{
  "id": "matrix-exponential",
  "title": "矩阵指数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "矩阵指数将标量指数推广到方阵，用于描述微分方程、几何、概率和物理中的连续线性演化。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "矩阵指数函数"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/matrix-exponential/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/matrix-exponential/",
      "json": "https://aiwiki.page/en/matrix-exponential.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "矩阵指数是一个函数，它将方矩阵 \\(A\\) 映射为矩阵\n\n\\[e^A=\\exp(A)=\\sum_{k=0}^{\\infty}\\frac{A^k}{k!},\\]\n\n其中 \\(A^0=I\\)，即单位矩阵。矩阵指数推广了通常的指数函数，同时保留了它的许多基本性质，包括可逆性以及与微分的紧密联系。定义矩阵指数的级数对任意实方阵或复方阵都收敛。与对矩阵各元素分别取指数不同，矩阵指数包含了矩阵乘法所体现的相互作用。\n\n矩阵指数是常系数线性微分方程的基本解算子：满足初值 \\(x(0)=x_0\\) 的方程 \\(x'(t)=Ax(t)\\) 的解为 \\(x(t)=e^{tA}x_0\\)。因此，矩阵指数在连续时间动力学、转移概率、量子演化以及微分方程的数值求解中都起着核心作用。在李群理论中，它还将无穷小变换与有限变换联系起来。\n\n尽管定义简单，矩阵指数在代数和计算方面却有其特有的难点。矩阵乘法通常不满足交换律，特征值不能完全决定系统的瞬态行为，而直接计算定义级数在数值上也可能不可靠。因此，矩阵指数的理论融合了代数结构、谱分析、微分学以及专门的数值算法。"
    },
    {
      "heading": "定义、收敛性与基本构造",
      "text": "设 \\(A\\in\\mathbb C^{n\\times n}\\)，实矩阵也包含在内，作为其特例。矩阵指数由以下幂级数定义：\n\n\\[e^A=I+A+\\frac{A^2}{2!}+\\frac{A^3}{3!}+\\cdots.\\]\n\n其中的幂采用通常的矩阵乘法计算，而不是对各元素分别取幂。因此，对角矩阵的指数可以通过对其对角元逐一取指数得到，但这一规则不适用于一般矩阵。特别地，\\(e^0=I\\)，而若对零矩阵的每个元素分别取标量指数，得到的则是所有元素均为一的矩阵。\n\n利用任意满足次乘性的矩阵范数，即满足 \\(\\|AB\\|\\leq\\|A\\|\\|B\\|\\) 的范数，即可证明收敛性。对于级数的每一项，\n\n\\[\\left\\|\\frac{A^k}{k!}\\right\\| \\leq \\frac{\\|A\\|^k}{k!},\\]\n\n因此，该级数绝对收敛，且满足\n\n\\[\\|e^A\\|\\leq e^{\\|A\\|}.\\]\n\n在有界矩阵集合上，同样的比较还可得出一致收敛性。因此，矩阵指数是关于矩阵各元素的整解析函数。在有限维空间中，收敛性与所选的具体范数无关。\n\n一些简单的例子可以展示这一定义所涵盖的多种情形。若 \\(D=\\operatorname{diag}(d_1,\\ldots,d_n)\\)，则\n\n\\[e^D=\\operatorname{diag}(e^{d_1},\\ldots,e^{d_n}).\\]\n\n若 \\(N\\) 是幂零矩阵，即存在某个正整数 \\(m\\)，使得 \\(N^m=0\\)，则该级数只有有限个非零项：\n\n\\[e^N=\\sum_{k=0}^{m-1}\\frac{N^k}{k!}.\\]\n\n例如，\n\n\\[N=\\begin{pmatrix}0&a\\\\0&0\\end{pmatrix} \\quad\\Longrightarrow\\quad e^N=\\begin{pmatrix}1&a\\\\0&1\\end{pmatrix}.\\]\n\n因此，由无穷级数给出的定义也可以得到有限的代数表达式。