优化控制序
概述
优化控制序（Majorization）是一种刻画向量"分散程度"的偏序关系：向量 $x$ 被 $y$ 控制（$x \prec y$），直觉上意味着 $x$ 比 $y$ 更"均匀分散"。精确定义：$x \prec y \iff$ 对所有 $k$，$\sum_{i=1}^k x_{[i]} \leq \sum_{i=1}^k y_{[i]}$，且 $\sum_i x_i = \sum_i y_i$（其中 $x_{[1]}\geq\cdots$ 为降序排列）。在矩阵分析中，Ky Fan不等式等价于 $\lambda(A+B) \prec_w \lambda(A)+\lambda(B)$（弱控制），而 Lidskii 不等式、奇异值不等式等均可统一表述为控制序关系。该理论连接了矩阵谱理论、量子信息、统计热力学等多个领域。
关键内容
定义
控制序（Majorization）：$x \prec y$（$x$ 被 $y$ 控制）$\iff$ $$\sum_{i=1}^k x_{[i]} \leq \sum_{i=1}^k y_{[i]}, \quad k=1,\ldots,n-1, \quad \text{且} \sum_{i=1}^n x_i = \sum_{i=1}^n y_i$$
其中 $x_{[1]} \geq x_{[2]} \geq \cdots \geq x_{[n]}$ 为降序排列。
弱控制序（Weak Majorization）：$x \prec_w y \iff$ 上述 $k=1,\ldots,n-1$ 的不等式成立（去掉求和相等的条件）。
直觉：$x \prec y$ 意味着 $x$ 是 $y$ 的"平均化"结果——$y$ 的元素分散程度更大，$x$ 更均匀。
等价刻画（Birkhoff 定理的推论）：$x \prec y \iff x = Dy$，其中 $D$ 为双随机矩阵（行列和均为1的非负矩阵）。
Schur-凸函数
函数 $\phi: \mathbb{R}^n \to \mathbb{R}$ 称为 Schur-凸（Schur-convex），若 $x \prec y \Rightarrow \phi(x) \leq \phi(y)$。等价于 $\phi$ 是置换不变的且满足单调性条件。
重要的 Schur-凸函数： - $\phi(x) = \sum_i f(x_i)$，对凸函数 $f$（如 $f(t)=e^t, t^2, t\log t$） - $\phi(x) = \sum_{i=1}^k x_{[i]}$（Fan $k$-范数对特征值的定义） - $\phi(x) = \prod_{i=1}^k x_{[i]}$（前 $k$ 项之积）
矩阵分析中的控制序
特征值加法（Ky Fan 不等式，1949）： $$\lambda(A+B) \prec_w \lambda(A) + \lambda(B)$$
特征值扰动（Lidskii 不等式，1950）： $$\lambda(A) - \lambda(B) \prec \lambda(A-B)$$
奇异值（von Neumann 迹不等式，1937）： $$|\operatorname{tr}(A^*B)| \leq \sum_i \sigma_i(A)\sigma_i(B) \iff \sigma(\operatorname{Re}\,\operatorname{tr}) \text{ 被奇异值有序积控制}$$
Schur-Horn 定理（1954）：$n \times n$ Hermitian 矩阵对角元素向量 $d$ 与特征值向量 $\lambda$ 满足 $d \prec \lambda$；反之，对任意 $d \prec \lambda$，存在 Hermitian 矩阵以 $d$ 为对角、以 $\lambda$ 为特征值。
Horn 猜想与完整刻画
Ky Fan不等式给出了 $\lambda(A+B)$ 被 $\lambda(A), \lambda(B)$ 控制的必要条件。Horn（1962）猜测并最终由 Klyachko（1998）和 Knutson-Tao（1999）证明：
三组实数 $\alpha, \beta, \gamma$ 是某三个 Hermitian 矩阵 $A, B, C = A+B$ 的特征值的充要条件，由一组递归定义的不等式系统（包含 Ky Fan 型不等式作为特例）完整描述。
这一完整刻画将矩阵特征值不等式与 Schubert 演算、量子上同调、表示论深刻联系，是21世纪初数学的重大成就。
应用
量子信息：密度矩阵特征值的 majorization 是量子态转换（Nielsen 1999）和量子纠缠蒸馏的充要条件；von Neumann 熵 $H(\rho) = -\operatorname{tr}(\rho\log\rho)$ 的次可加性由 majorization 导出。
统计热力学：热力学第二定律（熵增）等价于系统状态概率向量的 majorization 关系。
优化与凸分析：majorization 的 Schur-凸函数理论提供了对称凸优化问题的统一框架，用于证明最优性条件。
矩阵补全/核范数：核范数（Fan $n$-范数）作为秩的凸松弛在 majorization 框架中有自然定位。
来源
- raw/books/矩阵分析/12_ky_fan_matrix_inequalities_1951.md