常微分方程解的存在唯一性定理:两种证明方法对比及相关技术疑问
最近我一直在研究常微分方程(ODE)的存在唯一性定理。像很多优美的数学定理一样,它有好几种证明思路。今天我想聚焦其中两种初等证明,做个简单对比。
定理陈述(非自治向量场情形)
定理:设$E$为赋范空间($\mathbb{R}^n$即可满足需求),$U\subset E$是开集,$I\subset \mathbb{R}$是开区间。若向量场$X\colon U\times I\to E$连续,且在第二个变量上满足局部一致利普希茨条件,取$x_0\in U$,$t_0\in I$(注:原内容此处笔误,应为$t_0\in I$),则存在$x_0$的开邻域球$B\subset U$,$t_0$的开邻域区间$J = \left]t_0-\alpha,t_0+\alpha\right[\subset I$,以及唯一的积分曲线$x\colon J\to U$满足:
- $x(t_0) = x_0$;
- 对所有$t\in J$,$x(t)\in B$;
- $x$是$X$的积分曲线(即满足$\dot{x}(t)=X(x(t),t)$)。
两种证明的共同基础
两种证明都从一个共同的观察出发:存在以$x_0$为中心的开球$B(x_0,\epsilon)\subset U$,以及以$t_0$为中心的开区间$\left]t_0 - \delta,t_0 + \delta\right[\subset I$,使得在这个区域内$\lVert X(x,t) \rVert\leqq M$(其中$M>0$是常数),这个结论很容易证明。
另外,我们用$K_0$表示$X$在$(x_0,t_0)$附近的局部利普希茨常数。
证明一:构造迭代序列并证明收敛
我们选取$\alpha$满足$\alpha < \epsilon/M$且$\alpha < \delta$,然后递归定义序列$x_n\colon J = \left]t_0 - \alpha,t_0 + \alpha\right[\to U$($n\in \mathbb{N}$):
$$
x_0(t) = x_0\text{,}\qquad x_{n + 1}(t) = x_0 + \int_{t_0}^t X(x_n(\zeta),\zeta),\mathrm d\zeta\text{.}
$$
通过归纳法可以证明:对所有$n$,$x_n(t)\in B(x_0,\epsilon)$,并且满足估计式:
$$
\lVert x_n(t) - x_{n + 1}(t)\rVert\leqq \frac{MK^n}{(n + 1)!}\lvert t - t_0\rvert\text{,}
$$
由此可知序列${x_n}$是一致柯西序列,进而收敛到$X$的一条积分曲线。
证明二:利用巴拿赫不动点定理
第二种证明用到了著名的巴拿赫不动点定理(或其推论)。我们定义算子$T$:
$$
T\colon H\to K\text{,}\qquad (Tx)(t) = x_0 + \int_{t_0}^t X(x(\zeta),\zeta),\mathrm d\zeta
$$
其中:
- $K$是所有从$J$到$U$的有界连续函数构成的空间,装备上上确界范数$\lVert\phantom{x}\rVert_\infty$;
- $H$是$K$中以常函数$\bar{x}_0$(恒取$x_0$)为中心、半径$\epsilon$的开球。
一个常用结论是:若$\lVert Tx - \bar x_0\rVert_\infty < (1 - C)\epsilon$($C$是$T$的压缩常数),则$T$在$H$中存在唯一不动点,这个不动点就是我们要找的积分曲线。
关于两种证明的疑问
疑问一:对α的约束条件为何有差异?
第二种证明对$\alpha$的约束似乎更严格:为了让不动点论证成立,我们需要同时满足:
- $\alpha < \delta$;
- $\alpha < \epsilon/M$(保证$Tx$是有界连续映射,属于$K$);
- 额外的条件:比如Loomis&Sternberg的《Advanced Calculus》中提到$\alpha$需要小于$\epsilon/(M + C\epsilon)$。
但第一种证明只需要$\alpha < \delta$且$\alpha < \epsilon/M$就足够了,这让我有点困惑——是不是我哪里理解错了?
疑问二:计算实现层面的异同?
我对计算数学了解不多,但很好奇:如果要把这两种迭代证明思路在计算机上实现,哪种更合适?两种方法的核心差异是什么?或者说,它们在计算层面有哪些相似之处?
下学期我会修一门动力系统课程,希望能解决这些疑问,不过现在先把问题记录下来。
备注:内容来源于stack exchange,提问作者GeometriaDifferenziale