\n\n另一种有用的构造是以下极限：\n\n\\[e^A=\\lim_{m\\to\\infty}\\left(I+\\frac{A}{m}\\right)^m.\\]\n\n这是标量复利极限的矩阵版本。它将指数变换解释为许多微小线性步骤的累积。这一极限在任意矩阵范数下都成立，但由于可能需要进行大量乘法运算，通常不是数值计算的首选方法。\n\n凯莱—哈密顿定理提供了另一种有限表示。由于方阵满足自身的特征多项式，\\(A\\) 的每个幂都可以化为 \\(I,A,\\ldots,A^{n-1}\\) 的线性组合。因此，\\(e^A\\) 总能表示为关于 \\(A\\) 的次数低于 \\(n\\) 的多项式，而且其次数往往还低于最小多项式的次数。多项式的系数取决于矩阵的谱信息；这一结论并不意味着将指数级数截取前 \\(n\\) 项就能得到精确结果。"
    },
    {
      "heading": "代数恒等式与非交换性的作用",
      "text": "由于同一个矩阵的各次幂彼此可交换，标量指数的若干恒等式对矩阵指数仍然成立。特别地，\n\n\\[e^{sA}e^{tA}=e^{(s+t)A}, \\qquad (e^A)^{-1}=e^{-A}.\\]\n\n因此，每个矩阵指数都可逆，即使 \\(A\\) 本身是奇异矩阵也不例外。参数族 \\(t\\mapsto e^{tA}\\) 在乘法运算下构成一个单参数群。参数可以是实数或复数；对于实数域上的演化方程，通常将其解释为时间。\n\n对于两个不同的矩阵，使用熟悉的指数加法法则时需要谨慎。如果 \\(AB=BA\\)，那么\n\n\\[e^{A+B}=e^Ae^B.\\]\n\n没有这一前提，该恒等式一般不成立。例如，取\n\n\\[A=\\begin{pmatrix}0&1\\\\0&0\\end{pmatrix}, \\qquad B=\\begin{pmatrix}0&0\\\\1&0\\end{pmatrix}.\\]\n\n由于 \\(A^2=B^2=0\\)，有\n\n\\[e^Ae^B= \\begin{pmatrix}2&1\\\\1&1\\end{pmatrix},\\]\n\n而 \\((A+B)^2=I\\)，因此\n\n\\[e^{A+B}= \\begin{pmatrix}\\cosh 1&\\sinh 1\\\\\\sinh 1&\\cosh 1\\end{pmatrix}.\\]\n\n可交换是加法法则成立的充分条件，但一般而言，该等式对某一对矩阵成立，并不意味着这两个矩阵可交换。\n\n矩阵指数与矩阵相似变换相容：\n\n\\[e^{SAS^{-1}}=Se^AS^{-1}.\\]\n\n因此，它是线性算子的内禀运算，而不是依赖于所选坐标系的运算。它也与直和、转置和共轭转置相容：\n\n\\[e^{A\\oplus B}=e^A\\oplus e^B,\\qquad (e^A)^T=e^{A^T},\\qquad (e^A)^*=e^{A^*}.\\]\n\n这里，\\(A^*\\) 表示共轭转置。利用这些恒等式，无须显式求和即可推断矩阵指数的结构性质。\n\n一个尤为重要的关系将行列式与矩阵的迹联系起来：\n\n\\[\\det(e^A)=e^{\\operatorname{tr}A}.\\]\n\n因此，对于实矩阵 \\(A\\)，\\(e^A\\) 的行列式严格为正。如果 \\(\\operatorname{tr}A=0\\)，则矩阵指数保持有向体积不变。相比之下，矩阵指数的迹通常不等于矩阵的迹的指数。\n\n非交换性带来的修正项由贝克–坎贝尔–豪斯多夫公式系统地给出。当两个矩阵都在零矩阵附近时，\\(e^Ae^B\\) 的一个适当选取的对数展开为\n\n\\[\\log(e^Ae^B) =A+B+\\frac12[A,B] +\\frac1{12}[A,[A,B]] +\\frac1{12}[B,[B,A]]+\\cdots,\\]\n\n其中 \\([A,B]=AB-BA\\)。这些交换子项描述了用两矩阵之和的指数替代两次相继变换时产生的主要误差。该展开式的收敛性受到一定条件的限制，也可作为形式级数使用。"
    },
    {
      "heading": "特征值、若尔当结构与显式公式",
