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 $\mathbf{x} = (x_1, x_2, \ldots, x_n) \in \mathbb{R}^n$，其无穷范数定义为：

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

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：

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 $L^p$ 范数的极限

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

当 $p \to \infty$ 时，可以通过极限分析证明：

直观解释：随着 $p$ 增大，最大的分量 $|x_k|^p$ 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 $p$ 次幂也会被指数放大效应碾压，最终在开 $p$ 次根后收敛到最大值。

形式证明：令 $M = \max_i |x_i|$，设 $x_k = M$，则：

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：$\|\mathbf{x}\|_\infty \geq 0$，且 $\|\mathbf{x}\|_\infty = 0 \iff \mathbf{x} = \mathbf{0}$
2. 齐次性：$\|\alpha \mathbf{x}\|_\infty = \max |\alpha x_i| = |\alpha| \max |x_i| = |\alpha| \cdot \|\mathbf{x}\|_\infty$
3. 三角不等式：$\|\mathbf{x} + \mathbf{y}\|_\infty = \max |x_i + y_i| \leq \max (|x_i| + |y_i|) \leq \max |x_i| + \max |y_i| = \|\mathbf{x}\|_\infty + \|\mathbf{y}\|_\infty$

单位球

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

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

对比之下：$L^1$ 单位球是菱形（二维）或八面体（三维），$L^2$ 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：$L^\infty$ 球包含 $L^2$ 球，$L^2$ 球包含 $L^1$ 球。

对偶范数

无穷范数的对偶范数是 $L^1$ 范数。由 Hölder 不等式：

且这个界是紧的（取 $\mathbf{y}$ 为 $\mathbf{x}$ 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 $\|\mathbf{y}\|_* = \sup_{\|\mathbf{x}\|_\infty \leq 1} \mathbf{x}^T \mathbf{y}$，恰等于 $\|\mathbf{y}\|_1$）。

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 $L^1$、$L^2$ 范数之间有以下不等式关系：

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 $O(n)$——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 $\|\mathbf{r}^{(k)}\|_\infty < \varepsilon$ 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 $A\mathbf{x} = \mathbf{b}$ 的无穷范数条件数为：

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 $p_n(x)$ 使得最大绝对偏差 $\|f - p_n\|_\infty$ 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 $L^1$ 和 $L^2$ 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 $L^\infty$ 球为约束（每个像素最多改变 $\varepsilon$），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

$H_\infty$ 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

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 $L^p$ 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（$O(n)$）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]]