{
  "id": "minimal-polynomial",
  "title": "最小多项式",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "最小多项式是在指定域上使代数元、方阵或线性算子为零的次数最低的唯一首一多项式。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "极小多项式"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/minimal-polynomial/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/minimal-polynomial/",
      "json": "https://aiwiki.page/en/minimal-polynomial.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "最小多项式是一个多项式，它刻画了给定数学对象在指定域上满足的次数最低的多项式关系。对于代数元 \\(\\alpha\\)，它是以 \\(\\alpha\\) 为根、正次数最低的首一多项式。对于方矩阵或非零有限维空间上的线性算子 \\(T\\)，它是代入 \\(T\\) 后结果为零、次数最低的首一多项式。这些定义具有共同的代数基础，但有一个重要区别：域上的代数元的最小多项式总是不可约的，而矩阵的最小多项式未必不可约。"
    },
    {
      "heading": "一般定义",
      "text": "设 \\(F\\) 为一个域，\\(a\\) 是一个非零含幺结合 \\(F\\)-代数中的元素，且标量的作用与所有元素交换。对于\n\n\\[p(x)=c_0+c_1x+\\cdots+c_dx^d\\in F[x],\\]\n\n在 \\(a\\) 处求值是指\n\n\\[p(a)=c_0\\,1+c_1a+\\cdots+c_da^d.\\]\n\n若存在非零多项式满足 \\(p(a)=0\\)，则称 \\(a\\) 在 \\(F\\) 上是代数的。它的最小多项式 \\(m_a(x)\\) 是满足\n\n\\[m_a(a)=0.\\]\n\n的次数最低的首一多项式。这里，首一是指首项系数为 \\(1\\)。\n\n这一定义蕴含了更强的整除性质：\n\n\\[p(a)=0 \\quad\\Longleftrightarrow\\quad m_a(x)\\mid p(x).\\]\n\n事实上，多项式除法给出 \\(p=qm_a+r\\)，其中 \\(\\deg r<\\deg m_a\\)。若 \\(p(a)=0\\)，则 \\(r(a)=0\\)；由次数的最小性可知 \\(r=0\\)。这也证明了唯一性。\n\n等价地，求值映射\n\n\\[\\operatorname{ev}_a:F[x]\\longrightarrow F[a], \\qquad p\\longmapsto p(a),\\]\n\n是一个环同态，其核为理想\n\n\\[\\ker(\\operatorname{ev}_a)=(m_a).\\]\n\n因此，最小多项式刻画了 \\(a\\) 满足的所有多项式关系，而不只是其中次数最低的一个关系。"
    },
    {
      "heading": "代数元与域扩张",
      "text": "设 \\(E/F\\) 是一个域扩张，且 \\(\\alpha\\in E\\) 在 \\(F\\) 上是代数的。其最小多项式通常记为\n\n\\[m_{\\alpha,F}(x) \\quad\\text{or}\\quad \\operatorname{min}_F(\\alpha).\\]\n\n不可约性\n\n多项式 \\(m_{\\alpha,F}\\) 是 \\(F\\) 上的不可约多项式。若它可分解为\n\n\\[m_{\\alpha,F}=gh\\]\n\n且两个因式的次数均为正，则\n\n\\[0=g(\\alpha)h(\\alpha).\\]\n\n由于 \\(E\\) 是域，必有一个因式在 \\(\\alpha\\) 处为零，这与次数的最小性矛盾。