      "text": "指数运算对谱值的变换方式很简单。若 \\(Av=\\lambda v\\)，其中 \\(v\\ne0\\)，则\n\n\\[e^Av=e^\\lambda v.\\]\n\n更一般地，谱映射定理给出\n\n\\[\\sigma(e^A)=\\{e^\\lambda:\\lambda\\in\\sigma(A)\\},\\]\n\n其中 \\(\\sigma(A)\\) 表示 \\(A\\) 的特征值集合。当不同特征值的标量指数相同时，必须将它们的代数重数相加；例如，两个特征值之差为 \\(2\\pi i\\) 的整数倍时，就会出现这种情况。\n\n若 \\(A\\) 可以进行矩阵对角化，\n\n\\[A=V\\Lambda V^{-1},\\]\n\n则\n\n\\[e^A=V\\operatorname{diag}(e^{\\lambda_1},\\ldots,e^{\\lambda_n})V^{-1}.\\]\n\n这一公式对正规矩阵尤其有用，因为根据谱定理，正规矩阵具有一组由特征向量构成的标准正交基。对于一般的可对角化矩阵，若特征向量矩阵 \\(V\\) 病态，直接使用该公式进行数值计算可能导致结果不准确。此外，矩阵也可能根本无法对角化。\n\n若尔当标准形可以处理后一种情况。对于若尔当块\n\n\\[J=\\lambda I+N,\\qquad N^m=0,\\]\n\n其标量部分与 \\(N\\) 可交换，因此\n\n\\[e^{tJ}=e^{t\\lambda} \\left(I+tN+\\frac{t^2N^2}{2!} +\\cdots+\\frac{t^{m-1}N^{m-1}}{(m-1)!}\\right).\\]\n\n因此，不可对角化的结构会引入关于时间的多项式因子。对于二阶块，\n\n\\[\\exp\\left(t \\begin{pmatrix}\\lambda&1\\\\0&\\lambda\\end{pmatrix}\\right) =e^{t\\lambda} \\begin{pmatrix}1&t\\\\0&1\\end{pmatrix}.\\]\n\n这说明了为什么仅凭特征值无法刻画增长行为的所有方面。\n\n也可以不引入若尔当坐标而构造显式公式。对于互异的特征值，通过多项式插值可得到满足 \\(p(\\lambda_j)=e^{\\lambda_j}\\) 的多项式 \\(p\\)；当 \\(A\\) 可对角化时，有 \\(e^A=p(A)\\)。若存在非平凡的若尔当块，还需满足导数条件：\\(p^{(r)}(\\lambda)=e^\\lambda\\)，其中所需的导数阶数由特征值 \\(\\lambda\\) 对应的最大若尔当块决定。这些条件称为埃尔米特插值条件。\n\n对于实 \\(2\\times2\\) 矩阵，将其写为 \\(A=\\tau I+B\\)，其中 \\(\\tau=\\operatorname{tr}(A)/2\\)，便可得到一个简洁的公式。由凯莱–哈密顿定理，\n\n\\[B^2=\\delta^2I,\\qquad \\delta^2=\\tau^2-\\det A.\\]\n\n因此，\n\n\\[e^A=e^\\tau\\left(\\cosh\\delta\\,I+ \\frac{\\sinh\\delta}{\\delta}B\\right),\\]\n\n其中在 \\(\\delta=0\\) 时，将 \\(\\sinh\\delta/\\delta\\) 解释为 \\(1\\)。当 \\(\\delta\\) 为虚数时，该公式可用实数的正弦和余弦函数改写。它直接展示了指数增长、剪切与振荡之间的联系。"
    },
    {
      "heading": "线性微分方程与稳定性",
      "text": "对于常系数常微分方程\n\n\\[x'(t)=Ax(t),\\qquad x(0)=x_0,\\]\n\n逐项求导可得\n\n\\[\\frac{d}{dt}e^{tA}=Ae^{tA}=e^{tA}A.\\]\n\n因此，其唯一解为 \\(x(t)=e^{tA}x_0\\)。\\(e^{tA}\\) 的各列分别是以各坐标基向量为初值的解。更一般地，从时刻 \\(s\\) 到时刻 \\(t\\) 的状态转移矩阵为 \\(e^{(t-s)A}\\)。\n\n对于非齐次方程\n\n\\[x'(t)=Ax(t)+f(t),\\]\n\n常数变易公式为\n\n\\[x(t)=e^{tA}x_0+ \\int_0^t e^{(t-s)A}f(s)\\,ds.\\]\n\n这个积分表示外部激励所引起的累积响应：在时刻 \\(s\\) 施加的输入，随后会经历 \\(t-s\\) 个时间单位的演化。该公式是线性响应理论以及许多受迫动力系统分析方法的基础。\n\n系统的长期行为既取决于特征值，也取决于若尔当结构。当且仅当所有特征值的实部都严格小于零时，每个解才会在 \\(t\\to\\infty\\) 时趋于零。