← 全部笔记

数学分析

渐近展开 (Asymptotic Expansions)

文章目录

来源与问题 原笔记未记录具体书页。本文关心固定截断阶下,余项相对所选尺度有多小;下面保留指数积分的例子,补足余项估计,并参考NIST DLMF核对Watson引理、鞍点法与Stokes现象的适用边界。

1. 核心概念与动机

在数学分析和物理学中,我们经常遇到无法用初等函数封闭形式表示的积分或微分方程解。虽然泰勒级数在某点附近提供了很好的局部近似,但在处理趋于无穷大 (x→∞x \to \infty) 或奇点附近的行为时,泰勒级数往往失效(收敛半径限制)或收敛极慢。

渐近展开提供了一种描述函数在极限点(通常是 ∞\infty 或 00)附近行为的工具。 渐近展开允许对应的无穷级数发散。能得到多大精度,要由具体余项界判断,不能只凭“渐近”二字保证高精度。


2. 严格定义

2.1 渐近序列 (Asymptotic Sequence)

设 RR 是复平面上的一个区域(或实轴上的区间),x0x_0 是极限点(可以是 ∞\infty)。 函数序列 {ϕn(x)}n=0∞\{\phi_n(x)\}_{n=0}^\infty 称为 x→x0x \to x_0 时的渐近序列,如果满足: ϕn+1(x)=o(ϕn(x)),as x→x0\phi_{n+1}(x) = o(\phi_n(x)), \quad \text{as } x \to x_0 这里约定各尺度在所考虑的去心邻域内非零,且极限沿指定区域取得,即 lim⁡x→x0ϕn+1(x)/ϕn(x)=0\lim_{x\to x_0}\phi_{n+1}(x)/\phi_n(x)=0。

最经典的渐近序列是幂函数序列(当 x→∞x \to \infty): {x−n}n=0∞={1,x−1,x−2,… }\{x^{-n}\}_{n=0}^\infty = \{1, x^{-1}, x^{-2}, \dots\}

2.2 Poincaré 渐近展开

函数 f(x)f(x) 关于渐近序列 {ϕn}\{\phi_n\} 的渐近展开记作: f(x)∼∑n=0∞anϕn(x),x→x0f(x) \sim \sum_{n=0}^{\infty} a_n \phi_n(x), \quad x \to x_0 其严格定义为:对于任意固定的 N≥0N \ge 0,余项 RN(x)R_N(x) 满足比最后一项更高阶的小量条件: f(x)−∑n=0Nanϕn(x)=o(ϕN(x)),x→x0f(x) - \sum_{n=0}^{N} a_n \phi_n(x) = o(\phi_N(x)), \quad x \to x_0 或者等价地: lim⁡x→x0f(x)−∑n=0Nanϕn(x)ϕN(x)=0\lim_{x \to x_0} \frac{f(x) - \sum_{n=0}^{N} a_n \phi_n(x)}{\phi_N(x)} = 0


3. 收敛性 (Convergence) vs 渐近性 (Asymptoticity)

这是理解渐近展开最核心的对立统一。

大多数实用的渐近级数(如斯特林公式、误差函数展开)都是发散的。 “发散”指部分和没有有限极限,不等于部分和必然趋于正无穷;例如下节的阶乘型交错展开,其项的绝对值最终增长。

最优截断 (Optimal Truncation): 由于级数发散,增加项数 NN 并不总是减小误差。通常存在一个最优的 N(x)N(x)(依赖于 xx),使得误差最小。通常在级数项开始变大之前截断(即最小项处)。这种最小项截断需要相应余项估计支撑,并不是任意渐近展开的统一定理;它是超渐近分析(superasymptotics)的一条出发点。


4. 构造方法

4.1 分部积分法 (Integration by Parts)

这是处理拉普拉斯型积分最直接的方法。 示例:指数积分 E1(x)=∫x∞e−ttdtE_1(x) = \int_x^\infty \frac{e^{-t}}{t} dt。 当 x→∞x \to \infty 时,反复使用分部积分: ∫x∞1te−tdt=[−1te−t]x∞−∫x∞1t2e−tdt=e−xx−([−1t2e−t]x∞−∫x∞2t3e−tdt)=e−x(1x−1!x2+2!x3−⋯+(−1)N−1(N−1)!xN)+RN\begin{aligned} \int_x^\infty \frac{1}{t} e^{-t} dt &= \left[ -\frac{1}{t} e^{-t} \right]_x^\infty - \int_x^\infty \frac{1}{t^2} e^{-t} dt \\ &= \frac{e^{-x}}{x} - \left( \left[ -\frac{1}{t^2} e^{-t} \right]_x^\infty - \int_x^\infty \frac{2}{t^3} e^{-t} dt \right) \\ &= e^{-x} \left( \frac{1}{x} - \frac{1!}{x^2} + \frac{2!}{x^3} - \dots + (-1)^{N-1} \frac{(N-1)!}{x^N} \right) + R_N \end{aligned} 对 x>0x>0,这里的余项有精确表示 RN(x)=(−1)NN!∫x∞e−tt−N−1dt,∣RN(x)∣≤N!e−xx−N−1.R_N(x)=(-1)^N N!\int_x^\infty e^{-t}t^{-N-1}dt,\qquad |R_N(x)|\le N!e^{-x}x^{-N-1}. 固定 NN 后,这比最后保留的尺度 e−xx−Ne^{-x}x^{-N} 小一阶,因而证明渐近性。于是得到渐近展开: E1(x)∼e−xx∑n=0∞(−1)nn!xnE_1(x) \sim \frac{e^{-x}}{x} \sum_{n=0}^\infty (-1)^n \frac{n!}{x^n} 注意:由于 n!n! 增长速度远快于 xnx^n,该级数对任意 xx 均发散(收敛半径为 0)。

