{
  "id": "gauss-jordan-elimination",
  "title": "高斯–若尔当消元法",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "高斯–若尔当消元法通过初等行变换将矩阵化为简化行阶梯形，用于解线性方程组、求逆矩阵和确定秩。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "高斯–约旦消元法",
    "高斯–乔丹消元法",
    "若尔当消元法"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/gauss-jordan-elimination/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/gauss-jordan-elimination/",
      "json": "https://aiwiki.page/en/gauss-jordan-elimination.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "高斯–若尔当消元法是线性代数中的一种算法，通过初等行变换将矩阵化为简化行阶梯形。它可用于求解线性方程组、计算逆矩阵、确定秩以及描述解空间。通常的高斯消元法一般先消去每个主元下方的元素，再进行回代；高斯–若尔当消元法则同时消去每个主元上方和下方的元素，使变量之间的最终关系可以直接读出。"
    },
    {
      "heading": "初等行变换",
      "text": "该方法使用三种可逆的变换：\n\n- 交换两行。\n- 将某一行乘以一个非零标量。\n- 将某一行的标量倍加到另一行上。\n\n对于写成\n\n\\[Ax=b,\\]\n\n的线性方程组，这些变换作用于整个增广矩阵\n\n\\[[A\\mid b].\\]\n\n每种变换都会改变方程的形式，但不会改变它们的公共解集。例如，将一个方程替换为它自身与另一个方程的某个倍数之和后，只需减去同样的倍数即可还原。\n\n该算法适用于任意域（数学），包括实数域、复数域、有理数域和有限域。关键要求是每个非零主元都有乘法逆元。在一般的环（数学）中，非零元素未必可逆，因此不一定能采用同样的步骤。"
    },
    {
      "heading": "简化行阶梯形",
      "text": "一个矩阵满足以下条件时，称其为简化行阶梯形矩阵：\n\n- 所有零行都位于所有非零行的下方。\n- 每个非零行的第一个非零元素都是 \\(1\\)，称为首项 \\(1\\) 或主元。\n- 每个主元都严格位于上一行主元的右侧。\n- 主元是其所在列中唯一的非零元素。\n\n例如，\n\n\\[\\begin{bmatrix} 1&0&2&0&3\\\\ 0&1&-1&0&4\\\\ 0&0&0&1&5\\\\ 0&0&0&0&0 \\end{bmatrix}\\]\n\n是简化行阶梯形矩阵。它的主元列为第一列、第二列和第四列。\n\n域上的每个矩阵都有唯一的简化行阶梯形。因此，不同的合法行变换可能产生不同的中间矩阵，但在精确运算中，最终得到的矩阵相同。普通的行阶梯形既不要求主元上方的元素为零，也不要求主元为一，因此并不唯一。"
    },
    {
      "heading": "算法",
      "text": "一种直接实现的高斯–若尔当消元算法从左到右逐列处理，同时记录当前主元行的位置。\n\n- 寻找主元。 在当前列中，从当前主元行开始向下寻找非零元素。如果找不到，就跳过这一列。\n- 将主元移到适当位置。 必要时交换两行。\n- 将主元行归一化。 将整行除以主元。\n- 消去主元列中的其他元素。 对其余每一行，减去归一化后的主元行乘以该行在主元列中的元素。\n- 继续推进。 移到下一行，并在后续各列中继续寻找主元。\n\n如果 \\(R_r\\) 是第 \\(c\\) 列归一化后的主元行，则消元步骤为\n\n\\[R_i\\leftarrow R_i-a_{ic}R_r, \\qquad i\\ne r.\\]\n\n由于新的主元行在此前各主元列中的元素均为零，因此这些主元列保持不变。当所有列都已处理完毕，或已无可用的后续主元行时，算法结束。\n\n另一种实现方式是先通过前向消元得到行阶梯形，再从下向上依次将主元归一化，并消去主元上方的元素。在精确运算中，这两种方式得到的简化形式相同。\n\n求解方程组时，可以只在系数列中寻找主元。此时，如果剩余某一行的系数全为零，而增广项非零，就说明方程组无解。如果目标是得到整个增广矩阵的简化行阶梯形，则还需处理增广列。"
