压缩映射原理

定义

压缩映射原理讨论的是把一个度量空间映到自身的映射。设 $(X,d)$ 为非空的完备度量空间，$T$ 是 $X$ 到自身的映射；若存在常数 $q\in[0,1)$，使得对 $X$ 中任意两点 $x,y$ 都成立 $d(Tx,Ty)\le q\,d(x,y)$，则称 $T$ 为压缩映射。定理的结论是：这样的 $T$ 在 $X$ 内有且只有一个不动点 $x^{*}$，即满足 $Tx^{*}=x^{*}$。^[1][4]

使上述不等式成立的最小的 $q$ 称为该映射的利普希茨(Lipschitz)常数，它既衡量距离被压缩的程度，也决定迭代逼近解的快慢。^[1]

这一原理可以看作皮卡逐次逼近法的抽象化表述：它不只回答解是否存在、是否唯一，还同时给出构造近似解的步骤和对误差的估计。^[4]

原理

从 $X$ 中任取一点 $x_0$，按 $x_{n+1}=T(x_n)$ 依次作点列。由压缩条件反复放缩，可得相邻两项的距离满足 $d(x_{n+1},x_n)\le q^{n}d(x_1,x_0)$；再用三角不等式把若干相邻差累加起来，就得到 $n>m$ 时的估计 $d(x_m,x_n)\le \frac{q^{m}}{1-q}\,d(x_1,x_0)$，该式右端当 $m$ 充分大时可任意小。^[5][6]

由此可知迭代序列是柯西列。空间的完备性保证它有极限 $x^{*}$；又因压缩映射连续，$T(x^{*})$ 等于 $x_{n+1}$ 的极限，也就是 $x^{*}$ 本身，故极限点是不动点。若另有一个不动点 $y^{*}$，则 $d(x^{*},y^{*})=d(Tx^{*},Ty^{*})\le q\,d(x^{*},y^{*})$，而 $q<1$，只能有 $d(x^{*},y^{*})=0$，两者重合，唯一性得证。^[5][6]

迭代的误差同样受压缩常数控制，有 $d(x_n,x^{*})\le \frac{q^{n}}{1-q}\,d(x_1,x_0)$，因此 $q$ 越接近 0 收敛越快。^[1]

迭代求不动点的过程可以概括如下：

flowchart LR

A[任取初始点 x0] --> B[计算 x(n+1) = T(x(n))]

B --> C{相邻两次迭代值的改变是否足够小}

C -- 否 --> B

C -- 是 --> D[以 x(n) 作为不动点的近似]

从任意初始点出发都收敛到同一个不动点，这一性质使该原理可以当作算法使用。^[5]

发展历程

这一结果的雏形出现在斯特凡·巴拿赫1920年6月提交的博士论文中，他在其中首次证明了相关的不动点定理。^[6][7]

1922年，巴拿赫把论文内容整理后发表，刊登于《数学基础》(Fundamenta Mathematicae) 第 3 卷，题目是《论抽象集合上的运算及其在积分方程上的应用》，全文自第 133 页至第 181 页，该结论在文中列为定理 6。^[2][6]

定理最初是在巴拿赫空间这样的完备赋范线性空间中给出的，后来被改写为完备度量空间中的一般形式，并因此获得巴拿赫不动点定理、压缩映射定理等名称；在部分文献中它还与卡奇奥波利的名字相连，合称巴拿赫-卡奇奥波利定理。^[4][5]

1959年，切斯瓦夫·贝萨加证明了该定理的一个逆定理：如果一个映射的每次迭代都恰有一个不动点，那么总可以在集合上定义一个完备度量，使它成为压缩映射。^[1]

此后，定理被推广到非扩张映射、概率度量空间、映射族和集值映射等方向。^[3] 由于压缩条件本身蕴含连续性，1968年坎南给出了不依赖连续性的不动点定理，1972年查特吉又提出 C-压缩条件；此外还有 Boyd-Wong 的 ψ-压缩以及 Caristi 不动点定理等重要推广。^[8][7]

