勒让德变换从入门到实践：凸分析与对偶优化教程

一、教程目标

本教程旨在帮助读者系统掌握勒让德变换的数学定义、几何含义、存在条件与工程应用方法。完成学习后，你将能够：

1. 从凸函数出发构造其勒让德共轭函数；
2. 判断一个函数在何种条件下可以进行勒让德变换；
3. 利用支撑超平面与次梯度概念解释变换的几何本质；
4. 将多变量函数及其梯度信息转换为对偶变量表示；
5. 在优化问题与物理建模中使用勒让德变换实现问题化简。

本教程适合具有高等数学与线性代数基础的开发者、算法工程人员、控制理论研究者以及对凸分析感兴趣的读者。文章不依赖任何专有平台或工具，所有示例均可使用通用数学表达式或常见编程语言实现。

二、适用场景

勒让德变换在以下技术场景中具有重要应用价值：

• 凸优化问题对偶化：当原问题包含非线性项时，通过勒让德变换可将其对偶形式转化为更易求解的凸问题。
• 物理系统建模：在经典力学中，拉格朗日函数与哈密顿函数之间的转换正是勒让德变换的典型用例。
• 热力学与统计物理：内能、焓、自由能等热力学势之间的转换均可统一为勒让德变换。
• 图像处理与机器学习：某些正则项的对偶形式可以通过凸共轭函数推导，从而设计更高效的迭代算法。
• 控制与最优传输：在最优控制问题中，哈密顿量的构造依赖勒让德变换将速度变量转换为动量变量。

三、前置准备

在开始学习本教程之前，建议读者具备以下基础知识：

1. 单变量微积分：熟悉导数、极值、中值定理等基本概念。
2. 多变量微积分：了解梯度、偏导数、雅可比矩阵的含义。
3. 基础凸分析概念：掌握凸集、凸函数、上确界、下确界等定义。
4. 线性代数基础：能处理向量内积、矩阵转置与对称性判断。
5. 基础编程能力（可选）：若希望进行数值验证，可使用常见科学计算环境编写简单脚本。

无需任何特定云服务账号、专有软件或商业许可证即可完成本教程的全部内容学习与验证。

四、单变量勒让德变换的严格定义与构造步骤

4.1 什么是勒让德变换

勒让德变换是一种对凸函数进行变量替换的非线性变换。与傅里叶变换或拉普拉斯变换不同，它不是通过积分核将函数映射到频域或复频域，而是将函数的自变量替换为其导数所对应的对偶变量，从而构造一个与原函数信息等价的新函数。

设函数 (f(x)) 定义在实数区间 (I) 上，且 (f) 是凸函数。则其勒让德变换（也称为凸共轭函数）定义为：

[
f^*(p)=\sup_{x\in I}\left(px-f(x)\right)
]

这里 (p) 是对偶变量，其定义域为：

[
I^*={p\in\mathbb R\ |\ \sup_{x\in I}(px-f(x))<+\infty}
]

该定义的核心在于：对于给定的 (p)，我们在所有 (x) 中寻找使线性函数 (px) 与 (f(x)) 差值最大的点。这个差值实际上衡量了斜率为 (p) 的直线与函数 (f) 之间的最大垂直间距。

4.2 几何解释：支撑超平面与切触点

从几何角度看，勒让德变换将原函数的“点描述”转换为“切平面族描述”。对于凸函数 (f)，每一条斜率为 (p) 的直线 (y=px-c) 如果恰好从下方支撑函数图像，则其截距 (c) 满足：

[
c=px-f(x)
]

最大化该差值得到的 (f^(p)) 即为最小截距。因此，(f^(p)) 刻画的是一族支撑超平面（在一维情形下为支撑线）的截距参数。原函数 (f) 可以被其所有支撑超平面的包络完整恢复，这就是勒让德变换的对偶本质。

4.3 可分性条件与梯度条件

当 (f) 是可微且严格凸的函数时，上确界在唯一的点 (x_0) 处取到。该点满足一阶必要条件：

[
p=f’(x_0)
]

因此，勒让德变换可以等价地表示为：

[
f^*(p)=p x_0-f(x_0),\quad 其中\ x_0=(f’)^{-1}(p)
]

