3、线性方程组解的存在性与唯一性解析

最新推荐文章于 2026-08-10 16:45:51 发布

原创最新推荐文章于 2026-08-10 16:45:51 发布 · 111 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

本文还有配套的精品资源，点击获取

线性方程组解的存在性与唯一性解析

1. 线性方程组求解示例

首先来看一个线性方程组求解的具体例子。通过高斯消元法和部分主元法，我们可以求解线性方程组。例如，对于一个线性方程组，经过一系列的行交换和行运算后，得到一个上三角系统：
[
\begin{cases}
3x_1 + x_2 + 6x_3 = 2 \
\frac{2}{3}x_2 - x_3 = 3\frac{1}{3} \
-\frac{1}{2}x_3 = 4
\end{cases}
]
通过回代法求解：
- 从最后一个方程可得 (x_3 = -8)。
- 将 (x_3 = -8) 代入第二个方程，可得 (x_2 = -7)。
- 最后将 (x_2 = -7) 和 (x_3 = -8) 代入第一个方程，可得 (x_1 = 19)。
所以该方程组的解为 ((x_1, x_2, x_3) = (19, -7, -8))。

2. 线性变换视角下的 (Ax = b)

我们从更抽象的角度来考虑方程 (Ax = b)。这里 (A) 是一个 (N×N) 的实矩阵，(x) 和 (b) 都是 (N) 维实向量。我们用 (\mathbb{R}^N) 表示所有 (N) 维实向量的集合，(\mathbb{R}^N) 不仅是一个集合，还是一个向量空间，它具有以下性质：
- 加法封闭性 ：若 (v \in \mathbb{R}^N) 且 (w \in \mathbb{R}^N)，则 (v + w \in \mathbb{R}^N)。
- 实数标量乘法封闭性 ：若 (v \in \mathbb{R}^N) 且 (c \in \mathbb{R})，则 (cv \in \mathbb{R}^N)。
- 还满足一系列的恒等式，如 (u + (v + w) = (u + v) + w)，(c_1(v + u) = c_1v + c_1u) 等。

矩阵 (A) 可以看作是一个从 (\mathbb{R}^N) 到 (\mathbb{R}^N) 的线性变换，对于任意 (v \in \mathbb{R}^N)，(Av \in \mathbb{R}^N)，且满足线性性质 (A(v + w) = Av + Aw) 和 (A(cv) = cAv)。从这个角度来看，方程 (Ax = b) 有解意味着存在向量 (x \in \mathbb{R}^N) 被 (A) 映射到 (b)，且解唯一意味着不存在其他不同的向量 (y) 也被 (A) 映射到 (b)。

3. 矩阵乘法

矩阵乘法可以通过线性变换的角度来理解。设 (A) 是一个 (M×P) 的实矩阵，它将 (\mathbb{R}^P) 中的向量映射到 (\mathbb{R}^M)；(B) 是一个 (P×N) 的实矩阵，它将 (\mathbb{R}^N) 中的向量映射到 (\mathbb{R}^P)。我们定义复合映射 (C = AB)，使得对于 (w \in \mathbb{R}^N)，(Cw = A(Bw))。
矩阵乘法规则为：若 (C = AB)，则 (c_{ij} = \sum_{k = 1}^{P} a_{ik}b_{kj})，即 (C) 中第 (i) 行第 (j) 列的元素等于 (A) 的第 (i) 行元素与 (B) 的第 (j) 列元素对应乘积之和。需要注意的是，矩阵乘法一般不满足交换律，即 (AB \neq BA)，并且 ((AB)^T = B^T A^T)。

