{
  "id": "gaussian-elimination",
  "title": "高斯消元法",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "高斯消元法通过可逆行变换求解线性方程组，也是矩阵分解、秩计算及许多数值求解方法的基础。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "高斯消去法",
    "高斯消元"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/gaussian-elimination/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/gaussian-elimination/",
      "json": "https://aiwiki.page/en/gaussian-elimination.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "高斯消元法是一种通过系统地消去未知数来求解线性方程组的算法。它利用可逆的行变换，将方程组的矩阵表示化为更简单的形式，同时保持解集不变。作为线性代数中的核心技术，它也为确定秩和描述解集提供了方法。在数值计算中，消元通常以三角分解的形式进行，随后通过代入求解。(textbooks.math.gatech.edu)"
    },
    {
      "heading": "数学基础",
      "text": "含有 \\(m\\) 个方程和 \\(n\\) 个未知数的方程组可写为\n\n\\[Ax=b,\\]\n\n其中，\\(A\\) 是系数矩阵，\\(x\\) 由未知数组成，\\(b\\) 由各方程的右端项组成。计算在增广矩阵 \\([A\\mid b]\\) 上进行，因此每次操作都会同时改变系数和相应的右端项。允许使用以下三种初等行变换：\n\n- 交换两行。\n- 将某一行乘以非零标量。\n- 将某一行的标量倍数加到另一行上。\n\n每一种操作都是可逆的，因此变换后的方程组与原方程组的解集完全相同。(math.mit.edu)\n\n前向消元阶段得到行阶梯形：零行位于非零行下方；各非零行的首个非零元素从上到下依次向右移动；每个首个非零元素下方的元素均为零。这些首个非零元素称为主元。进一步消去主元上方的元素，并将主元归一化为 1，即可得到简化行阶梯形。这一扩展过程通常称为高斯–若尔当消元法。简化行阶梯形是唯一的，但中间得到的行阶梯形未必唯一。(textbooks.math.gatech.edu)"
    },
    {
      "heading": "消元与回代",
      "text": "在每个阶段，从剩余的系数列中选取一个非零主元。必要时交换行，将其移至当前处理的行。随后，从下方各行中减去该行的适当倍数，以消去主元所在列中的相应元素。如果某一列没有可选的非零元素，就跳过该列，继续向右寻找。(textbooks.math.gatech.edu)\n\n对于系数矩阵为非奇异方阵的方程组，这一过程得到上三角方程组 \\(Ux=c\\)。在第 \\(k\\) 步，消元乘子和行更新公式为\n\n\\[\\ell_{ik}=\\frac{u_{ik}}{u_{kk}},\\qquad R_i\\leftarrow R_i-\\ell_{ik}R_k \\quad(i>k).\\]\n\n然后通过回代，从最后一个未知数开始，逆序求出各未知数：\n\n\\[x_i=\\frac{c_i-\\sum_{j=i+1}^{n}u_{ij}x_j}{u_{ii}}.\\]\n\n与高斯–若尔当消元法不同，这种方法不需要消去主元上方的元素。(math.mit.edu)\n\n例如，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先进行 \\(R_2\\leftarrow R_2-2R_1\\) 和 \\(R_3\\leftarrow R_3-R_1\\)，再进行 \\(R_3\\leftarrow R_3-R_2\\)，得到\n\n\\[\\left[\\begin{array}{ccc|c} 1&1&1&6\\\\ 0&1&-1&-1\\\\ 0&0&3&9 \\end{array}\\right].\\]\n\n因此，\\(z=3\\)、\\(y=2\\)、\\(x=1\\)。"
    },
    {
      "heading": "秩与解的结构",
      "text": "消元法也适用于系数矩阵为矩形矩阵或奇异矩阵的方程组。系数部分的主元个数等于 \\(A\\) 的秩。如果变换后出现形如\n\n\\[[\\,0\\ \\cdots\\ 0\\mid d\\,],\\qquad d\\ne0,\\]\n\n的行，就意味着存在矛盾，从而判定方程组无解。否则，系数部分没有主元的列所对应的变量是自由变量，而主元变量可用这些自由变量表示。在实数域或复数域上，有解的方程组在每个变量列都含有主元时具有唯一解，否则具有无穷多解。(textbooks.math.gatech.edu)\n\n对于有解的方程组，所有解都可写成 \\(x=x_p+z\\)，其中 \\(x_p\\) 是一个特解，\\(z\\) 属于 \\(A\\) 的零空间。这个解集是一个维数为 \\(n-\\operatorname{rank}(A)\\) 的仿射空间。消元法还可用于找出线性无关的列：原矩阵中与主元位置对应的列构成其列空间的一组基。必须使用原矩阵的列，因为行变换通常会改变列空间本身。(textbooks.math.gatech.edu)"
    },
    {
      "heading": "主元选取与数值精度",