要使 \\(e^{tA}\\) 在 \\(t\\geq0\\) 上有界，必须且只需所有特征值的实部都不大于零，并且虚轴上每个特征值所对应的若尔当块的阶数都为一。纯虚特征值对应的非平凡若尔当块会引入一个无界的多项式因子。\n\n即使所有特征值都位于开左半平面，也可能出现显著的瞬态放大。考虑\n\n\\[A=\\begin{pmatrix}-1&K\\\\0&-2\\end{pmatrix}.\\]\n\n其矩阵指数为\n\n\\[e^{tA}= \\begin{pmatrix} e^{-t}&K(e^{-t}-e^{-2t})\\\\ 0&e^{-2t} \\end{pmatrix}.\\]\n\n两个特征值均为负数，但在 \\(t=\\log2\\) 时，非对角元素为 \\(K/4\\)。因此，较大的 \\(K\\) 会使系统在最终衰减之前出现很大的中间响应。这是非正规系统的典型特征，在流体动力稳定性、控制和数值误差分析中都十分重要。\n\n常系数这一假设至关重要。对于 \\(x'=A(t)x\\)，表达式\n\n\\[\\exp\\left(\\int_0^t A(s)\\,ds\\right)\\]\n\n在不同时刻的矩阵彼此可交换时是一个解算子，但一般情况下并非如此。正确的传播算子可以表示为由迭代积分构成的时间有序级数。威廉·马格努斯于 1954 年提出的马格努斯展开则将其写成 \\(e^{\\Omega(t)}\\)，前几项为\n\n\\[\\Omega_1(t)=\\int_0^t A(s)\\,ds,\\]\n\n\\[\\Omega_2(t)=\\frac12\\int_0^t ds_1 \\int_0^{s_1}ds_2\\,[A(s_1),A(s_2)].\\]\n\n第二项衡量了系数矩阵不可交换的程度。"
    },
    {
      "heading": "几何、李群与矩阵对数",
      "text": "在矩阵李群中，指数映射将无穷小生成元与有限变换联系起来。相应的李代数由单位元处的切向量组成，并以矩阵交换子为括号运算。对于该代数中的元素 \\(A\\)，\\(t\\mapsto e^{tA}\\) 是一个单参数子群。这赋予了指数映射一种有别于其幂级数定义的几何解释。\n\n如果实矩阵 \\(K\\) 是斜对称矩阵，即 \\(K^T=-K\\)，那么\n\n\\[(e^K)^Te^K=e^{-K}e^K=I,\\]\n\n且 \\(\\det(e^K)=1\\)。因此，\\(e^K\\) 是一个表示正常旋转的正交矩阵。在二维情形下，\n\n\\[K=\\begin{pmatrix}0&-\\theta\\\\\\theta&0\\end{pmatrix} \\quad\\Longrightarrow\\quad e^K= \\begin{pmatrix}\\cos\\theta&-\\sin\\theta\\\\ \\sin\\theta&\\cos\\theta\\end{pmatrix}.\\]\n\n在三维情形下，类似的构造可得到罗德里格斯旋转公式。同样，斜厄米矩阵的指数是酉矩阵。\n\n同样的推理也适用于其他结构。厄米矩阵的指数是厄米正定矩阵，因为其各个实特征值经指数运算后都变为严格正数。反过来，每个厄米正定矩阵都有唯一的厄米对数。对于实对称矩阵，这些结论完全可以在实数范围内成立。它们为协方差矩阵及其他正定对象提供了实用的坐标表示。\n\n可逆矩阵 \\(M\\) 的一个矩阵对数是满足 \\(e^L=M\\) 的矩阵 \\(L\\)。每个可逆复矩阵都至少有一个复对数，但对数通常不唯一。即使是 \\(I\\) 也有许多对数：例如，对应于旋转角 \\(2\\pi\\) 的二维旋转生成元，其指数就是 \\(I\\)。如果 \\(M\\) 在闭负实轴上没有特征值，那么它就有唯一的主对数，且该主对数的特征值的虚部均位于 \\((-\\pi,\\pi)\\) 内。\n\n实数情形还有额外的限制。一个实矩阵存在实对数，当且仅当它可逆，并且对于每个负实特征值，每一种给定大小的若尔当块都出现偶数次。行列式为正是必要条件，但不是充分条件。矩阵 \\(\\operatorname{diag}(-1,-2)\\) 的行列式为正，却没有实对数；而二维的 \\(-I\\) 则确实有实对数。\n\n这些事实也说明了为什么李群的指数映射不一定能覆盖群中的每个元素。每个实矩阵的指数都属于一般线性群的单位元连通分支，但该分支中并非每个元素都能表示为单个矩阵的指数。不过，在零点附近，指数映射局部可逆，并映到单位元的一个邻域上，因为它在零点处的导数是恒等映射。"