4. 向量空间与基集

在考虑线性方程组解的存在性和唯一性之前，我们需要了解基集的概念。向量集 ({b[1], b[2], \ldots, b[P]}) 在 (\mathbb{R}^N) 中被称为线性无关的，如果不存在一组不全为零的实标量 ({c_1, c_2, \ldots, c_P}) 使得 (c_1b[1] + c_2b[2] + \cdots + c_Pb[P] = 0)。对于 (\mathbb{R}^N) 中的向量，线性无关向量集的元素个数 (P) 满足 (P \leq N)。
当 (P = N) 时，({b[1], b[2], \ldots, b[N]}) 构成 (\mathbb{R}^N) 的一个基集，此时任意向量 (v \in \mathbb{R}^N) 都可以表示为 (v = c_1b[1] + c_2b[2] + \cdots + c_Nb[N])。为了求解系数 ({c_1, c_2, \ldots, c_N})，我们可以通过计算 (v) 与每个 (b[k]) 的点积得到一组 (N) 个线性方程：
[
\begin{cases}
c_1(b[1] \cdot b[1]) + c_2(b[1] \cdot b[2]) + \cdots + c_N(b[1] \cdot b[N]) = (b[1] \cdot v) \
c_1(b[2] \cdot b[1]) + c_2(b[2] \cdot b[2]) + \cdots + c_N(b[2] \cdot b[N]) = (b[2] \cdot v) \
\cdots \
c_1(b[N] \cdot b[1]) + c_2(b[N] \cdot b[2]) + \cdots + c_N(b[N] \cdot b[N]) = (b[N] \cdot v)
\end{cases}
]
用矩阵 - 向量形式表示为：
[
\begin{bmatrix}
(b[1] \cdot b[1]) & (b[1] \cdot b[2]) & \cdots & (b[1] \cdot b[N]) \
(b[2] \cdot b[1]) & (b[2] \cdot b[2]) & \cdots & (b[2] \cdot b[N]) \
\vdots & \vdots & \ddots & \vdots \
(b[N] \cdot b[1]) & (b[N] \cdot b[2]) & \cdots & (b[N] \cdot b[N])
\end{bmatrix}
\begin{bmatrix}
c_1 \
c_2 \
\vdots \
c_N
\end{bmatrix}
=
\begin{bmatrix}
(b[1] \cdot v) \
(b[2] \cdot v) \
\vdots \
(b[N] \cdot v)
\end{bmatrix}
]
求解这个方程组大约需要 (N^3) 次浮点运算。

如果使用正交基集 ({w[1], w[2], \ldots, w[N]})，即 (w[i] \cdot w[j] = |w[i]|^2 \delta_{ij})（当 (i = j) 时为 (|w[i]|^2)，当 (i \neq j) 时为 0），则系数 (c_j = \frac{(w[j] \cdot v)}{|w[j]|^2})。对于标准正交基集 ({u[1], u[2], \ldots, u[N]})（(|u[k]| = 1)），系数 (c_j = u[j] \cdot v)，且 (v = \sum_{j = 1}^{N} (u[j] \cdot v)u[j])。

5. Gram - Schmidt 正交化

Gram - Schmidt 正交化是一种从线性无关向量集 ({b[1], b[2], \ldots, b[N]}) 构造 (\mathbb{R}^N) 的正交基集 ({w[1], w[2], \ldots, w[N]}) 的方法，步骤如下：
- 第一步：令 (w[1] = b[1])。
- 第二步：将 (w[2]) 表示为 (w[2] = b[2] + s_{21}w[1])，通过选择 (s_{21}) 使得 (w[1] \cdot w[2] = 0)，可得 (s_{21} = -\frac{w[1] \cdot b[2]}{|w[1]|^2})，从而 (w[2] = b[2] - \frac{w[1] \cdot b[2]}{|w[1]|^2}w[1])。
- 一般地，对于 (k = 2, 3, \ldots, N)，(w[k] = b[k] - \sum_{j = 1}^{k - 1} \frac{w[j] \cdot b[k]}{|w[j]|^2}w[j])。
从正交基集 ({w[1], w[2], \ldots, w[N]}) 可以通过 (u[j] = \frac{w[j]}{|w[j]|}) 得到标准正交基集 ({u[1], u[2], \ldots, u[N]})，也可以在生成向量时进行归一化：
[
\begin{cases}
w[k] = b[k] - \sum_{j = 1}^{k - 1} (u[j] \cdot b[k])u[j] \
u[k] = \frac{w[k]}{|w[k]|}
\end{cases}
\quad k = 1, 2, \ldots, N
]
不过，对于非常大的 (N)，该方法会存在舍入误差传播的问题。

