2.3 适定性：存在、唯一与稳定的三重契约

2.3 适定性：存在、唯一与稳定的三重契约

分类与性格都摸清之后，画像还差最关键的一格：这条方程配上手头的定解条件，算不算一个"良性的数学问题"。阿达马在二十世纪初给出的答案是三条契约——解存在、解唯一、解连续依赖于输入。三条全满足叫适定，缺任何一条，再高明的算法输出的都不是解而是垃圾。本节逐条过契约，并亲手复现阿达马那条著名的反例：一条拉普拉斯方程，把输入里的尘埃噪声放大到百万倍。

阿达马的三问

第一问：解存在吗？ 不是所有合理的方程都有解。经典反例来自非线性方程（u_x)² + u_yy = 0 之类在实数范围内无解的情形；线性方程里，条件给错（超定、边界矛盾）同样导致空集。存在性证明往往是最难的一环——第四章有限元之所以在数学上站得住，正因为它的收敛理论同时给出了离散解的存在性。

第二问：解唯一吗？ 唯一性缺失的典型是漏配条件：波动方程只给位移不给初速度，两条不同的时间轨迹都满足方程与已给条件。工程上更隐蔽的是"条件看似齐了实则退化"——泊松方程全部边界都给诺伊曼条件时，解与解加常数无法区分（温度整体抬高一度，梯度分布完全一样），必须补一个规范固定（比如指定某点温度或要求平均值为零）。第七章建模清单里"检查规范"一行就是这条教训的制度化。

第三问：解连续依赖于输入吗？ 这是三条里最容易被忽视、也最有数值后果的一条。输入（初始数据、边界数据、方程系数）永远是带误差的——测量误差、舍入误差、离散误差。稳定性要求输入的小扰动只引起解的小变化，即存在连续的依赖常数：解的变化不超过某个系数乘以输入的变化。常数巨大时问题在数学上"有唯一解"，在工程上不可用。

图解：三重契约与失效后果

适定性三重契约示意

阿达马反例：一半圆盘上的病态柯西问题

构造极简单：单位圆盘的上半部分，解拉普拉斯方程 Δu = 0，在直径边上给柯西数据——u(x, 0) = 0 且法向导数 u_y(x, 0) = (1/n)·sin(nπx)。注意边界数据的振幅随 n 增大反而变小（是 1/n），看起来越带 n 的输入越"温和"。解是

u(x, y) = (1/n²)·sin(nπx)·sinh(nπy)。

分母的 n² 压不过双曲正弦的指数增长：在 y = 0.1 这么浅的深度，n = 10 的分量振幅约为 sinh(π)/100 ≈ 0.115，而 n = 50 的分量达到 sinh(5π)/2500 量级——比 0.115 大无数个数量级。输入差异千分之一，输出差异天文数字：稳定性契约被撕碎。这个例子妙在它同时通过前两问（解存在、唯一，可写出公式验证），唯独第三问不及格——完美的存在唯一性丝毫不能阻止工程上的不可用。

为什么偏偏是柯西数据（在椭圆问题上同时给值与法向导数）闯祸？因为椭圆方程的"自然输入"是边值：给一圈完整的边界值（狄利克雷问题）是适定的；试图把"初值"的仪式强加给没有时间方向的方程，等于让它用一半边界的信息倒推另一半，信息量不足的部分由高频分量秘密补齐——指数放大正是补齐的代价。这解释了 2.2 节"椭圆拒收初值"的性格描述：不是拒收，是收了就爆炸。

数值实验：亲眼看噪声放大

不用推导也能验证。把反例中的高频分量逐项求和，观察解在深度 y 处对边界扰动的放大倍数。实验同时演示正则化的急救效果：对系数做截断（丢掉放大倍数超过阈值的分量），解立刻恢复平稳——这正是第五章反问题一节 Tikhonov 正则化的雏形。

import numpy as np

x = np.linspace(0, 1, 1001)
def hadamard_solution(y, ns, scale=1.0):
    """u(x,y) = sum scale/n^2 * sin(n*pi*x) * sinh(n*pi*y)"""
    u = np.zeros_like(x)
    for n in ns:
        u += (scale / n**2) * np.sin(n*np.pi*x) * np.sinh(n*np.pi*y)
    return u

for n in [5, 10, 30, 50]:
    amp = np.sinh(n*np.pi*0.1) / n**2      # y=0.1 处的振幅
    print(f"n = {n:3d}  y=0.1 处振幅 = {amp:.3e}")

# 正则化对照：只保留放大倍数低于 1e3 的模态
ns_all = range(1, 101)
keep = [n for n in ns_all if np.sinh(n*np.pi*0.1) / n**2 < 1e3]
u_raw = hadamard_solution(0.1, ns_all)
u_reg = hadamard_solution(0.1, keep)
print("未正则化最大绝对值:", np.abs(u_raw).max())
print("截断后   最大绝对值:", np.abs(u_reg).max())
​

输出里，n 从 5 到 50，振幅从十的零次方量级飙到十的十三次方量级；截断后最大值回落到正常量级。两行数字讲完适定性的全部教训：不稳定的数学问题不是"解不出来"，而是"任何求解过程都会把误差放大到淹没信号"；对付它只有两条路——重新提问（换定解条件），或正则化（牺牲一点精度换稳定）。

契约如何指导实践

三问各自对应工程现场的一个检查动作。存在性对应建模审查：定解条件是否恰好配齐方程的自由度（第一章建模之路数自由度的方法），边界值之间有无矛盾。唯一性对应规范检查：纯诺伊曼问题补规范、周期边值补均值约束，这类"补丁"在求解器里通常有开关，忘了打开的表现是迭代不收敛或解漂移。稳定性对应误差预算：判断一个数值流程可信与否，先估计问题的依赖常数——逆热传导、参数反演、图像盲去噪都属于天然不稳定问题，流程里必须显式安排正则化环节。第五章反问题与第七章验证确认，都建立在本节的分界线上：先问适不适定，再谈精度与效率。

⚠️ 常见坑：把"算法收敛了"当成"问题适定"的证据。不适定问题上，正则化算法当然也会收敛——收敛到的是正则化的近似解，不是原问题的解。两者之差恰好由被丢弃的高频分量决定，报告精度时必须说明这一点。

本节要点

• 三重契约：存在、唯一、连续依赖，阿达马给出判断"问题良性"的完整判据；
• 反例的构造：拉普拉斯方程柯西问题的解存在且唯一，但高频分量按 exp 放大，专毁第三问；
• 性格的呼应：椭圆方程拒收初值，因为柯西数据必然引发指数放大，这不是数值缺陷而是问题本性；
• 数值验证：十几行代码即可复现放大曲线，截断正则化立竿见影；
• 实践映射：三问分别对应建模审查、规范检查、误差预算三个现场动作。

契约里"解"字反复出现，但解一定光滑吗？棱角、跳跃甚至更怪异的对象能不能也叫"解"？最后一节把"解"的语义扩容，为弱解正名。