    },
    {
      "heading": "微分、扰动与条件性",
      "text": "对标量时间参数求导很简单，因为 \\(A\\) 与其自身的指数可交换。而对矩阵本身求导则更为微妙。如果 \\(A\\) 沿方向 \\(E\\) 受到扰动，指数函数的弗雷歇导数为\n\n\\[L_{\\exp}(A,E) =\\int_0^1 e^{(1-s)A}E e^{sA}\\,ds.\\]\n\n它是下式中的线性项：\n\n\\[e^{A+E}=e^A+L_{\\exp}(A,E)+O(\\|E\\|^2).\\]\n\n该导数关于 \\(E\\) 是线性的，但通常不能简化为 \\(e^AE\\)，因为 \\(E\\) 不一定与 \\(A\\) 可交换。\n\n展开定义矩阵指数的级数，可得等价表达式\n\n\\[L_{\\exp}(A,E) =\\sum_{k=1}^{\\infty}\\frac1{k!} \\sum_{j=0}^{k-1}A^jEA^{k-1-j}.\\]\n\n扰动在各因子之间每一个可能的插入位置都会产生贡献。如果 \\(AE=EA\\)，每个内层求和中的各项都相同，公式便简化为 \\(L_{\\exp}(A,E)=e^AE\\)。这一区别对于涉及矩阵指数的自动微分、参数估计和优化十分重要。\n\n对于可微的矩阵值函数 \\(A(t)\\)，正确的链式法则为\n\n\\[\\frac{d}{dt}e^{A(t)} =L_{\\exp}(A(t),A'(t)).\\]\n\n下面这个实用的计算恒等式将矩阵指数及其导数合并在一个分块矩阵中：\n\n\\[\\exp\\begin{pmatrix}A&E\\\\0&A\\end{pmatrix} = \\begin{pmatrix} e^A&L_{\\exp}(A,E)\\\\ 0&e^A \\end{pmatrix}.\\]\n\n这一恒等式既可用于理论推导，也可用于构造导数求值算法，不过专门的方法可以避免构造这个维数加倍的完整矩阵。\n\n这个线性导数的范数衡量了敏感性。对于 \\(A\\ne0\\)，可以定义相对条件数\n\n\\[\\operatorname{cond}_{\\exp}(A) =\\frac{\\|L_{\\exp}(A)\\|\\,\\|A\\|}{\\|e^A\\|},\\]\n\n其中，\\(\\|L_{\\exp}(A)\\|\\) 是作用于扰动矩阵的诱导算子范数。条件数较大意味着 \\(A\\) 的微小相对变化可能导致其指数产生大得多的相对变化。这是数学问题本身的性质，与所选算法无关。\n\n一个精确的扰动恒等式明确刻画了这种依赖关系：\n\n\\[e^{A+E}-e^A =\\int_0^1 e^{(1-s)(A+E)}E e^{sA}\\,ds.\\]\n\n对 \\(e^{(1-s)(A+E)}e^{sA}\\) 关于 \\(s\\) 求导，即可得到这一恒等式。随后利用范数估计，例如可得\n\n\\[\\|e^{A+E}-e^A\\| \\leq \\|E\\|e^{\\|A\\|+\\|E\\|}.\\]\n\n这个界具有一般性，但可能偏于保守；更精确的估计会考虑矩阵的正规性、谱的位置以及瞬态增长。"
    },
    {
      "heading": "稠密矩阵的数值计算",
      "text": "对于规模适中的稠密矩阵，任务通常是通过浮点运算计算 \\(e^A\\) 的所有元素。直接对泰勒级数求和并不总是可靠：可能需要计算很多项，而且数值很大的中间项可能相互抵消，最终得到小得多的结果。当特征向量构成的矩阵病态时，即使精确的对角化公式成立，直接对角化在数值上也可能失败。\n\n一种广泛使用的方法是缩放平方方法，其依据是\n\n\\[e^A=\\left(e^{A/2^s}\\right)^{2^s}.\\]\n\n选取非负整数 \\(s\\)，使缩放后的矩阵适合进行高精度近似。计算出近似值 \\(R\\approx e^{A/2^s}\\) 后，算法对 \\(R\\) 连续进行 \\(s\\) 次平方。关键在于如何近似缩放后的矩阵指数，以及选择多大的缩放程度。\n\n帕德近似给出有理近似\n\n\\[r_m(z)=\\frac{p_m(z)}{q_m(z)}\\]\n\n其泰勒展开直到 \\(2m\\) 次项都与 \\(e^z\\) 一致。对于对角型 \\([m/m]\\) 近似，可以取\n\n\\[p_m(z)= \\sum_{k=0}^m \\frac{(2m-k)!\\,m!}{(2m)!\\,(m-k)!\\,k!