6. 子空间与向量集的张成

设向量集 ({b[1], b[2], \ldots, b[P]}) 在 (\mathbb{R}^N) 中（(P \leq N)），其张成（span）定义为所有可以表示为该向量集成员线性组合的向量 (v \in \mathbb{R}^N) 的集合，即 (\text{span}{b[1], b[2], \ldots, b[P]} = {v \in \mathbb{R}^N | v = c_1b[1] + c_2b[2] + \cdots + c_Pb[P]})。张成集具有向量空间的所有性质，因此它是 (\mathbb{R}^N) 的一个子空间。
子空间 (S) 的维数 (\dim(S) = P)，如果存在一个线性无关的生成集 ({b[1], b[2], \ldots, b[P]})。若 (\dim(S) = P)，则 (S) 的任何包含多于 (P) 个成员的生成集一定是线性相关的。(\mathbb{R}^N) 的维数为 (N)。

7. 零空间与解的存在性和唯一性

对于线性系统 (Ax = b)（(x, b \in \mathbb{R}^N)，(A) 是 (N×N) 实矩阵），其解的存在性和唯一性与 (A) 的零空间（或核）(K_A) 有关。零空间 (K_A) 定义为所有被 (A) 映射到零向量 (0) 的向量 (w \in \mathbb{R}^N) 的子空间。
- 唯一性定理 ：若 (x \in \mathbb{R}^N) 是 (Ax = b) 的解，且 (A) 的零空间只包含零向量（(K_A = {0})），则该解是唯一的。证明如下：设 (y \in \mathbb{R}^N) 也是 (Ax = b) 的解，令 (v = y - x)，则 (Ay = A(x + v) = Ax + Av = b + Av)。因为 (Ay = b)，所以 (Av = 0)，即 (v \in K_A)。由于 (K_A = {0})，所以 (v = 0)，即 (y = x)，解唯一。
- 存在性定理 ：设 (A) 是 (N×N) 实矩阵，(K_A) 是其零空间，(R_A) 是其值域（定义为所有存在 (v \in \mathbb{R}^N) 使得 (Av = y) 的向量 (y \in \mathbb{R}^N) 的集合），(b \in \mathbb{R}^N)，则有：
- （I）(\dim(K_A) + \dim(R_A) = N)。证明：定义 (\mathbb{R}^N) 的标准正交基 ({u[1], u[2], \ldots, u[P], u[P + 1], \ldots, u[N]})，使得前 (P) 个基向量张成 (K_A)，即 (K_A = \text{span}{u[1], u[2], \ldots, u[P]})。对于任意向量 (v \in \mathbb{R}^N)，可表示为 (v = v_1u[1] + \cdots + v_Pu[P] + v_{P + 1}u[P + 1] + \cdots + v_Nu[N])，则 (Av = v_{P + 1}Au[P + 1] + \cdots + v_NAu[N])，所以 (R_A) 中的任何向量都可以表示为 (N - P) 个基向量 ({Au[P + 1], \ldots, Au[N]}) 的线性组合，即 (\dim(R_A) = N - P)，所以 (\dim(K_A) + \dim(R_A) = N)。
- （II）若 (K_A = {0})，则 (\dim(K_A) = 0)，(\dim(R_A) = N)，(R_A) 充满整个 (\mathbb{R}^N)，对于任意 (b \in \mathbb{R}^N)，方程 (Ax = b) 有解。