      "text": "在数值线性代数中，浮点运算会引入舍入误差。非常小的主元可能产生很大的消元乘子，使中间元素的数值显著增大。部分选主元法在当前列尚未处理的部分中选择绝对值最大的元素，并通过交换行将其移至主元位置。完全选主元法则在整个剩余系数子矩阵中搜索，可能同时交换行和列；交换列时，需要记录未知数位置的重新排列。(netlib.org)\n\n部分选主元法在实践中通常有效，但不能保证对每个矩阵都产生较小的误差：某些特殊例子会出现元素数值的指数增长。还必须区分算法的数值稳定性与问题的条件性。条件数衡量问题对输入扰动的敏感程度；对于病态方程组，即使计算结果的后向误差很小，解的误差仍可能很大。(epubs.siam.org)"
    },
    {
      "heading": "分解与计算成本",
      "text": "记录消元乘子即可得到LU 分解。采用行选主元时，通常写为\n\n\\[PA=LU,\\]\n\n其中，\\(P\\) 表示行置换，\\(L\\) 是单位下三角矩阵，\\(U\\) 是上三角矩阵。先求解 \\(Ly=Pb\\)，再求解 \\(Ux=y\\)，就将矩阵分解与方程求解分离开来。因此，同一组分解因子可用于多个右端向量，而无须重复消元。(math.mit.edu)\n\n对于稠密的 \\(n\\times n\\) 矩阵，常规分解所需浮点运算次数的主导项约为 \\(2n^3/3\\)。用大O记号表示，之后每次三角方程组求解需要 \\(O(n^2)\\) 次运算；将分解因子存储在同一个数组中，可使其占用 \\(O(n^2)\\) 的存储空间。对于稀疏矩阵，消元可能产生新的非零元素，这一现象称为填充，因此排序和主元选取对存储需求及计算成本都很重要。(math.mit.edu)"
    },
    {
      "heading": "历史发展",
      "text": "这一名称是为了纪念卡尔·弗里德里希·高斯，但消元过程的出现远早于他。中国数学著作《九章算术》中就有相关方法。现代消元法是在方程求解的漫长发展历史、高斯的计算工作，以及后来面向电子计算机的改进过程中逐步形成的；不应因其名称而将它理解为高斯的一项独立发明。(doi.org)"
    }
  ],
  "links": [
    "system-of-linear-equations",
    "algorithm",
    "matrix",
    "linear-algebra",
    "augmented-matrix",
    "elementary-row-operations",
    "row-echelon-form",
    "gauss-jordan-elimination",
    "back-substitution",
    "matrix-rank",
    "free-variable",
    "null-space",
    "affine-space",
    "linear-independence",
    "basis-linear-algebra",
    "numerical-linear-algebra",
    "floating-point-arithmetic",
    "numerical-stability",
    "condition-number",
    "lu-decomposition",
    "big-o-notation",
    "sparse-matrix",
    "carl-friedrich-gauss"
  ],
  "sources": [
    {
      "title": "textbooks.math.gatech.edu/ila/1553/row-reduction.html",
      "url": "https://textbooks.math.gatech.edu/ila/1553/row-reduction.html"
    },
    {
      "title": "math.mit.edu/~djk/18_022/chapter15/section04.html",
      "url": "https://math.mit.edu/~djk/18_022/chapter15/section04.html"
    },
    {
      "title": "math.mit.edu/classes/18.085/summer2015/handouts/lu-pivot.pdf",
      "url": "https://math.mit.edu/classes/18.085/summer2015/handouts/lu-pivot.pdf"
    },
    {
      "title": "textbooks.math.gatech.edu/ila/ila.pdf",
      "url": "https://www.textbooks.math.gatech.edu/ila/ila.pdf"
    },
    {
      "title": "textbooks.math.gatech.edu/ila/solution-sets.html",
      "url": "https://textbooks.math.gatech.edu/ila/solution-sets.html"
    },
    {
      "title": "netlib.org/lapack/lawnspdf/lawn127.pdf",
      "url": "https://www.netlib.org/lapack/lawnspdf/lawn127.pdf"
    },
    {
      "title": "epubs.siam.org/doi/abs/10.1137/0611023",
      "url": "https://epubs.siam.org/doi/abs/10.1137/0611023"
    },
    {
      "title": "doi.org/10.1016/j.hm.2010.06.003",
      "url": "https://doi.org/10.1016/j.hm.2010.06.003"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}