}z^k, \\qquad q_m(z)=p_m(-z).\\]\n\n计算矩阵近似值时，通过求解\n\n\\[q_m(A)R=p_m(A),\\]\n\n得到结果，而不是显式构造逆矩阵。高效的多项式求值方法可以减少矩阵乘法的次数。\n\n缩放参数和近似阶数依据适用于当前计算精度的误差界来选取。在双精度计算中，成熟的实现会采用 \\(3,5,7,9,\\) 和 \\(13\\) 等阶数的对角型帕德近似。缩放过度不仅增加计算成本，还可能增大反复平方过程中的舍入误差。因此，现代方法会使用涉及 \\(A\\) 的幂的估计，而不只是依据 \\(\\|A\\|\\) 给出的粗略界。\n\n舒尔分解提供了另一种有用的框架：\n\n\\[A=QTQ^*,\\qquad e^A=Qe^TQ^*,\\]\n\n其中 \\(Q\\) 为酉矩阵，\\(T\\) 为三角矩阵。与若尔当标准形不同，舒尔形可以通过数值稳定的方法计算得到。三角结构允许使用专门的递推公式，但当对角元素十分接近时，需要谨慎处理，以免除法运算引发数值不稳定。\n\n克利夫·莫勒和查尔斯·范洛恩在1978年的论文《计算矩阵指数的十九种可疑方法》中综述了这些算法的发展，并于2003年重新探讨了这一主题。尼古拉斯·海厄姆在2005年对缩放平方方法的分析，以及随后与阿瓦德·穆希开展的研究，进一步改进了误差界和缩放参数的选择。一个核心评价标准是后向误差：计算结果是否可以解释为某个小扰动 \\(\\Delta A\\) 下的 \\(e^{A+\\Delta A}\\)。较小的后向误差与良好的条件性相结合，才能保证较小的前向误差。"
    },
    {
      "heading": "大规模稀疏系统与矩阵指数的作用",
      "text": "对于大规模系统，计算完整的矩阵指数可能既不现实，也无必要。即使 \\(A\\) 是稀疏矩阵，\\(e^A\\) 通常也是稠密矩阵。在微分方程的应用中，往往只需要计算矩阵指数对一个向量 \\(v\\) 的作用\n\n\\[y=e^{tA}v\\]\n\n或对一小组向量的相应作用。计算这种指数作用的算法利用矩阵与向量的乘积，而不必构造 \\(e^{tA}\\) 的全部 \\(n^2\\) 个元素。\n\n一种主要方法是将问题投影到克雷洛夫子空间\n\n\\[\\mathcal K_m(A,v)= \\operatorname{span}\\{v,Av,\\ldots,A^{m-1}v\\}.\\]\n\n阿诺尔迪过程构造一组标准正交基 \\(V_m\\) 和一个小型上 Hessenberg 矩阵 \\(H_m\\)，满足\n\n\\[AV_m=V_mH_m+h_{m+1,m}v_{m+1}e_m^T.\\]\n\n若 \\(\\beta=\\|v\\|_2\\)，则可作近似\n\n\\[e^{tA}v\\approx \\beta V_m e^{tH_m}e_1.\\]\n\n这样只需计算规模小得多的矩阵 \\(H_m\\) 的指数。\n\n对于厄米矩阵 \\(A\\)，兰索斯过程会生成三对角投影矩阵，在精确算术下可减少存储需求和运算量。收敛性取决于谱的几何分布、时间区间，以及 \\(v\\) 与 \\(A\\) 的不变子空间之间的关系。较长的时间区间可以拆分成较短的时间步，并自适应地选择步长和子空间维数。基于残差的估计有助于监测近似质量，但矩阵的非正规性会使从残差界推导误差界变得复杂。\n\n多项式方法是另一种选择。截断的泰勒多项式可以通过矩阵与向量的乘积递推求值，并结合时间缩放来保证各阶段的精度。这类算法无需存储大型克雷洛夫基，也能高效处理多个右端项。对于谱区间已知的厄米矩阵，切比雪夫多项式展开尤其有效。有理克雷洛夫方法需要求解移位后的线性方程组，对于某些刚性问题，其性能可能优于多项式方法，但代价是需要求解涉及 \\(A\\) 的线性方程组。\n\n同样的技术也可用于计算指数积分器中使用的辅助函数。定义\n\n\\[\\varphi_k(z)=\\sum_{j=0}^{\\infty}\\frac{z^j}{(j+k)!}.\\]\n\n特别地，\\(\\varphi_1(z)=(e^z-1)/z\\)，并在 \\(z=0\\) 处作连续延拓。对于常值强迫项 \\(b\\)，有\n\n\\[x(t+h)=e^{hA}x(t)+h\\varphi_1(hA)b.\\]\n\n与需要用到 \\(A^{-1}\\) 的公式不同，即使 \\(A\\) 是奇异矩阵，这些函数仍有良好定义。指数积分器利用这类作用，精确处理刚性的线性部分，同时对非线性项或随时间变化的项作近似。"
    },
    {
