KNOWECON WIKI

ARTICLE

无穷范数

无穷范数 无穷范数（infinity norm），又称最大范数（maximum norm）、切比雪夫范数（Chebyshev norm）或上确界范数（supremum norm），是向量和矩阵分析中最基本的范数之一。其核心思想极为朴素：一个向量的"大小"由其各分量绝对值的最大值决定。 定义 向量无穷范数 对于 n 维实向量 x = (x_1, x_2, ,

浏览 0 更新 2025-12-03

无穷范数

无穷范数（infinity norm），又称最大范数（maximum norm）、切比雪夫范数（Chebyshev norm）或上确界范数（supremum norm），是向量和矩阵分析中最基本的范数之一。其核心思想极为朴素：一个向量的"大小"由其各分量绝对值的最大值决定。

定义

向量无穷范数

对于 n n 维实向量 x=(x1,x2,…,xn)∈Rn \mathbf{x} = (x_1, x_2, \ldots, x_n) \in \mathbb{R}^n ，其无穷范数定义为：

∥x∥∞=max⁡1≤i≤n∣xi∣\|\mathbf{x}\|_\infty = \max_{1 \leq i \leq n} |x_i|

对于复向量，取复数的模 ∣xi∣ |x_i| 后取最大值。在函数空间中，无穷范数自然推广为：

∥f∥∞=sup⁡x∈D∣f(x)∣\|f\|_\infty = \sup_{x \in D} |f(x)|

这便是 L^∞ 范数的标准形式。

矩阵无穷范数

矩阵的无穷范数（induced infinity norm）由向量无穷范数诱导而来：

∥A∥∞=max⁡∥x∥∞=1∥Ax∥∞=max⁡1≤i≤m∑j=1n∣aij∣\|A\|_\infty = \max_{\|\mathbf{x}\|_\infty = 1} \|A\mathbf{x}\|_\infty = \max_{1 \leq i \leq m} \sum_{j=1}^{n} |a_{ij}|

即最大绝对行和——计算每行元素绝对值之和，取最大者。这一简洁性使得矩阵无穷范数在数值线性代数中极为实用。

作为 Lp L^p 范数的极限

无穷范数的命名源于它是 p p -范数在 p→∞ p \to \infty 时的极限。对于向量 x \mathbf{x} ，Lp L^p 范数为：

∥x∥p=(∑i=1n∣xi∣p)1/p,p≥1\|\mathbf{x}\|_p = \left( \sum_{i=1}^{n} |x_i|^p \right)^{1/p}, \quad p \geq 1

当 p→∞ p \to \infty 时，可以通过极限分析证明：

lim⁡p→∞∥x∥p=max⁡i∣xi∣=∥x∥∞\lim_{p \to \infty} \|\mathbf{x}\|_p = \max_i |x_i| = \|\mathbf{x}\|_\infty

直观解释：随着 p p 增大，最大的分量 ∣xk∣p |x_k|^p 在求和项中迅速占据绝对主导地位。其他分量即使只稍小一点，其 p p 次幂也会被指数放大效应碾压，最终在开 p p 次根后收敛到最大值。

形式证明：令 M=max⁡i∣xi∣ M = \max_i |x_i| ，设 xk=M x_k = M ，则：

M=(Mp)1/p≤(∑∣xi∣p)1/p≤(nMp)1/p=n1/pM→M(p→∞)M = (M^p)^{1/p} \leq \left(\sum |x_i|^p\right)^{1/p} \leq (n M^p)^{1/p} = n^{1/p} M \to M \quad (p \to \infty)

夹逼定理即得结论。

范数公理的验证

无穷范数满足范数的全部三条公理：

  1. 正定性：∥x∥∞≥0 \|\mathbf{x}\|_\infty \geq 0 ，且 ∥x∥∞=0  ⟺  x=0 \|\mathbf{x}\|_\infty = 0 \iff \mathbf{x} = \mathbf{0}
  2. 齐次性：∥αx∥∞=max⁡∣αxi∣=∣α∣max⁡∣xi∣=∣α∣⋅∥x∥∞ \|\alpha \mathbf{x}\|_\infty = \max |\alpha x_i| = |\alpha| \max |x_i| = |\alpha| \cdot \|\mathbf{x}\|_\infty
  3. 三角不等式：∥x+y∥∞=max⁡∣xi+yi∣≤max⁡(∣xi∣+∣yi∣)≤max⁡∣xi∣+max⁡∣yi∣=∥x∥∞+∥y∥∞ \|\mathbf{x} + \mathbf{y}\|_\infty = \max |x_i + y_i| \leq \max (|x_i| + |y_i|) \leq \max |x_i| + \max |y_i| = \|\mathbf{x}\|_\infty + \|\mathbf{y}\|_\infty

单位球

无穷范数的单位球（所有满足 ∥x∥∞=1 \|\mathbf{x}\|_\infty = 1 的点集）在 Rn \mathbb{R}^n 中是一个超立方体（hypercube）的表面。具体而言：

  • 在 R2 \mathbb{R}^2 中，单位球是边长为 2、中心在原点的正方形边界
  • 在 R3 \mathbb{R}^3 中，单位球是边长为 2 的立方体表面
  • 一般地，在 Rn \mathbb{R}^n 中，是超立方体 [−1,1]n [-1,1]^n 的边界