如果 (K_A) 包含非零向量（(\dim(K_A) = P > 0)），则对于特定的 (b \in \mathbb{R}^N)，方程 (Ax = b) 可能无解，也可能有无限多个解。具体来说，方程有解的条件是对于每个 (w \in K_A)，(b \cdot w = 0)，但解不唯一，因为对于任意 (w \in K_A)，(A(x + w) = Ax + Aw = b + 0 = b)。

8. 行列式

行列式是判断 (Ax = b) 是否有唯一解的重要工具。行列式定义为：
[
\det(A) = |A| =
\begin{cases}
c \neq 0, & \text{如果 } K_A = {0} \
0, & \text{如果存在 } w \in K_A, w \neq 0
\end{cases}
]
如果 (\det(A) \neq 0)（(A) 非奇异），则对于所有 (b \in \mathbb{R}^N)，(Ax = b) 有唯一解；如果 (\det(A) = 0)（(A) 奇异），则 (Ax = b) 不存在唯一解（可能无解或有无限多个解）。

行列式的计算公式为：
[
\det(A) = \sum_{i_1 = 1}^{N} \sum_{i_2 = 1}^{N} \cdots \sum_{i_N = 1}^{N} \varepsilon_{i_1, i_2, \ldots, i_N} a_{i_1, 1}a_{i_2, 2} \cdots a_{i_N, N}
]
其中 (\varepsilon_{i_1, i_2, \ldots, i_N}) 的取值规则为：
[
\varepsilon_{i_1, i_2, \ldots, i_N} =
\begin{cases}
0, & \text{如果 } {i_1, i_2, \ldots, i_N} \text{ 中有两个元素相等} \
1, & \text{如果 } (i_1, i_2, \ldots, i_N) \text{ 是 } (1, 2, \ldots, N) \text{ 的偶排列} \
-1, & \text{如果 } (i_1, i_2, \ldots, i_N) \text{ 是 } (1, 2, \ldots, N) \text{ 的奇排列}
\end{cases}
]
判断一个排列是偶排列还是奇排列的方法是：对于每个 (m = 1, 2, \ldots, N)，设 (\alpha_m) 是集合 ({i_{m + 1}, i_{m + 2}, \ldots, i_N}) 中小于 (i_m) 的整数的个数，计算 (v = \sum_{m = 1}^{N} \alpha_m)。若 (v) 为偶数，则排列为偶排列；若 (v) 为奇数，则排列为奇排列。

综上所述，通过向量空间、线性变换、零空间、行列式等概念，我们可以深入分析线性方程组解的存在性和唯一性。但这些条件比较抽象，后续在特征值分析中我们将看到如何针对具体的矩阵 (A) 和向量 (b) 应用这些条件。

线性方程组解的存在性与唯一性解析

9. 行列式计算示例及奇偶排列判断

为了更好地理解行列式的计算以及奇偶排列的判断方法，我们来看一个具体的例子。假设有一个 (4×4) 的矩阵 (A)，其元素 (a_{ij}) 已知，我们要计算 (\det(A))。
首先，我们需要确定所有可能的排列 ((i_1, i_2, i_3, i_4))，然后根据奇偶排列的规则计算 (\varepsilon_{i_1, i_2, i_3, i_4}) 和相应的乘积 (a_{i_1, 1}a_{i_2, 2}a_{i_3, 3}a_{i_4, 4})，最后求和得到行列式的值。

例如，对于排列 ((3, 2, 4, 1))，我们来判断它是奇排列还是偶排列。按照判断方法，对于 (m = 1)，(i_1 = 3)，集合 ({i_2, i_3, i_4} = {2, 4, 1}) 中小于 (3) 的数有 (2) 和 (1)，所以 (\alpha_1 = 2)；对于 (m = 2)，(i_2 = 2)，集合 ({i_3, i_4} = {4, 1}) 中小于 (2) 的数有 (1)，所以 (\alpha_2 = 1)；对于 (m = 3)，(i_3 = 4)，集合 ({i_4} = {1}) 中小于 (4) 的数有 (1)，所以 (\alpha_3 = 1)；对于 (m = 4)，(i_4 = 1)，集合为空，所以 (\alpha_4 = 0)。则 (v = \sum_{m = 1}^{4} \alpha_m = 2 + 1 + 1 + 0 = 4)，因为 (4) 是偶数，所以 ((3, 2, 4, 1)) 是偶排列，(\varepsilon_{3, 2, 4, 1} = 1)。