      "heading": "概率、控制与量子演化",
      "text": "对于有限状态的连续时间马尔可夫链，设 \\(Q\\) 为采用行向量约定的生成矩阵：其非对角元素非负，且每行元素之和为零。转移矩阵为\n\n\\[P(t)=e^{tQ}.\\]\n\n它满足 \\(P(0)=I\\)，各元素非负，每行元素之和为一，并且满足\n\n\\[P(t+s)=P(t)P(s).\\]\n\n这是查普曼—柯尔莫哥洛夫方程的连续时间半群形式。行概率向量按 \\(p(t)=p(0)e^{tQ}\\) 演化。\n\n均匀化方法使其概率意义更加明确。选取\n\n\\[\\nu\\geq\\max_i(-q_{ii}),\\qquad \\nu>0,\\]\n\n并令 \\(R=I+Q/\\nu\\)。则 \\(R\\) 为随机矩阵，且\n\n\\[e^{tQ}=e^{-\\nu t} \\sum_{k=0}^{\\infty}\\frac{(\\nu t)^k}{k!}R^k.\\]\n\n因此，连续时间转移规律是离散时间转移的混合，其中步数服从均值为 \\(\\nu t\\) 的泊松分布。这也提供了一种计算方法，其截断误差可由泊松分布的尾概率控制。\n\n在控制理论中，连续时间线性系统\n\n\\[x'(t)=Ax(t)+Bu(t)\\]\n\n在分段常值输入下具有如下精确的采样动态方程：\n\n\\[x_{k+1}=A_dx_k+B_du_k,\\]\n\n其中\n\n\\[A_d=e^{hA},\\qquad B_d=\\int_0^h e^{sA}B\\,ds.\\]\n\n这两个量可以通过一个分块矩阵的指数同时求得：\n\n\\[\\exp\\left( h\\begin{pmatrix}A&B\\\\0&0\\end{pmatrix} \\right) = \\begin{pmatrix}A_d&B_d\\\\0&I\\end{pmatrix}.\\]\n\n与 \\(A^{-1}(e^{hA}-I)B\\) 不同，该公式在 \\(A\\) 为奇异矩阵时仍然成立。\n\n在有限维量子力学中，不随时间变化的厄米哈密顿量 \\(H\\) 生成如下演化：\n\n\\[\\psi(t)=e^{-itH/\\hbar}\\psi(0).\\]\n\n指数中的矩阵是斜厄米矩阵，因此传播算符是酉算符，并保持态的范数不变。其特征值为相位因子 \\(e^{-itE_j/\\hbar}\\)，其中 \\(E_j\\) 为能量特征值。在逆温度为 \\(\\beta\\) 时，同一哈密顿量给出平衡态密度矩阵\n\n\\[\\rho=\\frac{e^{-\\beta H}}{\\operatorname{tr}(e^{-\\beta H})}.\\]\n\n此时，矩阵指数是正定的，而非酉的。\n\n分裂公式将这些应用与数值计算联系起来。李—特罗特乘积公式给出\n\n\\[e^{t(A+B)} =\\lim_{m\\to\\infty} \\left(e^{tA/m}e^{tB/m}\\right)^m.\\]\n\n对于固定的有限维矩阵和有界时间区间，对称步进\n\n\\[e^{hA/2}e^{hB}e^{hA/2}\\]\n\n的局部误差为 \\(h^3\\) 阶。当各分量的指数更易计算，或能保持酉性等结构时，这类构造就十分有用。"
    },
    {
      "heading": "算子推广、扩散与网络解释",
      "text": "有限维矩阵指数属于更广泛的算子演化理论。如果 \\(A\\) 是 巴拿赫空间上的有界线性算子，同样的幂级数在算子范数下收敛，并定义 \\(e^{tA}\\)。有限维情形中常系数演化方程的推导也随之适用。然而，对于无界算子，幂级数未必对每个向量都有定义，因此定义域问题至关重要。\n\n热方程是一个典型例子。在适当的边界条件下，\n\n\\[\\frac{\\partial u}{\\partial t}=\\Delta u\\]\n\n可形式地写成 \\(u(t)=e^{t\\Delta}u_0\\)，其中 \\(\\Delta\\) 为拉普拉斯算子。这一记号表示的是算子半群，而非普通的有限维矩阵指数。当特征函数满足\n\n\\[-\\Delta\\phi_j=\\mu_j\\phi_j,\\]\n\n时，在适当的函数空间假设下，解具有谱表示\n\n\\[u(t)=\\sum_j e^{-t\\mu_j} \\langle u_0,\\phi_j\\rangle\\phi_j,\\]\n\n利用有限差分法或有限元法进行空间离散化，可得到如下形式的有限维系统：\n\n\\[M u'(t)+Ku(t)=0,\\]\n\n其中 \\(M\\) 为质量矩阵，\\(K\\) 为刚度矩阵。