    },
    {
      "heading": "计算示例",
      "text": "考虑方程组\n\n\\[\\begin{aligned} x+y+z&=6,\\\\ 2x+3y+z&=11,\\\\ x+2y+3z&=14. \\end{aligned}\\]\n\n其增广矩阵为\n\n\\[\\left[ \\begin{array}{ccc|c} 1&1&1&6\\\\ 2&3&1&11\\\\ 1&2&3&14 \\end{array} \\right].\\]\n\n施行 \\(R_2\\leftarrow R_2-2R_1\\) 和 \\(R_3\\leftarrow R_3-R_1\\)，得到：\n\n\\[\\left[ \\begin{array}{ccc|c} 1&1&1&6\\\\ 0&1&-1&-1\\\\ 0&1&2&8 \\end{array} \\right].\\]\n\n第二个主元已经是 \\(1\\)。利用\n\\(R_1\\leftarrow R_1-R_2\\) 和 \\(R_3\\leftarrow R_3-R_2\\) 消去该列中的其他元素，得到：\n\n\\[\\left[ \\begin{array}{ccc|c} 1&0&2&7\\\\ 0&1&-1&-1\\\\ 0&0&3&9 \\end{array} \\right].\\]\n\n最后，将第三行除以 \\(3\\)，再消去其主元上方的元素，得到：\n\n\\[\\left[ \\begin{array}{ccc|c} 1&0&0&1\\\\ 0&1&0&2\\\\ 0&0&1&3 \\end{array} \\right].\\]\n\n因此，解为\n\n\\[x=1,\\qquad y=2,\\qquad z=3.\\]"
    },
    {
      "heading": "读出解集",
      "text": "对于有 \\(n\\) 个未知数的方程组，行化简可以区分以下三种情况。\n\n无解\n\n形如\n\n\\[[\\,0\\ \\cdots\\ 0\\mid c\\,],\\qquad c\\ne0,\\]\n\n的行表示不可能成立的方程 \\(0=c\\)。\n\n等价地，方程组有解当且仅当\n\n\\[\\operatorname{rank}(A)=\\operatorname{rank}([A\\mid b]),\\]\n\n其中矩阵的秩等于主元的个数。\n\n唯一解\n\n有解的方程组具有唯一解，当且仅当每个变量列都含有主元：\n\n\\[\\operatorname{rank}(A)=n.\\]\n\n此时没有自由变量。\n\n自由变量\n\n如果一个有解方程组的秩为 \\(r<n\\)，则它有 \\(n-r\\) 个自由变量。例如，\n\n\\[\\left[ \\begin{array}{ccc|c} 1&0&2&3\\\\ 0&1&-1&4 \\end{array} \\right]\\]\n\n给出\n\n\\[x_1=3-2t,\\qquad x_2=4+t,\\qquad x_3=t.\\]\n\n在实数域或复数域上，这表示有无穷多个解。而在有 \\(q\\) 个元素的有限域上，一个有解且具有 \\(n-r\\) 个自由变量的方程组恰有 \\(q^{n-r}\\) 个解。\n\n更一般地，有解方程组的解集是一个仿射空间：\n\n\\[x=x_p+z,\\qquad z\\in\\ker A,\\]\n\n其中 \\(x_p\\) 是任意一个特解，\\(\\ker A\\) 是 \\(A\\) 的零空间。根据秩—零化度定理，该空间的维数为 \\(n-r\\)。"
    },
    {
      "heading": "逆矩阵与子空间",