应用

在数值代数中，求解线性方程组 $Ax=b$ 可以先改写为 $x=Ax+b$ 的形状，从而转化为一张自映射的不动点问题。只要迭代矩阵在某个范数下的范数小于 1，迭代法从任意初值出发都会收敛到唯一解，雅可比一类迭代算法的收敛分析正是建立在这一点之上。^[9]

在微分方程理论中，常微分方程初值问题可等价地写成积分方程，只要所取的时间区间足够短，相应的积分算子就满足压缩条件。由此可以证明皮卡-林德洛夫定理，即解的存在性与唯一性；隐函数定理和牛顿法的收敛性也可以用同一原理处理。^[10][9]

各类积分方程的解也常由这一原理给出。第二类弗雷德霍姆积分方程、沃尔泰拉积分方程在系数满足相应的小性条件时，解的存在唯一性都可归结为某个积分算子的不动点问题。^[10]

迭代函数系统是压缩映射原理的几何应用之一。它由若干压缩映射组成，把整个集合反复映到自身，极限就得到自相似的分形图案，这为分形的生成提供了统一的数学框架。^[11]

在动态规划与强化学习中，贝尔曼算子以折扣因子 $\gamma\in[0,1)$ 作为压缩常数，在最大范数下满足压缩条件。于是最优值函数存在且唯一，值迭代算法从任意初始值函数出发都能收敛到它。^[12][13]

一个常被提到的直观例子是：把某国的地图按比例缩小后印在该国领土之内，则地图上必有一点，其图上位置恰好对应它实际所在的地点。^[1]

局限

定理的前提包括空间完备、映射把所讨论的集合映入自身以及压缩常数严格小于 1，这些条件不能省去。实际使用中最费力的步骤往往不是验证压缩性，而是选取合适的空间，使映射确实把该空间中的点仍然送到空间内部。^[1]

若把条件放宽为任意两点的像都比原点对更接近，一般不足以断言不动点存在。例如在区间 $[1,\infty)$ 上取 $T(x)=x+1/x$，它满足上述较弱条件，却没有任何不动点；只有当空间还具有紧性时，较弱条件才足以保证不动点存在。^[1]

压缩条件本身迫使映射连续，所以该原理不能直接用于不连续的映射，这也限制了它的适用范围。坎南、查特吉等人后来提出的不动点定理，正是为了绕开连续性这一限制。^[8]

收敛速度受压缩常数制约，误差大体按 $q^{n}$ 的量级衰减，$q$ 越靠近 1 所需迭代次数越多。在动态规划问题中，当折扣因子接近 1 时，压缩变得微弱，达到给定精度所需的迭代步数会显著增加。^[14]

压缩性还与所选取的度量或范数绑定：在一种范数下是压缩映射，换成另一种范数未必仍是。动态规划中带函数逼近的拟合值迭代可写作 $V\leftarrow\Pi BV$，其中贝尔曼算子 $B$ 与投影算子 $\Pi$ 各自在对应范数下具有压缩性，但两者的复合不再保证压缩，因而该方法不必然收敛。^[13]

参见

• 不动点 —— 被映射作用后位置不变的点，即满足 $Tx=x$ 的点，是定理断言存在且唯一的对象。

• 度量空间 —— 定理成立的框架，其中距离函数与空间完备性是两个关键概念。

• 巴拿赫空间 —— 完备的赋范线性空间，定理最早即以这一背景下的形式提出。

• 皮卡-林德洛夫定理 —— 常微分方程初值问题解的存在唯一性定理，经典证明依赖压缩映射原理。

• 迭代函数系统 —— 由若干压缩映射构成的系统，是生成自相似分形的常用工具。

• 动态规划 —— 其贝尔曼算子在一定条件下是压缩映射，值迭代的收敛性由压缩映射原理保证。