换句话说，构造勒让德变换的步骤如下：

1. 求解方程 (p=f’(x)) 得到 (x=x(p))；
2. 将 (x(p)) 代入 (px-f(x)) 中，得到 (f^*(p))。

对于非光滑凸函数，导数不存在时需要使用次梯度概念。点 (x_0) 达到上确界当且仅当：

[
p\in \partial f(x_0)
]

其中 (\partial f(x_0)) 是 (f) 在 (x_0) 处的次梯度集合。次梯度条件使得勒让德变换可以处理包含不可微点（如折点、尖点）的凸函数。

4.4 存在性条件

并非任意函数都能进行勒让德变换。要使变换有界且具有良好性质，通常要求：

1. 凸性：(f) 在其定义域上必须是凸函数。若 (f) 非凸，上确界可能趋于无穷大，导致变换失效；
2. 超线性增长：当 (|x|\to\infty) 时，(f(x)) 的增长速率必须高于任何线性函数的增长速率。否则，对于某些 (p)，(px-f(x)) 将无上界；
3. 闭性：在理论分析中，通常还要求 (f) 是闭的（下半连续），以保证共轭函数的对偶性成立。

五、典型例题与数值验证

5.1 二次函数的勒让德变换

考虑凸函数 (f(x)=\frac{1}{2}ax^2)，其中 (a>0)。其一阶导数为 (f’(x)=ax)。令 (p=ax)，解得 (x=p/a)。代入变换公式：

[
f^*(p)=p\cdot\frac{p}{a}-\frac{1}{2}a\left(\frac{p}{a}\right)^2
=\frac{p^2}{a}-\frac{p^2}{2a}
=\frac{p^2}{2a}
]

可以看到，二次函数的勒让德变换仍然是二次函数，只是系数取倒数。这一性质在力学中对应动能函数的对偶形式。

5.2 指数函数的勒让德变换

设 (f(x)=e^x)，该函数严格凸且超线性增长。其导数为 (f’(x)=e^x)。令 (p=e^x)，则 (x=\ln p)，且要求 (p>0)。代入：

[
f^*(p)=p\ln p-p
]

这就是指数函数在正半轴上的勒让德变换，常用于熵函数的对偶推导。

5.3 含不可微点的凸函数

设 (f(x)=|x|)，该函数在 (x=0) 处不可微。其次梯度为：

[
\partial f(x)=
\begin{cases}
{-1}, & x<0\\ [-1,1], & x=0\\ \{1\}, & x>0
\end{cases}
]

对于 (p\in[-1,1])，上确界在 (x=0) 处取到，此时 (f^(p)=0)。对于 (|p|>1)，上确界趋于无穷大，因此 (f^(p)=+\infty)。最终：

[
f^*(p)=
\begin{cases}
0, & |p|\le 1\
+\infty, & |p|>1
\end{cases}
]

该例展示了非光滑凸函数经过勒让德变换后可能得到一个指示函数的对偶形式。

六、多变量情形与梯度映射

6.1 定义与向量形式

设 (f:\mathbb R^n\to\mathbb R) 是凸函数。其勒让德变换定义为：

[
f^*(p)=\sup_{x\in\mathbb R^n}\left(\langle p,x\rangle-f(x)\right)
]

其中 (\langle p,x\rangle) 表示向量内积，(p\in\mathbb R^n) 是对偶变量。若 (f) 可微且严格凸，则梯度的逆映射给出了最优 (x)：

[
p=\nabla f(x)
]

变换结果为：

[
f^*(p)=\langle p,x(p)\rangle-f(x(p))
]

其中 (x(p)=(\nabla f)^{-1}(p))。

6.2 多变量二次型

设 (f(x)=\frac{1}{2}x^T A x)，其中 (A) 是对称正定矩阵。梯度为 (\nabla f(x)=Ax)。令 (p=Ax)，则 (x=A^{-1}p)。代入：

[
f^*(p)=\langle p,A^{-1}p\rangle-\frac{1}{2}(A^{-1}p)^T A(A^{-1}p)
=\frac{1}{2}p^T A^{-1}p
]