\n\n反过来，\\(F\\) 上任何以 \\(\\alpha\\) 为根的首一不可约多项式，都是它的最小多项式。\n\n次数与生成域的基\n\n求值映射给出一个同构\n\n\\[F[x]/(m_{\\alpha,F})\\cong F[\\alpha].\\]\n\n不可约性保证这个商环是域，因此 \\(F[\\alpha]=F(\\alpha)\\)，即 \\(E\\) 中包含 \\(F\\) 和 \\(\\alpha\\) 的最小子域。\n\n若 \\(d=\\deg m_{\\alpha,F}\\)，则\n\n\\[[F(\\alpha):F]=d,\\]\n\n且\n\n\\[1,\\alpha,\\ldots,\\alpha^{d-1}\\]\n\n构成 \\(F\\) 上的一组基。因此，\\(F(\\alpha)\\) 中每个元素都能唯一地表示为一个关于 \\(\\alpha\\) 的次数小于 \\(d\\) 的多项式。\n\n例子及对基域的依赖\n\n在有理数域上，\n\n\\[m_{\\sqrt2,\\mathbb Q}(x)=x^2-2.\\]\n\n这个多项式在 \\(\\sqrt2\\) 处为零，且在 \\(\\mathbb Q\\) 上不可约。\n\n基域的选择至关重要。由于 \\(\\sqrt2\\in\\mathbb R\\)，\n\n\\[m_{\\sqrt2,\\mathbb R}(x)=x-\\sqrt2.\\]\n\n同样，虚数单位在 \\(\\mathbb R\\) 上的最小多项式为 \\(x^2+1\\)，而在 \\(\\mathbb C\\) 上则为 \\(x-i\\)。\n\n在 \\(F\\) 上的超越数不满足 \\(F\\) 上任何非零多项式方程，因此在该域上没有最小多项式。\n\n共轭根与可分性\n\n在 \\(m_{\\alpha,F}\\) 能分裂的域中，它的根称为 \\(\\alpha\\) 在 \\(F\\) 上的代数共轭元。这些根在伽罗瓦理论中具有核心地位。\n\n在特征为零的情形下，不可约多项式没有重根。在正特征的情形下，不可约多项式在分裂域中可能有重根。因此，并非在所有域上，不可约性都能单独保证可分性。"
    },
    {
      "heading": "矩阵与线性算子",
      "text": "设 \\(V\\) 是域 \\(F\\) 上的非零有限维向量空间，\\(T:V\\to V\\) 是一个线性算子。对于\n\n\\[p(x)=c_0+c_1x+\\cdots+c_dx^d,\\]\n\n定义\n\n\\[p(T)=c_0I+c_1T+\\cdots+c_dT^d,\\]\n\n其中 \\(I\\) 为恒等算子。\n\n最小多项式 \\(m_T\\) 是满足 \\(m_T(T)=0\\) 的次数最低的唯一首一多项式。它之所以存在，是因为在 \\(V\\) 上的算子构成的有限维空间中，足够多个 \\(T\\) 的幂必然线性相关。\n\n选定一组基后，便得到表示 \\(T\\) 的矩阵 \\(A\\)，且 \\(m_A=m_T\\)。特别地，最小多项式在矩阵相似下保持不变：\n\n\\[B=P^{-1}AP \\quad\\Longrightarrow\\quad m_B=m_A.\\]\n\n与域元素的情形不同，算子所在的代数可能有零因子。因此，算子的最小多项式可以分解为若干个非常数多项式的乘积。\n\n与特征多项式的关系\n\n对于 \\(n\\times n\\) 矩阵 \\(A\\)，其特征多项式为\n\n\\[\\chi_A(x)=\\det(xI-A).\\]\n\n凯莱—哈密顿定理指出\n\n\\[\\chi_A(A)=0.\\]\n\n因此，\n\n\\[m_A\\mid\\chi_A, \\qquad 1\\leq\\deg m_A\\leq n.\\]\n\n这两个多项式包含不同的信息。特征多项式记录特征值及其代数重数。最小多项式记录使算子为零所需的多项式关系，并且在分裂域上，记录每个特征值所对应的最大若尔当块的大小。\n\n它们在分裂域中的不同根完全相同，但根的重数可能不同。