跳到主要內容

[數學分析] Volterra integral 與 Contraction Principle

首先回憶 Contraction Principle。

Theorem: Contraction Principle
若 $(X,d)$ 為 complete metric space 且 $\Phi$ 為 contraction on $X$,則
$\Phi$ 有 唯一 不動點 $x^*$ (unique fixed point);亦即 存在 $x^* \in X$ 使得 $\Phi(x^*) = x^*$


考慮 $K$ 為在 $[a,b]\times[a,b]$上 連續函數
現在我們定義 Volterra Integral $\cal K$ 如下
若 $\phi \in C([a,b])$,$\cal K: C([a,b]) \to C([a,b])$ 且滿足
\[
\mathcal{K}f(x):= \phi(x) + \lambda \int_a^x K(x,y)f(y)dy
\]

利用 Contraction Principle 我們可以證明下面命題:

Proposition: 對任意 $\lambda>0$,Volterra Integral $\cal K$ 有 fixed point on $C([a,b])$ with sup metric。

Proof:
我們要證明 Volterra Integral $\cal K$ 有 fixed point on $C([a,b])$,由於 $C([a,b])$ with sup metric 為 complete metric space,故若我們可以證明  $\cal K$ 為 contraction 則由 Contraction Principle 可知必有唯一不動點。

回憶 一個函數 $\Phi$ 為 metric space $(X,d)$ 上的 contraction 定義為:$\Phi:X \to X$ 且 存在 $c$ 滿足 $0 \le c <1$ 使得 $d(\Phi(x),\Phi(y)) \le c \cdot d(x,y)$。

故我們觀察
\[\begin{array}{l}
d(K{f_1},K{f_2}) = \left\| {K{f_1} - K{f_2}} \right\|\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}&{}&{}
\end{array} = \mathop {\sup }\limits_x \left| {\lambda \int_a^x K (x,y)\left[ {{f_1}(y) - {f_2}\left( y \right)} \right]dy} \right|\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}&{}&{}
\end{array} \le \mathop {\sup }\limits_x \lambda \int_a^x {\left| {K(x,y)\left[ {{f_1}(y) - {f_2}\left( y \right)} \right]} \right|} dy
\end{array}\]由於 $K(x,y)$ 為 compact domain $ [a,b]\times [a,b]$上的連續函數故必有極值,我們可說 存在$M>0$使得對所有的 $x,y \in [a,b]\times [a,b]$$|K(x,y)| \le M$ ,故我們有
\[\begin{array}{l}
\left\| {K{f_1} - K{f_2}} \right\| \le \mathop {\sup }\limits_x \lambda \int_a^x {\left| {K(x,y)\left[ {{f_1}(y) - {f_2}\left( y \right)} \right]} \right|} dy\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} \le \lambda M\mathop {\sup }\limits_x \int_a^x {\left| {{f_1}(y) - {f_2}\left( y \right)} \right|} dy\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} \le \lambda M\left( {b - a} \right)\left\| {{f_1} - {f_2}} \right\|
\end{array}\]注意到上式儘管有 contraction 的樣子但並非為 contraction (why? 因為 前方係數 $c:=\lambda M (b-a)$ 不一定 小於 $1$)

那麼我們該怎麼做? 回憶我們可以對函數做 n-th iteration 在檢驗其是否為 contraction:首先做 2次 iteration 並
\[\begin{array}{l}
 \Rightarrow {K^2}f = \phi (x) + \lambda \int_a^x K (x,y)\left[ {\phi (y) + \lambda \int_a^y K (y,z)f(z)dz} \right]dy\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = \phi (x) + \lambda \int_a^x {K(x,y)\phi (y)} dy + {\lambda ^2}\int_a^x {K(x,y)\int_a^y K (y,z)f(z)dz} dy
\end{array}\]現在再度檢驗 contraction property
\[\begin{array}{l}
{K^2}{f_1} - {K^2}{f_2} = {\lambda ^2}\int_a^x {K(x,y)\int_a^y K (y,z)\left[ {{f_1}(z) - {f_2}(z)} \right]dz} dy\\
 \Rightarrow \left| {{K^2}{f_1} - {K^2}{f_2}} \right| \le {\lambda ^2}{M^2}\left\| {{f_1} - {f_2}} \right\|\int_a^b {\int_a^b {dzdy} } \\
 \Rightarrow \left\| {{K^2}{f_1} - {K^2}{f_2}} \right\| \le \frac{{{\lambda ^2}{M^2}{{\left( {b - a} \right)}^2}}}{2}\left\| {{f_1} - {f_2}} \right\|
\end{array}\]重複上述步驟 到 $n-th$ iteration 可得
\[\left\| {{K^n}{f_1} - {K^n}{f_2}} \right\| \le \frac{{{\lambda ^n}{M^n}{{\left( {b - a} \right)}^n}}}{{n!}}\left\| {{f_1} - {f_2}} \right\|\]故若取足夠大的 $N$ 使得 $n \ge N$ 我們可得到 contraction。

則由 contraction principle 可推知 Volterra integral 存在 unique fixed point。

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質