对比之下：L1 L^1 单位球是菱形（二维）或八面体（三维），L2 L^2 单位球是标准的圆/球面。三种范数的单位球从内到外依次为：L∞ L^\infty 球包含 L2 L^2 球，L2 L^2 球包含 L1 L^1 球。

对偶范数

无穷范数的对偶范数是 L1 L^1 范数。由 Hölder 不等式：

∣xTy∣≤∥x∥∞⋅∥y∥1|\mathbf{x}^T \mathbf{y}| \leq \|\mathbf{x}\|_\infty \cdot \|\mathbf{y}\|_1

且这个界是紧的（取 y \mathbf{y} 为 x \mathbf{x} 的最大分量对应的标准基向量可达到等号。严格地说，对偶范数定义为 ∥y∥∗=sup⁡∥x∥∞≤1xTy \|\mathbf{y}\|_* = \sup_{\|\mathbf{x}\|_\infty \leq 1} \mathbf{x}^T \mathbf{y} ，恰等于 ∥y∥1 \|\mathbf{y}\|_1 ）。

等价性与其他范数的关系

在有限维空间中，所有范数等价。无穷范数与 L1 L^1 、L2 L^2 范数之间有以下不等式关系：

∥x∥∞≤∥x∥2≤n∥x∥∞\|\mathbf{x}\|_\infty \leq \|\mathbf{x}\|_2 \leq \sqrt{n} \|\mathbf{x}\|_\infty
∥x∥∞≤∥x∥1≤n∥x∥∞\|\mathbf{x}\|_\infty \leq \|\mathbf{x}\|_1 \leq n \|\mathbf{x}\|_\infty
1n∥x∥1≤∥x∥2≤∥x∥1\frac{1}{\sqrt{n}} \|\mathbf{x}\|_1 \leq \|\mathbf{x}\|_2 \leq \|\mathbf{x}\|_1

这些不等式在数值分析中用于误差估计和收敛性分析。

计算方法

无穷范数的计算复杂度为 O(n) O(n) ——只需一次遍历找到绝对值最大的分量。这使得它在计算上极为高效，尤其适合：

  • 残差评估：在迭代算法中快速检查 ∥r(k)∥∞<ε \|\mathbf{r}^{(k)}\|_\infty < \varepsilon 作为终止条件
  • 最坏情况分析：关注最大偏差，而非平均偏差
  • 鲁棒性验证：控制系统设计中检查最大误差是否在容许范围内

应用场景

数值线性代数

矩阵无穷范数（最大行和）因其计算简单而广泛用于条件数估计和向后误差分析。线性方程组 Ax=b A\mathbf{x} = \mathbf{b} 的无穷范数条件数为：

κ∞(A)=∥A∥∞⋅∥A−1∥∞\kappa_\infty(A) = \|A\|_\infty \cdot \|A^{-1}\|_\infty

逼近论

在切比雪夫逼近理论中，无穷范数是自然的选择：寻找多项式 pn(x) p_n(x) 使得最大绝对偏差 ∥f−pn∥∞ \|f - p_n\|_\infty 最小化。这正是切比雪夫多项式成为最优一致逼近多项式的原因，也是"切比雪夫范数"这一别名的由来。

机器学习和优化

  • L∞ 正则化：虽不如 L1 L^1 和 L2 L^2 常见，但有时用于对最大参数幅值施加硬约束
  • 对抗样本：攻击者常以 L∞ L^\infty 球为约束（每个像素最多改变 ε \varepsilon ），因为这模拟了人眼不可察觉的扰动上界
  • 鲁棒优化：worst-case optimization 的本质即是用无穷范数衡量不确定性

控制理论

H∞ H_\infty 控制理论以无穷范数度量系统的最大增益（从扰动到输出的最坏放大比），是鲁棒控制的基石。

与 L¹、L² 的对比

| 特性 | ∥⋅∥1 \|\cdot\|_1 | ∥⋅∥2 \|\cdot\|_2 | ∥⋅∥∞ \|\cdot\|_\infty | |---|---|---|---|---| | 计算 | 求和 | 平方和开根 | 取最大值 | | 单位球 | 菱形/八面体 | 圆/球面 | 正方形/立方体 | | 可微性 | 在轴上不可微 | 除原点外可微 | 在等值面上不可微 | | 对偶范数 | ∞ \infty -范数 | 自身 | 1-范数 | | 敏感度 | 平均敏感 | 能量敏感 | 极值敏感 |

总结

无穷范数以其简洁的定义——"取绝对值最大者"——贯穿数学的各个分支。从 Lp L^p 空间的极限性质，到切比雪夫逼近的最优性，再到现代机器学习中的对抗鲁棒性，无穷范数始终扮演着不可替代的角色。它的计算效率（O(n) O(n) ）和最坏情况语义，使其成为工程师和数学家工具箱中的基础利器。

参见

  • [[Lp空间]]
  • [[范数]]
  • [[切比雪夫多项式]]
  • [[矩阵范数]]
  • [[条件数]]
  • [[H∞控制]]
  • [[函数空间]]