_X\qquad(x\in X),

就称为有界线性算子。线性使得叠加可用，有界性使得极限可以通过算子：若 $x_n\to x$ ，则 $Ax_n\to Ax$ 。算子范数是所有可行常数中的最小者，等价地

\|A\|=\sup_{\|x\|_X\le1}\|Ax\|_Y.

面对 $Au=f$ ，至少要分开检查三件事：

存在性： $f$ 是否落在 $A$ 的值域 $\operatorname{Ran}(A)$ 中？
唯一性：若 $Au=0$ 只有 $u=0$ ，则 $\ker(A)=\{0\}$ ，解至多一个。
稳定性：若有 $\|Au\|_Y\ge c\|u\|_X$ ，则 $\|u\|_X\le c^{-1}\|Au\|_Y$ ，右端的小误差不会被无限放大。

这三件事分别对应方程能不能解、解是不是唯一、数据扰动会不会破坏解。只写出形式解，不能替代这三项检查。

Volterra 算子与初值问题

在 $C([0,1])$ 上定义

(Tf)(x)=\int_0^x f(t)\,\mathrm dt.

因为

|(Tf)(x)|\le\int_0^x\|f\|_\infty\,\mathrm dt\le\|f\|_\infty,

所以 $\|Tf\|_\infty\le\|f\|_\infty$ ，即 $T$ 是有界线性算子。它还把连续函数送到可微函数，但这不是“有界”的定义，必须把映射的两个空间和范数写清楚。

更有意思的是， $T$ 的高次幂有额外的阶乘衰减：

(T^nf)(x)=\int_0^x\frac{(x-t)^{n-1}}{(n-1)!}f(t)\,\mathrm dt, \qquad n\ge1.

对 $n=1$ 这是定义。若公式对 $n$ 成立，则

\begin{aligned} (T^{n+1}f)(x) &=\int_0^x(T^nf)(s)\,\mathrm ds\\ &=\int_0^x\int_0^s\frac{(s-t)^{n-1}}{(n-1)!}f(t)\,\mathrm dt\,\mathrm ds\\ &=\int_0^x\left(\int_t^x\frac{(s-t)^{n-1}}{(n-1)!}\,\mathrm ds\right)f(t)\,\mathrm dt\\ &=\int_0^x\frac{(x-t)^n}{n!}f(t)\,\mathrm dt. \end{aligned}

交换积分次序只是在三角形区域 $0\le t\le s\le x$ 上重新积分；连续性保证这里的积分没有额外的可积性困难。因此

\|T^n\|\le\frac1{n!}.

完整例题：用 Neumann 级数解积分方程

给定 $g\in C([0,1])$ 和任意实数 $\lambda$ ，求解

u-\lambda Tu=g, \quad\text{即}\quad u(x)-\lambda\int_0^x u(t)\,\mathrm dt=g(x).

要求说明级数为什么收敛、解为什么唯一，并处理 $g\equiv1$ 的变式。

方程可以写成 $(I-\lambda T)u=g$ 。如果只使用 $\|T\|\le1$ ，Neumann 级数通常需要 $|\lambda|<1$ 。但这里 $T^n$ 有阶乘衰减，所以对任意固定的 $\lambda$ ，级数

u=\sum_{k=0}^{\infty}\lambda^kT^kg

都有希望收敛。

在 $C([0,1])$ 中估计尾项：

\|\lambda^kT^kg\|_\infty \le\frac{|\lambda|^k}{k!}\|g\|_\infty.

右侧是指数级数的项，因而由 Weierstrass 判别法，函数级数一致收敛。它的和仍然是连续函数，可以逐项施加有界算子 $T$ 。

对部分和 $u_N=\sum_{k=0}^{N}\lambda^kT^kg$ ，有

(I-\lambda T)u_N=g-\lambda^{N+1}T^{N+1}g.

由于

\|\lambda^{N+1}T^{N+1}g\|_\infty \le\frac{|\lambda|^{N+1}}{(N+1)!}\|g\|_\infty\to0,

取极限便得到 $(I-\lambda T)u=g$ 。

把高次幂公式代入级数，分离出 $k=0$ 项：

u(x)=g(x)+\sum_{k=1}^{\infty}\lambda^k\int_0^x\frac{(x-t)^{k-1}}{(k-1)!}g(t)\,\mathrm dt.