该结果与单变量情形一致：二次型的勒让德变换将系数矩阵求逆。

七、将勒让德变换用于优化问题

7.1 原问题的对偶化

考虑如下无约束优化问题：

[
\min_{x\in\mathbb R^n} f(x)+g(x)
]

其中 (f) 是凸函数，(g) 可能非光滑（如 (L_1) 正则项）。利用勒让德变换，可以将 (f(x)) 表示为：

[
f(x)=\sup_{p}\left(\langle p,x\rangle-f^*(p)\right)
]

将这一表示代入原问题，通过交换极小与极大的顺序（在凸性条件下允许），可得到对偶表达。这种对偶化方法在分布式优化与大规模稀疏模型中尤为有用。

7.2 从二阶到一阶的转换

在物理系统中，拉格朗日函数通常包含位置 (q) 和速度 (\dot q)。通过定义动量 (p=\frac{\partial L}{\partial \dot q})，哈密顿函数可表示为：

[
H(q,p)=p\dot q-L(q,\dot q)
]

此时，原来由二阶微分方程描述的位置演化被转换为一组一阶的哈密顿正则方程：

[
\dot q=\frac{\partial H}{\partial p},\quad \dot p=-\frac{\partial H}{\partial q}
]

这种降阶处理使得数值积分方法（如辛积分器）可以更稳定地应用于长时间演化模拟。

八、结果验证方法

为了确认你正确构造了某个函数的勒让德变换，可采用以下验证策略：

1. 代入检验：将 (f^(p)) 再次进行勒让德变换，在凸闭函数条件下应恢复原函数，即 (f^{*}=f)；
2. 梯度互逆检验：检查 (\nabla f) 与 (\nabla f^*) 是否满足互逆关系；
3. 数值采样对比：对于选定的若干 (p) 值，通过数值优化方法求解 (\sup_x(px-f(x)))，与解析表达式对比；
4. 支撑超平面验证：验证对于任意 (x) 与 (p)，不等式 (f(x)+f^*(p)\ge px) 恒成立，且等号在梯度对应点处取到。

九、常见问题与排查

问题一：上确界趋于无穷大

原因：函数在某些方向上增长不够快，或函数非凸。

排查方法：检查函数是否为凸函数；检查 (|x|\to\infty) 时函数是否超线性增长。若非凸，可先进行凸包络处理或限制定义域。

问题二：梯度映射不可逆

原因：函数并非严格凸，导致导数为常数的区间存在，无法唯一确定 (x(p))。

排查方法：检查是否存在平坦区域；若存在多个最优 (x)，应使用次梯度集合描述变换。

问题三：变换后定义域受限

原因：某些 (p) 值对应上确界无穷大，这些值不在共轭函数的定义域内。

排查方法：在推导过程中明确记录哪些 (p) 使 (px-f(x)) 有上界，并据此剪裁定义域。

十、优化建议

1. 先判断凸性再动手：在构造变换前，先验证函数凸性，避免在非凸情形下直接套用公式。
2. 利用几何直观验证结果：画出原函数与不同斜率直线的图像，观察最大截距的变化，辅助理解变换结果。
3. 结合数值实验：对于复杂函数，可先使用数值优化方法获得若干离散点的共轭值，再推导解析形式。
4. 注意定义域边界：在定义域端点处，上确界可能由端点取到，需特别处理。
5. 保持对偶对称性意识：勒让德变换是对称的，对 (f^*) 再次变换应得到原函数，这一性质可用于调试。

十一、总结

勒让德变换是凸分析中连接原函数及其对偶表示的核心工具。通过将自变量替换为梯度对应的对偶变量，不仅保留与原函数等价的信息，还为解决优化问题、转化微分方程、构造哈密顿系统提供了系统框架。

本教程从单变量严密定义出发，逐步扩展到多变量情形，涵盖了几何解释、存在性条件、典型例题、数值验证、对偶优化应用以及排查方法。掌握这些内容后，读者可进一步探索凸优化中的对偶理论、最优传输中的对偶势函数构造，以及机器学习正则化项的对偶推导等进阶主题。