随机逼近两类信息的第n个最小误差之间的关系.pdf

摘 要 摘要 多变量函数的逼近问题是信息复杂性理论（Information Based Complexity ）中 最主要的问题之一，被许多数学家广泛的研究。 主要原因是许多多变量连续问题 本质上都与多变量逼近密切相关，例如，多变量积分、偏微分方程和积分方程的 解以及一些非线性问题等等。 第 n 个最小误差（the nth minimal error ）是信息复杂性理论所研究的主要问 题之一，它与对应问题的信息与计算的复杂性密切相关，是在最多用 n 个信息运 算的所有算法中最好的可能误差，也是ε−复杂性（ε−complexity ）的研究基础。 有了 ε−复杂性 ，我们可以进一步研究 1994 年由美国纽约哥伦比亚大学 Woźniakowski 教授提出的多变量逼近或积分问题的易处理性（tractability ）问题， 所以对于第 n 个最小误差的研究是很有必要的。 对于第 n 个最小误差在信息复杂性理论中给出了很详细的介绍，其中包括在 确定框架（the worst case setting/deterministic setting ）下、平均框架（the average setting ）下和随机框架(the randomized /stochastic setting)下对于信息类Λ的误差以 及在此基础上定义的第 n 个最小误差。第 n 个最小误差的相关理论，以及一些理 论的证明，为我们进一步研究ε−复杂性和易处理性问题提供了方法和依据。 其 中值得一提的是构造“水泵”函数（bump function ）来求第 n 个最小误差和 ε−复杂性 的下界，是解决各种框架下和各种空间中的类似问题的重要方法。 在本文中考虑两类信息，一类是由连续线性泛函组成的，称为线性信息，记 作 all Λ ，这类信息相对来讲容易分析，但是计算十分复杂；另一类是由函数值组 std 成的，称为标准信息，记作Λ ，标准信息分析起来困难些，但是在许多情况下， 只有标准信息在实际计算中才可以实现。 本文中考虑了再生核希尔伯特空间中的多变量逼近问题，研究了在随机框架 下线性信息和标准信息的第 n 个最小误差之间的关系。 我们所考虑的函数是 d 维的，其中 d 可以任意大。 函数本身与其逼近之间通过加权的L2 −范数给出。 I 随机逼近两类信息的第 n 个最小误差之间的关系 本文的中心部分首先考虑逼近算子S : H →G ，给出了在确定框架、随机框架 下对于标准信息的第 n 个最小误差之间的关系，这个关系使我们推出随机框架下 对于标准信息和线性信息的第 n 个最小误差之间的关系。 接着考虑算子 S : H →H ，并得到了类似的结论。 ρ ρ 信息收敛阶或称收敛的速度是逼近理论的一个重要部分。收敛的阶显示了由 n 个线性泛函或 n 个函数值组成的算法的第 n 个最小误差收敛于 0 的速度。当然 阶越大，问题越简单，所以对第 n 个最小误差的阶的研究是很有意义的。 论文共分为三章。 第一章 预备知识，阐述了信息复杂性理论的一些基本内容，包括确定框架、 平均框架和随机框架的误差以及第 n 个最小误差的定义、其上下界，以及以上三 个框架下第 n 个最小误差之间的关系；介绍了与第 n 个最小误差密切相关的 ε−复杂性 的相关理论。 第二章 回顾了再生核希尔伯特空间的一些基本符号和理论；给出了希尔伯 特空间中确定框架和平均框架下基于线性信息和标准信息的第 n 个最小误差之间 的关系；重点论证了随机框架下多变量逼近在两类逼近算子S , S 下，对于以上两 ρ 类信息的第 n 个最小误差之间