一致收敛允许把求和放进积分，得到

u(x)=g(x)+\lambda\int_0^x e^{\lambda(x-t)}g(t)\,\mathrm dt.

检查唯一性。若 $u_1,u_2$ 都是解，令 $w=u_1-u_2$ ，则 $w=\lambda Tw$ 。重复应用得到 $w=\lambda^nT^nw$ ，所以

\|w\|_\infty\le\frac{|\lambda|^n}{n!}\|w\|_\infty.

令 $n\to\infty$ ，右端系数趋于 $0$ ，只能有 $\|w\|_\infty=0$ ，故 $w=0$ 。

若 $g\equiv1$ ，则

u(x)=1+\lambda\int_0^xe^{\lambda(x-t)}\,\mathrm dt=e^{\lambda x}.

这与直接把原方程求导得到的初值问题 $u'=\lambda u$ 、 $u(0)=1$ 一致。算子级数还告诉我们：即使 $g$ 只有连续性、没有可导性，积分方程依然可以在 $C([0,1])$ 中解决。

Volterra 结构让 $T^n$ 带上 $1/n!$ ，因此这里不需要把 $|\lambda|$ 限制在 $1$ 以内。若换成一般有界算子 $A$ ，通常只能在 $\|\lambda A\|<1$ 时直接使用 Neumann 级数；不能把 Volterra 的特殊阶乘估计当成所有算子都有的性质。

Volterra 迭代核的阶乘衰减

从正交投影到最小能量

Hilbert 空间中的正交投影是最小二乘的抽象版本。若 $H$ 是 Hilbert 空间， $M\subset H$ 是闭线性子空间，则对每个 $y\in H$ ，存在唯一的 $P_My\in M$ 使

\|y-P_My\|=\inf_{v\in M}\|y-v\|.

最佳逼近的误差满足

y-P_My\perp M.

证明这一点时，正交不是凭直觉出现的。设 $p=P_My$ ，任取 $v\in M$ ，考虑 $p+tv$ 。函数

\phi(t)=\|y-p-tv\|^2

在 $t=0$ 处达到最小值。展开平方并对 $t$ 求导：

\phi(t)=\|y-p\|^2-2t\operatorname{Re}\langle y-p,v\rangle+t^2\|v\|^2.

因此 $\phi'(0)=0$ ，得到 $\operatorname{Re}\langle y-p,v\rangle=0$ 。在实 Hilbert 空间中这就是 $\langle y-p,v\rangle=0$ ；复空间再对 $iv$ 使用一次即可得到虚部也为零。

更一般地，设 $V$ 是 Hilbert 空间， $a:V\times V\to\mathbb R$ 是对称双线性型， $\ell:V\to\mathbb R$ 是有界线性泛函。假设存在 $M,\alpha>0$ ，使

|a(u,v)|\le M\|u\|_V\|v\|_V, \qquad a(v,v)\ge\alpha\|v\|_V^2.

第一个条件叫有界性，第二个叫强制性或 coercivity。对能量

J(v)=\frac12a(v,v)-\ell(v),

驻点方程是

a(u,w)=\ell(w)\qquad\text{对所有 }w\in V.

为什么这个方程确实对应最小值？如果 $u$ 满足它，取任意 $v=u+w$ ，利用对称性展开：

\begin{aligned} J(u+w)-J(u) &=\frac12\bigl(a(u,u)+2a(u,w)+a(w,w)\bigr)-\ell(u)-\ell(w)\\ &=a(u,w)-\ell(w)+\frac12a(w,w)\\ &=\frac12a(w,w)\\ &\ge\frac\alpha2\|w\|_V^2\ge0. \end{aligned}

等号只能在 $w=0$ 时成立，所以解是唯一的全局最小点。反过来，若 $u$ 是最小点，任取 $w$ ，一元函数 $t\mapsto J(u+tw)$ 在 $0$ 处导数为零，便得到 $a(u,w)=\ell(w)$ 。