4.2 Watson 引理 (Watson's Lemma)

适用于处理形如以下的拉普拉斯积分: I(x)=∫0∞e−xtq(t)dt,x→∞I(x) = \int_0^\infty e^{-xt} q(t) dt, \quad x \to \infty 一组充分条件:qq 在 (0,∞)(0,\infty) 局部可积,在无穷远满足 ∣q(t)∣≤Cect|q(t)|\le Ce^{ct},且当 t→0+t\to0^+ 有Poincaré展开 q(t)∼∑n≥0cntλnq(t)\sim\sum_{n\ge0}c_nt^{\lambda_n},其中 −1<λ0<λ1<⋯-1<\lambda_0<\lambda_1<\cdots。这些条件保证大 xx 时积分存在;只控制0附近,不能排除远处像 et2e^{t^2} 那样使积分发散。

结论: I(x)∼∑n=0∞cn∫0∞e−xttλndt=∑n=0∞cnΓ(λn+1)xλn+1I(x) \sim \sum_{n=0}^\infty c_n \int_0^\infty e^{-xt} t^{\lambda_n} dt = \sum_{n=0}^\infty c_n \frac{\Gamma(\lambda_n + 1)}{x^{\lambda_n + 1}} 此处的“逐项积分”是对每个有限截断及其余项作估计,不是交换一个未经证明收敛的无穷和。固定阶 NN,将积分分为 (0,δ)(0,\delta) 与 (δ,∞)(\delta,\infty):近端余项由 εtλN\varepsilon t^{\lambda_N} 控制,换元 u=xtu=xt 后至多 εΓ(λN+1)x−λN−1\varepsilon\Gamma(\lambda_N+1)x^{-\lambda_N-1};远端由增长条件和局部可积性得到指数小量。由此得到所述渐近展开。这与 NIST DLMF §2.3(ii) 的Watson引理框架一致。

4.3 最速下降法 (Method of Steepest Descent)

用于复平面上的积分近似,特别是被积函数快速震荡或衰减的情况。 I(λ)=∫Ch(z)eλf(z)dz,λ→∞I(\lambda) = \int_C h(z) e^{\lambda f(z)} dz, \quad \lambda \to \infty 核心思想:

  1. 将积分路径 CC 变形,使其经过 f(z)f(z) 的鞍点 (Saddle point, f′(z0)=0f'(z_0)=0)。
  2. 路径方向选择为使得 Re(λf(z))\text{Re}(\lambda f(z)) 下降最快的方向(最速下降路径),此时虚部恒定,消除了震荡。
  3. 积分主要贡献集中在鞍点附近,可以用高斯积分近似。

一阶公式及边界:先看一个明确的实积分情形。设 C=[a,b]C=[a,b] 按从左到右取向,f∈C2[a,b]f\in C^2[a,b] 为实值且唯一全局最大值在内点 z0z_0,f′(z0)=0,f′′(z0)<0f'(z_0)=0,f''(z_0)<0;hh 连续且 h(z0)≠0h(z_0)\ne0,λ→+∞\lambda\to+\infty。则Laplace法给出 I(λ)∼2π−λf′′(z0)h(z0)eλf(z0)I(\lambda) \sim \sqrt{\frac{2\pi}{-\lambda f''(z_0)}} h(z_0) e^{\lambda f(z_0)}


一般复路径还要验证可变形的解析区域、不得跨越的奇点、鞍点的非退化性,以及其他路径段的贡献;平方根分支和相位由路径方向决定。不能将上式无条件用于所有复鞍点,参见 NIST DLMF §2.4(iv)。Gamma函数的刻画、反射与渐近中Stirling首项的证明给出了“局部Gaussian极限加统一尾部控制”的具体实现。

5. 斯托克斯现象 (Stokes Phenomenon)

在复平面的不同扇区,描述同一函数时需要纳入的指数小贡献可能不同。经典扇区展开把这种变化表现为Stokes乘子的改变;这不是原函数本身发生不连续,也不是固定幂尺度的系数可以任意跳变。


6. 重要性质总结

  1. 非唯一性 (函数):不同的函数可以有相同的渐近展开。
    • 例如 f(x)=1+1/xf(x) = 1 + 1/x 和 g(x)=1+1/x+e−xg(x) = 1 + 1/x + e^{-x} 在 x→∞x \to \infty 时有完全相同的幂级数展开,因为 e−xe^{-x} 是“超越小量” (o(x−n)∀no(x^{-n}) \forall n)。
  2. 唯一性 (系数):给定一个函数 f(x)f(x) 和一个渐近序列 {ϕn}\{\phi_n\},如果展开存在,则系数 ana_n 是唯一的。 an=lim⁡x→x0f(x)−∑k=0n−1akϕk(x)ϕn(x)a_n = \lim_{x \to x_0} \frac{f(x) - \sum_{k=0}^{n-1} a_k \phi_k(x)}{\phi_n(x)}
  3. 逐项积分需要条件:必须控制积分区间上的余项,尤其是远端、奇点与积分常数;本篇Watson引理就是条件明确的一种情形。
  4. 不可逐项求导:一般情况下,渐近展开不能直接求导,除非对导数有额外的限制条件。

相关笔记