若 \\(M\\) 可逆，则解为\n\n\\[u(t)=e^{-tM^{-1}K}u(0).\\]\n\n实际算法可以通过求解线性方程组来计算 \\(M^{-1}K\\) 对向量的作用，而不显式构造该矩阵。与精细空间尺度相关的大特征值会使系统具有刚性，这促使人们采用直接计算矩阵指数对向量作用的方法，以处理线性演化，避免显式欧拉步进的稳定性限制。\n\n在有限图上，矩阵指数具有组合意义。对于无权图的邻接矩阵 \\(W\\)，元素 \\((W^k)_{ij}\\) 表示从顶点 \\(i\\) 到顶点 \\(j\\) 的长度为 \\(k\\) 的游走数。因此，\n\n\\[(e^{tW})_{ij} =\\sum_{k=0}^{\\infty}\\frac{t^k}{k!}(W^k)_{ij}\\]\n\n是对所有长度的游走求得的加权和。网络可通信性度量利用这一构造，同时计入直接连接和间接连接。所得结果通常并非转移概率矩阵，因为邻接矩阵未必具有马尔可夫生成元所需的守恒性质。\n\n对于拉普拉斯矩阵为 \\(L=D-W\\) 的无向图，矩阵 \\(e^{-tL}\\) 描述的则是扩散。拉普拉斯矩阵是对称半正定矩阵，因此各特征模态分别乘以因子 \\(e^{-t\\lambda_j}\\)。非常数模态逐渐衰减，而零特征值对应的模态保持不变。对于具有 \\(n\\) 个顶点的连通图，\n\n\\[\\lim_{t\\to\\infty}e^{-tL} =\\frac1n\\mathbf1\\mathbf1^T.\\]\n\n因此，扩散使每个顶点的值都趋于初始值的平均值。对于非连通图，极限投影在每个连通分量上分别保留一个常数值。"
    }
  ],
  "links": [
    "mathematical-function",
    "matrix",
    "identity-matrix",
    "exponential-function",
    "differential-equation",
    "power-series",
    "matrix-multiplication",
    "norm-mathematics",
    "uniform-convergence",
    "cayley-hamilton-theorem",
    "characteristic-polynomial",
    "matrix-similarity",
    "conjugate-transpose",
    "determinant",
    "matrix-trace",
    "baker-campbell-hausdorff-formula",
    "eigenvalues-and-eigenvectors",
    "matrix-diagonalization",
    "spectral-theorem",
    "jordan-normal-form",
    "interpolation",
    "ordinary-differential-equation",
    "lie-group",
    "lie-algebra",
    "orthogonal-matrix",
    "unitary-matrix",
    "positive-definite-matrix",
    "automatic-differentiation",
    "chain-rule",
    "condition-number",
    "floating-point-arithmetic",
    "inverse-matrix",
    "schur-decomposition",
    "sparse-matrix",
    "continuous-time-markov-chain",
    "chapman-kolmogorov-equations",
    "poisson-distribution",
    "control-theory",
    "quantum-mechanics",
    "banach-space",
    "heat-equation",
    "laplace-operator",
    "adjacency-matrix"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}