这段等价关系很有用：算子方程告诉你如何逐个测试方向，能量形式告诉你为什么解稳定、为什么解唯一。

Lax–Milgram 定理把上面的结构推广到不一定对称的双线性型：在 Hilbert 空间上，有界性与强制性保证对每个有界线性泛函 $\ell$ 存在唯一 $u$ ，使 $a(u,v)=\ell(v)$ 对所有 $v$ 成立。只有在 $a$ 对称时，才可以把这个方程同时说成某个二次能量的最小化问题。

一维 Dirichlet 问题：从强形式到弱形式

考虑

-u''=f\quad\text{在 }(0,1)\text{ 上}, \qquad u(0)=u(1)=0.

若要求 $u$ 二阶可导，这是强形式。为了允许 $f\in L^2(0,1)$ ，可以把未知量放到

V=H_0^1(0,1),

并把 $u'$ 当作 $L^2$ 中的弱导数。这里 $H_0^1$ 表示具有平方可积弱导数、且边界迹为零的函数；本章只使用它的 Hilbert 结构，不展开 Sobolev 嵌入和正则性理论。

取任意测试函数 $v\in V$ 。对足够光滑的 $u$ 分部积分：

\int_0^1(-u'')v\,\mathrm dx =\int_0^1u'v'\,\mathrm dx-[u'v]_0^1 =\int_0^1u'v'\,\mathrm dx,

因为 $v(0)=v(1)=0$ 。于是弱形式是：寻找 $u\in V$ ，使

a(u,v)=\ell(v)\qquad(v\in V),

其中

a(u,v)=\int_0^1u'v'\,\mathrm dx, \qquad \ell(v)=\int_0^1fv\,\mathrm dx.

现在逐项检查 Lax–Milgram 的条件。Cauchy–Schwarz 给出

|a(u,v)|\le\|u'\|_2\|v'\|_2.

在 $H_0^1(0,1)$ 上使用 Poincaré 不等式 $\|v\|_2\le\pi^{-1}\|v'\|_2$ ，可用 $\|v\|_V=\|v'\|_2$ 作等价范数。于是

|\ell(v)|\le\|f\|_2\|v\|_2 \le\frac1\pi\|f\|_2\|v'\|_2,

所以 $\ell$ 有界；并且

a(v,v)=\int_0^1|v'|^2\,\mathrm dx=\|v\|_V^2,

因此强制性常数可以取 $\alpha=1$ 。结论是：对每个 $f\in L^2(0,1)$ ，存在唯一弱解 $u\in H_0^1(0,1)$ 。

变分能量谷中的极小点

完整例题：最小能量与边界条件的变化

先取 $f\equiv1$ ，处理上面的 Dirichlet 问题；随后把边界条件改成 $u'(0)=u'(1)=0$ ，判断原来的论证哪里失效。

Dirichlet 情形的能量是

J(v)=\frac12\int_0^1|v'|^2\,\mathrm dx-\int_0^1v\,\mathrm dx, \qquad v\in H_0^1(0,1).

它的驻点条件为 $\int_0^1u'v'\,\mathrm dx=\int_0^1v\,\mathrm dx$ 对所有 $v\in H_0^1$ 成立。

直接寻找足够光滑的解时，强方程为 $-u''=1$ ，所以 $u''=-1$ 。积分两次得到

u(x)=-\frac{x^2}{2}+Cx+D.

使用 $u(0)=0$ 得 $D=0$ ，使用 $u(1)=0$ 得 $C=1/2$ ，所以

u(x)=\frac{x(1-x)}2.

检查弱方程而不是只检查强方程。此时 $u'(x)=\frac12-x$ ，对任意 $v\in H_0^1$ ，分部积分给出

\int_0^1u'v'\,\mathrm dx =-\int_0^1u''v\,\mathrm dx =\int_0^1v\,\mathrm dx.