例如，\n\n\\[A=\\begin{pmatrix}2&0\\\\0&2\\end{pmatrix}\\]\n\n满足\n\n\\[\\chi_A(x)=(x-2)^2, \\qquad m_A(x)=x-2.\\]\n\n特征值与若尔当块\n\n分裂域中的元素 \\(\\lambda\\) 是 \\(A\\) 的特征值，当且仅当\n\n\\[m_A(\\lambda)=0.\\]\n\n若\n\n\\[m_A(x)=\\prod_{\\lambda}(x-\\lambda)^{s_\\lambda},\\]\n\n则 \\(s_\\lambda\\) 是 \\(A\\) 的若尔当标准形中对应于 \\(\\lambda\\) 的最大若尔当块的大小。\n\n例如，\n\n\\[B=\\begin{pmatrix}2&1\\\\0&2\\end{pmatrix}\\]\n\n满足\n\n\\[(B-2I)^2=0, \\qquad B-2I\\neq0,\\]\n\n因此\n\n\\[m_B(x)=(x-2)^2.\\]\n\n尽管上述 \\(A\\) 与 \\(B\\) 具有相同的特征多项式，但它们的最小多项式揭示了各自不同的算子结构。\n\n更一般地，若 \\(N^r=0\\) 但 \\(N^{r-1}\\neq0\\)，则 \\(N\\) 是幂零指数为 \\(r\\) 的幂零矩阵，且\n\n\\[m_N(x)=x^r.\\]\n\n可对角化性\n\n矩阵在 \\(F\\) 上可对角化，当且仅当其最小多项式是 \\(F[x]\\) 中互不相同的一次因式的乘积。\n\n这两个要求都不可缺少：\n\n- 重复因式表明存在非平凡的若尔当块。\n- 即使没有重复的不可约因式，只要存在不能在 \\(F\\) 上分裂的因式，矩阵就不能在 \\(F\\) 上对角化。\n\n例如，实矩阵\n\n\\[R=\\begin{pmatrix}0&-1\\\\1&0\\end{pmatrix}\\]\n\n的最小多项式为 \\(x^2+1\\)。它在 \\(\\mathbb C\\) 上可对角化，但在 \\(\\mathbb R\\) 上不可对角化。\n\n对于元素属于 \\(F\\) 的矩阵，将标量域扩张到更大的域并不会改变其最小多项式本身，只可能改变它的因式分解。这与固定扩域中的一个元素，再扩大求取该元素最小多项式时所用的基域，是不同的情形。"
    },
    {
      "heading": "不变子空间与标准形",
      "text": "若 \\(W\\subseteq V\\) 在 \\(T\\) 下不变，则\n\n\\[m_{T|_W}\\mid m_T.\\]\n\n若\n\n\\[V=V_1\\oplus\\cdots\\oplus V_k\\]\n\n是一个不变子空间直和分解，则\n\n\\[m_T=\\operatorname{lcm}\\bigl(m_{T|_{V_1}},\\ldots,m_{T|_{V_k}}\\bigr).\\]\n\n一种有用的解释是，通过定义 \\(xv=T(v)\\)，将 \\(V\\) 视为一个 \\(F[x]\\)-模。在有理标准形中，算子具有首一的非常数不变因子\n\n\\[f_1\\mid f_2\\mid\\cdots\\mid f_r.\\]\n\n它们满足\n\n\\[\\chi_T=\\prod_{j=1}^r f_j, \\qquad m_T=f_r.\\]\n\n因此，最小多项式就是最大的不变因子。它未必能确定完整的相似类：不同的算子可以具有相同的最小多项式，但其余不变因子不同。\n\n若存在向量 \\(v\\)，使得\n\n\\[v,Tv,\\ldots,T^{n-1}v\\]\n\n构成一组基，则称该算子为循环算子。这恰好等价于\n\n\\[m_T=\\chi_T.\\]\n\n最小多项式的两种主要含义在这里自然地联系起来。若 \\(\\alpha\\) 在 \\(F\\) 上是代数的，则乘以 \\(\\alpha\\) 在 \\(F(\\alpha)\\) 上定义了一个算子：\n\n\\[M_\\alpha(u)=\\alpha u.\\]\n\n它的最小多项式为 \\(m_{\\alpha,F}\\)。向量 \\(1\\) 是循环向量，因此该算子的特征多项式也为 \\(m_{\\alpha,F}\\)。"
    },
    {