10. 线性方程组解的情况总结

根据前面的讨论，我们可以将线性方程组 (Ax = b) 的解的情况总结如下表：
| 矩阵 (A) 的性质 | 零空间 (K_A) 的情况 | 行列式 (\det(A)) | 解的情况 |
| — | — | — | — |
| 非奇异 | 只包含零向量（(K_A = {0})） | (\det(A) \neq 0) | 对于任意 (b \in \mathbb{R}^N)，有唯一解 |
| 奇异 | 包含非零向量 | (\det(A) = 0) | 对于某些 (b \in \mathbb{R}^N)，可能无解；对于满足 (b \cdot w = 0)（(\forall w \in K_A)）的 (b)，有无限多个解 |

这个表格清晰地展示了矩阵 (A) 的性质、零空间、行列式与线性方程组解的情况之间的关系，有助于我们快速判断一个线性方程组解的存在性和唯一性。

11. 线性变换与解的直观理解

我们可以通过一个简单的几何图形来直观地理解线性变换以及解的存在性和唯一性。假设 (N = 2)，矩阵 (A) 是一个 (2×2) 的矩阵，(\mathbb{R}^2) 可以看作是一个二维平面。
- 当 (K_A = {0}) 时，矩阵 (A) 对应的线性变换是一个一一映射。也就是说，平面上的每一个向量 (x) 都被唯一地映射到另一个向量 (Ax)，并且对于任意的 (b \in \mathbb{R}^2)，都存在唯一的 (x) 使得 (Ax = b)。
- 当 (K_A) 包含非零向量时，矩阵 (A) 的线性变换会将某些不同的向量映射到同一个向量。例如，如果 (w \in K_A) 且 (w \neq 0)，那么对于任意满足 (Ax = b) 的 (x)，(A(x + w) = b) 也成立，这就导致解不唯一。而且，对于某些 (b)，可能不存在 (x) 使得 (Ax = b)，因为 (A) 的值域 (R_A) 可能只是 (\mathbb{R}^2) 的一个子空间。

下面是一个简单的 mermaid 流程图，展示了根据矩阵 (A) 的零空间判断线性方程组 (Ax = b) 解的情况：

graph TD;
    A[开始] --> B{ \(K_A = \{0\}\)? };
    B -- 是 --> C[有唯一解];
    B -- 否 --> D{ \(b \cdot w = 0\) \(\forall w \in K_A\)? };
    D -- 是 --> E[有无限多个解];
    D -- 否 --> F[无解];
    C --> G[结束];
    E --> G;
    F --> G;

12. 实际应用中的考虑

在实际应用中，我们经常需要求解线性方程组。例如，在物理学中求解力学平衡问题、在工程学中进行电路分析等。在这些应用中，我们需要注意以下几点：
- 数值计算误差 ：当使用计算机求解线性方程组时，由于浮点数的精度限制，可能会引入数值计算误差。特别是在使用 Gram - Schmidt 正交化方法时，对于大规模的矩阵，舍入误差的传播可能会导致结果不准确。因此，在实际应用中，我们可能需要使用更稳定的算法，如特征值分析方法来生成正交基集。
- 矩阵的条件数 ：矩阵的条件数是衡量矩阵病态程度的一个指标。如果矩阵的条件数很大，说明矩阵是病态的，求解线性方程组时可能会对输入数据的微小变化非常敏感，导致解的误差很大。在这种情况下，我们需要对矩阵进行预处理或者使用更稳定的算法来求解。