因而这个函数确实是弱解；由唯一性，它就是能量的唯一最小点。

若改成 Neumann 条件 $u'(0)=u'(1)=0$ ，形式上仍有 $a(v,v)=\int|v'|^2$ ，但常数函数满足 $a(c,c)=0$ ，所以在整个 $H^1(0,1)$ 上不强制。更直接地，把强方程积分：

\int_0^1f(x)\,\mathrm dx =-\int_0^1u''(x)\,\mathrm dx =-u'(1)+u'(0)=0.

因此 $\int_0^1f=0$ 是可解的必要条件。

当兼容条件成立时，在零均值子空间

V_0=\left\{v\in H^1(0,1):\int_0^1v\,\mathrm dx=0\right\}

上使用 Poincaré 型不等式， $a$ 恢复强制性，便可得到唯一的零均值解。回到整个 $H^1$ 后，所有解相差一个常数；所以 Neumann 问题的“唯一性”必须附加归一化条件。

这就是空间选择对方程的实质影响： $H_0^1$ 把 Dirichlet 边界条件放进未知量的空间；Neumann 条件则自然出现在分部积分的边界项中。边界条件改变，值域、核和强制性都可能跟着改变。

在交互中，先猜一猜 $f(x)=1$ 时能量最小的曲线应该在哪些位置变平、在哪些位置向下弯。改变试探函数的系数后，观察能量是否上升；把边界条件从固定端点换成自由端点时，留意常数方向为什么变成零能量方向。你真正要观察的是“测试所有方向的驻点”如何变成“唯一的最低能量”，而不是只看一条曲线的动画。

Galerkin 近似：把无限维方程交给有限维线性代数

弱形式仍然是无限维的，因为测试函数 $v$ 有无穷多个。选取有限维子空间

V_n=\operatorname{span}\{\varphi_1,\ldots,\varphi_n\}\subset V,

寻找 $u_n=\sum_{j=1}^nc_j\varphi_j$ ，只要求

a(u_n,\varphi_i)=\ell(\varphi_i), \qquad i=1,\ldots,n.

代入展开式：

\sum_{j=1}^nc_j a(\varphi_j,\varphi_i)=\ell(\varphi_i).

令

A_{ij}=a(\varphi_j,\varphi_i), \qquad b_i=\ell(\varphi_i),

就得到矩阵方程 $Ac=b$ 。如果 $a$ 对称、强制，且基函数线性无关，则对任意非零 $c$ ，对应的 $v=\sum c_j\varphi_j$ 满足

c^\mathsf TA c=a(v,v)>0,

所以 $A$ 是对称正定矩阵。这里的正定性不是数值算法凭空加上的，它是无限维能量强制性的有限维影子。

若 $u$ 是精确弱解， $u_n$ 是 Galerkin 解，那么

a(u-u_n,v_n)=0\qquad(v_n\in V_n).

这称为 Galerkin 正交性。它说明 $u_n$ 是 $u$ 在 $V_n$ 中按 $a$ 所定义几何的最佳近似。增加 $V_n$ 通常会扩大可选的试探集合，但近似质量还依赖基函数、网格和误差范数，不能只看未知系数个数。

Galerkin 投影到正定矩阵

在第二个交互中，选择一组满足端点为零的基函数，逐步增大 $n$ ，观察矩阵 $A$ 、近似解 $u_n$ 和能量误差如何变化。操作前先预测： $V_n\subset V_{n+1}$ 时，最小能量会怎样变化？如果某个候选基函数不满足端点条件，矩阵方程仍可能写出来，但它已经不在当前的试探空间里；这正是“代数上能算”与“数学问题仍然相同”之间的区别。

练习：把选择与推导交给你

下面的题目按“识别结构—执行方法—改变条件—迁移到新模型”推进。题干都放在解答外面；每题的答案单独打开，做题时可以先遮住答案。

练习一：判断空间与临界指数

设 $\alpha>0$ 。对 $f_\alpha(x)=x^{-\alpha}$ （定义在 $(0,1)$ 上）和 $a_n=n^{-\alpha}$ ，分别判断它们属于哪些空间。说明 $\alpha=1/2$ 时， $f_\alpha$ 是否属于 $L^1$ 、 $L^2$ ，以及 $a_n$ 是否属于 $\ell^1$ 、 $\ell^2$ 。