      "heading": "计算与应用",
      "text": "矩阵最小多项式的计算\n\n一种直接的方法是在\n\n\\[I,A,A^2,\\ldots.\\]\n\n中寻找首次出现的线性相关关系。若首次出现相关关系的次数为 \\(d\\)，则可将该关系归一化为\n\n\\[A^d+c_{d-1}A^{d-1}+\\cdots+c_0I=0.\\]\n\n于是\n\n\\[m_A(x)=x^d+c_{d-1}x^{d-1}+\\cdots+c_0.\\]\n\n对于向量 \\(v\\)，由 \\(v,Av,A^2v,\\ldots\\) 中首次出现的线性相关关系可得到它的向量最小多项式 \\(m_{A,v}\\)。该多项式整除 \\(m_A\\)，并描述算子在这些向量所生成的子空间上的作用。对一组基中各向量的最小多项式取最小公倍式，即可得到 \\(m_A\\)。\n\n其他方法利用不变因子或特征多项式的因式分解。最小多项式的精确计算本质上是代数问题：矩阵的微小扰动就可能改变其最小多项式，因此不应不加审慎地根据浮点计算结果推断其精确结构。\n\n降低幂次与计算逆矩阵\n\n若 \\(\\deg m_A=d\\)，则由多项式除法可知，\\(A\\) 的任意多项式都能唯一地写成\n\n\\[I,A,\\ldots,A^{d-1}.\\]\n\n的线性组合。这可以将高次幂化为低次幂，并为由矩阵幂生成的序列给出递推关系。\n\n矩阵 \\(A\\) 可逆，当且仅当 \\(m_A(0)\\neq0\\)。若\n\n\\[m_A(x)=x^d+c_{d-1}x^{d-1}+\\cdots+c_1x+c_0\\]\n\n且 \\(c_0\\neq0\\)，则\n\n\\[A^{-1} =-\\frac{1}{c_0} \\left(A^{d-1}+c_{d-1}A^{d-2}+\\cdots+c_1I\\right).\\]\n\n矩阵函数与域中的运算\n\n在 \\(\\mathbb C\\) 上，矩阵的解析函数，例如矩阵指数，都可以表示为关于 \\(A\\) 的次数小于 \\(\\deg m_A\\) 的多项式。这个表示多项式在各特征值处的函数值，以及由 \\(m_A\\) 中根的重数所要求的各阶导数值，都与原函数相符。\n\n对于域中的代数元，最小多项式可通过对定义多项式取模化简表达式，从而支持精确运算。在含有 \\(q\\) 个元素的有限域上，一个次数为 \\(d\\) 的首一不可约多项式 \\(m\\) 给出域\n\n\\[\\mathbb F_q[x]/(m),\\]\n\n该域含有 \\(q^d\\) 个元素。\\(x\\) 的剩余类在 \\(\\mathbb F_q\\) 上的最小多项式为 \\(m\\)。"
    }
  ],
  "links": [
    "polynomial",
    "field-mathematics",
    "matrix",
    "algebra",
    "homomorphism",
    "ideal-ring-theory",
    "field-extension",
    "isomorphism",
    "basis-linear-algebra",
    "rational-number",
    "transcendental-number",
    "galois-theory",
    "vector-space",
    "linear-map",
    "matrix-similarity",
    "characteristic-polynomial",
    "cayley-hamilton-theorem",
    "eigenvalues-and-eigenvectors",
    "jordan-normal-form",
    "matrix-diagonalization",
    "module-mathematics",
    "recurrence-relation",
    "matrix-exponential",
    "finite-field"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}