Banach 不动点定理

压缩映射把任意两点的距离至少按固定比例 $q$ 缩短，反复迭代就像不断把整个空间向内"收拢"：轨道上相邻两步的距离按几何级数 $q^n$ 衰减，位移总和有限，故轨道是 Cauchy 列公理库柯西序列Cauchy sequence任意精度下充分靠后的任意两项彼此接近的序列。。完备性是不可替代的另一半——压缩只保证轨道"想收敛"，完备性才保证极限点真的在空间里。唯一性则几乎免费：两个不动点之间的距离既要被压缩到原来的 $q$ 倍以下，又必须保持不变，只能为零。这个定理的价值不止于存在性：它同时交付一个可执行算法（从任意初值迭代）和显式误差界，是"证明本身就是算法"的典型样板。

一个能算到底的正例：在 $X=[1,2]$ 上取 $T(x)=\frac{1}{2}(x+\frac{2}{x})$，即求 $\sqrt{2}$ 的 Newton 迭代。$T$ 把 $[1,2]$ 映入 $[\sqrt{2},3/2]\subset [1,2]$，且 $|T^{\prime }(x)|=|1/2-1/x^2|\le 1/2$，故它是 $q=1/2$ 的压缩。从 $x_0=1$ 出发得 $3/2,17/12,577/408,\dots$，快速收敛到唯一不动点 $\sqrt{2}$，实际收敛速度甚至远超定理给出的几何界。

每条假设都不能省。完备性：$T(x)=x/2$ 在不完备空间 $(0,1]$ 上是 $q=1/2$ 的压缩，但唯一的候选不动点 $0$ 恰好不在空间里。压缩常数必须一致小于 $1$：在完备空间 $[1,\mathrm{\infty })$ 上取 $T(x)=x+1/x$，任意两点满足严格不等式 $d(Tx,Ty)<d(x,y)$，但 $T(x)>x$ 处处成立，没有不动点——"每一步都在缩短"不等于"按统一比例缩短"。非扩张的临界情形 $q=1$ 同样失效：平移 $T(x)=x+1$ 保持距离不变，也无不动点。

作为边界上的补充：若空间还是紧的，则条件可以放宽为对所有 $x\ne y$ 有 $d(Tx,Ty)<d(x,y)$，此时仍有唯一不动点且迭代收敛（Edelstein 定理）；上面 $[1,\mathrm{\infty })$ 的例子说明一般完备空间中这种放宽是行不通的。

最经典的应用是Picard–Lindelöf 定理公理库Picard–Lindelöf 存在唯一性定理Picard-Lindelof theorem · Cauchy-Lipschitz theorem连续且对状态变量局部一致 Lipschitz 的向量场给出常微分方程初值问题的唯一局部解。：把常微分方程公理库常微分方程Ordinary differential equation · ODE未知函数及其单一自变量导数组成的方程。初值问题改写成积分方程后，积分算子在足够小的时间区间上成为压缩；完整的 ODE 假设、函数空间选择与局部结论由该页统一陈述，本页只提供不动点机制。反函数定理公理库逆函数定理Inverse function theorem导数可逆的光滑映射在该点邻域内存在光滑局部逆。与隐函数定理的常见证明，同样把问题化归为某个辅助压缩映射的不动点。

与Kleene 不动点定理公理库Kleene 不动点定理Kleene fixed-point theorem · Kleene fixed point theorempointed DCPO 上 Scott 连续自映射的最小不动点由底元的有限迭代上确界给出。相比，本定理依赖完备度量与统一压缩，得到唯一性、从任意初值收敛和几何误差率；Kleene 定理依赖信息偏序、底元与 Scott 连续性，得到从底元有限近似构造的最小不动点，通常不保证唯一。两者都使用迭代，却不能交换假设或结论。

数值方面，本定理是不动点迭代公理库不动点迭代Fixed-point iteration · Picard iteration把方程改写为不动点问题后反复应用同一映射，并用压缩性控制收敛、误差与停机。收敛性分析的原型：误差界表明达到精度 $\epsilon$ 只需 $O(\log \left(1/\epsilon \right))$ 次迭代。在动态规划公理库动态规划Dynamic programming在有限或良基的状态依赖上复用已计算结果的算法设计范式。中，带折扣因子的 Bellman 算子是上确界范数下的压缩，值迭代的收敛性正是本定理的直接实例。