对函数， $f_\alpha\in L^p(0,1)$ 当且仅当 $\alpha p<1$ ；对数列， $a\in\ell^p$ 当且仅当 $\alpha p>1$ 。当 $\alpha=1/2$ 时，函数属于 $L^1$ ，因为 $1/2<1$ ，但不属于 $L^2$ ，因为 $\alpha p=1$ 是发散的临界情形；它也不属于 $C([0,1])$ ，因为在 $0$ 附近无界。数列不属于 $\ell^1$ ，因为 $\alpha p=1$ 时调和级数发散；也不属于 $\ell^2$ ，因为平方后得到的级数仍是调和级数。两个结论都提醒我们，临界指数不能取等号。

练习二：换一个误差范数会发生什么

在 $L^2(0,1)$ 中，将 $g(x)=x^3$ 近似到 $\operatorname{span}\{1,x\}$ 。写出正规方程并求出最佳近似 $a+bx$ 。你不必计算误差范数，但要说明使用了哪两个正交条件。

令 $e=x^3-a-bx$ 。因为最佳近似的误差必须与 $1,x$ 都正交，得到

a+\frac b2=\frac14, \qquad \frac a2+\frac b3=\frac15.

第一式乘 $6$ 得 $6a+3b=3/2$ ，第二式乘 $30$ 得 $15a+10b=6$ 。由第一式得 $a=1/4-b/2$ ，代入第二式： $15/4-15b/2+10b=6$ ，所以 $5b/2=9/4$ ， $b=9/10$ ，再得 $a=1/4-9/20=-1/5$ 。最佳近似为 $p(x)=-1/5+(9/10)x$ 。若改用 $L^1$ 误差，这两条正规方程不再是最优性条件，因为 $L^1$ 没有同样的内积平方结构。

练习三：算子方程的稳定性检查

在 $C([0,1])$ 上考虑 $u-\lambda Tu=g$ 。证明其解对右端连续依赖，并给出一个只含 $\lambda$ 的上界，使 $\|u\|_\infty$ 被 $\|g\|_\infty$ 控制。提示：从 Neumann 级数估计每一项。

由已推导的级数， $u=\sum_{k=0}^\infty\lambda^kT^kg$ 。使用 $\|T^k\|\le1/k!$ ，得到

\|u\|_\infty \le\sum_{k=0}^\infty\frac{|\lambda|^k}{k!}\|g\|_\infty =e^{|\lambda|}\|g\|_\infty.

若右端从 $g$ 变成 $\widetilde g$ ，两解之差满足同一个算子方程，故

\|u-\widetilde u\|_\infty\le e^{|\lambda|}\|g-\widetilde g\|_\infty.

这就是稳定性估计：在固定 $\lambda$ 下，右端的小扰动在解空间中至多被 $e^{|\lambda|}$ 倍放大。

练习四：边界条件决定核与兼容条件

判断 Neumann 问题

-u''=f\text{ 在 }(0,1),\qquad u'(0)=u'(1)=0

在 $f(x)=x-1/2$ 和 $f(x)=1$ 两种情况下是否可解。若可解，说明解的唯一性还缺少什么条件。

必要兼容条件是 $\int_0^1f(x)\,\mathrm dx=0$ 。对 $f=x-1/2$ ，积分为 $1/2-1/2=0$ ，所以可解；对 $f=1$ ，积分为 $1$ ，所以不可解。可解时，若 $u$ 是解，则 $u+C$ 也满足同一个方程和 Neumann 边界条件，因为常数的一阶、二阶导数都为零。因此解只在加常数的意义下唯一。附加 $\int_0^1u=0$ 或指定一个点的函数值，就能选出唯一代表。$

练习五：变系数弱形式

设 $a\in L^\infty(0,1)$ 满足 $0<\alpha\le a(x)\le\beta$ ，考虑

-\bigl(a(x)u'(x)\bigr)'=f(x), \qquad u(0)=u(1)=0.