      "text": "计算逆矩阵\n\n对于一个 \\(n\\times n\\) 方阵，将单位矩阵附加在 \\(A\\) 的右侧，得到增广矩阵：\n\n\\[[A\\mid I_n].\\]\n\n如果 \\(A\\) 可逆，高斯–若尔当消元法会得到\n\n\\[[I_n\\mid A^{-1}].\\]\n\n将 \\(A\\) 化为 \\(I_n\\) 的那些行变换，也会将单位矩阵化为逆矩阵。如果左侧矩阵块无法化为 \\(I_n\\)，则 \\(A\\) 是奇异矩阵。\n\n类似地，具有相同系数矩阵的多个方程组可以合并处理。当 \\(A\\) 可逆时，有：\n\n\\[[A\\mid B]\\longrightarrow[I_n\\mid A^{-1}B]\\]\n\n求基\n\n行化简还可提供基本子空间的相关信息：\n\n- 化简后矩阵的非零行构成原矩阵行空间的一组基。\n- 根据主元列的列号选取原矩阵中的对应列，这些列构成其列空间的一组基。\n- 依次将每个自由变量设为 \\(1\\)，同时将其余自由变量设为 \\(0\\)，即可得到齐次方程组零空间的一组基。\n\n必须区分原矩阵的列与化简后矩阵的列：行变换保留列之间的线性相关关系，但通常会改变列空间本身。"
    },
    {
      "heading": "计算成本与数值局限",
      "text": "对于稠密的 \\(n\\times n\\) 矩阵，标准高斯–若尔当消元法需要 \\(O(n^3)\\) 次算术运算，这里使用的是大O记号。存储该矩阵需要 \\(O(n^2)\\) 个存储单元。这些只是算术运算层面的估算；在精确有理数计算中，分子和分母的增长还可能带来可观的额外成本。\n\n求解单个非奇异方程组时，高斯消元结合回代通常需要更少的算术运算。在实际的数值线性代数中，通常采用LU分解，尤其是在同一个系数矩阵对应多个右端项时。求解这类方程组一般无需显式计算逆矩阵。\n\n采用浮点运算时，极小的主元可能放大舍入误差。部分选主元法会在当前列的可用元素中选取绝对值最大的元素，并通过换行将其移到主元位置。这样可以避免除以该列中不必要的小元素，但不能消除所有可能的数值误差来源。\n\n必须区分数值稳定性与问题的条件性。对于病态方程组，即使计算方法稳定，输入的微小变化也可能使解发生很大变化；这种敏感性由其条件数描述。\n\n数值计算中确定矩阵的秩也面临类似困难。计算所得的某个元素接近零，可能只是舍入误差所致，而非存在精确的代数相关关系。因此，判零容差需要根据数值尺度和精度来确定。对于难以判定秩的情况，采用奇异值分解或具有秩揭示能力的QR分解，通常比简单地统计高斯–若尔当消元中看似非零的主元更合适。\n\n对于稀疏矩阵，消元可能使原本为零的位置出现非零元素，这种现象称为填充。因此，同时消去主元上方和下方的元素，不仅可能增加算术运算量，还可能带来较大的存储开销。"
    },
    {
      "heading": "名称的历史渊源",
      "text": "这一名称结合了卡尔·弗里德里希·高斯和威廉·若尔当的姓氏。高斯的名字与消元方法密切相关；若尔当则是德国大地测量学家，曾在十九世纪描述过一种相关的消元过程。这里的若尔当并非法国数学家卡米耶·若尔当。\n\n通过消去未知数求解的基本思想，远早于这两位冠名者。在现代术语中，高斯消元法通常止于行阶梯形或三角形，而高斯–若尔当消元法则继续化简，直至得到简化行阶梯形。"
    }
  ],
  "links": [
    "linear-algebra",
    "algorithm",
    "matrix",
    "system-of-linear-equations",
    "gaussian-elimination",
    "field-mathematics",
    "real-number",
    "complex-number",
    "rational-number",
    "finite-field",
    "ring-mathematics",
    "matrix-rank",
    "affine-space",
    "null-space",
    "rank-nullity-theorem",
    "identity-matrix",
    "inverse-matrix",
    "basis-linear-algebra",
    "big-o-notation",
    "numerical-linear-algebra",
    "lu-decomposition",
    "floating-point-arithmetic",
    "numerical-stability",
    "condition-number",
    "singular-value-decomposition",
    "sparse-matrix",
    "carl-friedrich-gauss"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}