在 $H_0^1(0,1)$ 中写出弱形式，并说明有界性、强制性和右端泛函的估计分别是什么。不要直接假设 $u$ 足够光滑。

取 $v\in H_0^1(0,1)$ ，弱形式是寻找 $u\in H_0^1(0,1)$ 使

a(u,v)=\int_0^1a(x)u'(x)v'(x)\,\mathrm dx =\int_0^1f(x)v(x)\,\mathrm dx=\ell(v)

对所有 $v$ 成立。由 $|a(x)|\le\beta$ 和 Cauchy–Schwarz，

|a(u,v)|\le\beta\|u'\|_2\|v'\|_2.

由 $a(x)\ge\alpha$ ，

a(v,v)=\int_0^1a(x)|v'|^2\,\mathrm dx\ge\alpha\|v'\|_2^2.

若 $f\in L^2$ ，Poincaré 不等式给出

|\ell(v)|\le\|f\|_2\|v\|_2\le\pi^{-1}\|f\|_2\|v'\|_2.

三项分别验证了双线性型有界、强制，以及右端是有界线性泛函；因此存在唯一弱解。整个论证只需要弱导数和积分，不要求先知道 $u''$ 存在。

练习六：迁移题——为问题选语言

为下面三个任务各选一个起点，并写出选择理由：

你要保证一条闭区间上的曲线在每一点都不偏离给定阈值；
你要根据含噪观测做整体平方误差最小的有限维拟合；
你要解一个带零边界条件的二阶椭圆型方程，只知道右端属于 $L^2$ 。

可选语言包括 $C([0,1])$ 、 $L^2(0,1)$ 、一般 $L^p$ 、 $\ell^2$ 、 $H_0^1(0,1)$ ，以及相应的有界算子或弱形式。答案不只写空间名称，还要指出这个空间保留了什么结构。

第一个任务应从 $C([0,1])$ 或能控制上确界的连续函数空间开始，因为“每一点不超过阈值”是均匀范数条件， $L^2$ 不能排除单个尖峰。第二个任务适合 $L^2(0,1)$ ：平方误差来自内积，有限维拟合可用正交投影和正规方程。第三个任务应把未知量放在 $H_0^1(0,1)$ ，因为它同时保留平方可积弱导数和零边界迹；双线性型 $\int a u'v'$ 的强制性给出能量控制，右端 $f\in L^2$ 通过 Cauchy–Schwarz 与 Poincaré 产生有界泛函。 $\ell^2$ 适合离散系数或正交展开，但它本身没有直接表达区间边界值的结构。

下列哪些判断体现了正确的空间选择？

若一个算子满足 ||A u||≥c||u|| 且 c>0，就能立即推出对每个右端 f 都存在解 Au=f。

章节边界与后续路线

到这里，你应该能读懂一个函数空间和算子方法之间的来回翻译：

\text{任务中的误差与边界要求} \longrightarrow \text{选择 }C(K),L^p,\ell^p\text{ 或 Hilbert/Sobolev 空间} \longrightarrow \text{估计算子、核和值域} \longrightarrow \text{投影、能量或弱形式}.

本章没有把 $H^1$ 的嵌入定理、分布导数、椭圆正则性、无界算子谱理论、半群和非线性固定点方法展开。它们不是“忘记了的细节”，而是需要另外的先修和课时。当前边界清楚之后，后续可以沿几条路线继续：

往谱理论走：研究紧算子、自伴算子、谱分解和函数演算，把“无限维矩阵”的结构说得更精确；
往 PDE 走：补充 Sobolev 空间、迹、Poincaré 与 Korn 不等式、椭圆正则性，再学习有限元和 Galerkin 误差分析；
往算子方程走：学习紧性、Fredholm 理论、闭算子、半群和演化方程；
往泛函与变分走：学习凸性、弱下半连续性、直接法，以及非线性方程的单调性方法。

以后遇到新问题，可以重新问三句话：我需要哪一种收敛？边界和导数放在哪里？我要靠哪一种几何或估计证明存在、唯一和稳定？能把这三问写在纸上，很多看似不同的分析问题就会露出同一套骨架。

从空间选择到谱理论和 PDE 的路线