aiwiki.page
中文
数学 / 代数与数论 / minimal-polynomial

最小多项式

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。

27 个关键词7 个词条链接到这里3 个尚未撰写AI 撰写
多项式域(数学)矩阵(数学)代数学同态理想(环论)域扩张同构最小多项式

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 α\alpha,它是以 α\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 TT,它是代入 TT 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。

一般定义

设 FF 为一个域,aa 是一个非零含幺结合 FF-代数中的元素,且标量的作用与所有元素交换。对于

p(x)=c0+c1x+⋯+cdxd∈F[x],p(x)=c_0+c_1x+\cdots+c_dx^d\in F[x],

在 aa 处求值是指

p(a)=c0 1+c1a+⋯+cdad.p(a)=c_0\,1+c_1a+\cdots+c_da^d.

若存在非零多项式满足 p(a)=0p(a)=0,则称 aa 在 FF 上是代数的。它的最小多项式 ma(x)m_a(x) 是满足

ma(a)=0.m_a(a)=0.

的次数最低的首一多项式。这里,首一是指首项系数为 11。

这一定义蕴含了更强的整除性质:

p(a)=0⟺ma(x)∣p(x).p(a)=0 \quad\Longleftrightarrow\quad m_a(x)\mid p(x).

事实上,多项式除法给出 p=qma+rp=qm_a+r,其中 deg⁡r<deg⁡ma\deg r<\deg m_a。若 p(a)=0p(a)=0,则 r(a)=0r(a)=0;由次数的最小性可知 r=0r=0。这也证明了唯一性。

等价地,求值映射

ev⁡a:F[x]⟶F[a],p⟼p(a),\operatorname{ev}_a:F[x]\longrightarrow F[a], \qquad p\longmapsto p(a),

是一个环同态,其核为理想

ker⁡(ev⁡a)=(ma).\ker(\operatorname{ev}_a)=(m_a).

因此,最小多项式刻画了 aa 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。

代数元与域扩张

设 E/FE/F 是一个域扩张,且 α∈E\alpha\in E 在 FF 上是代数的。其最小多项式通常记为

mα,F(x)ormin⁡F(α).m_{\alpha,F}(x) \quad\text{or}\quad \operatorname{min}_F(\alpha).

不可约性

多项式 mα,Fm_{\alpha,F} 是 FF 上的不可约多项式。若它可分解为

mα,F=ghm_{\alpha,F}=gh

且两个因式的次数均为正,则

0=g(α)h(α).0=g(\alpha)h(\alpha).

由于 EE 是域,必有一个因式在 α\alpha 处为零,这与次数的最小性矛盾。

反过来,FF 上任何以 α\alpha 为根的首一不可约多项式,都是它的最小多项式。

次数与生成域的基

求值映射给出一个同构

F[x]/(mα,F)≅F[α].F[x]/(m_{\alpha,F})\cong F[\alpha].

不可约性保证这个商环是域,因此 F[α]=F(α)F[\alpha]=F(\alpha),即 EE 中包含 FF 和 α\alpha 的最小子域。

若 d=deg⁡mα,Fd=\deg m_{\alpha,F},则

[F(α):F]=d,[F(\alpha):F]=d,

且

1,α,…,αd−11,\alpha,\ldots,\alpha^{d-1}

构成 FF 上的一组基。因此,F(α)F(\alpha) 中每个元素都能唯一地表示为一个关于 α\alpha 的次数小于 dd 的多项式。

例子及对基域的依赖

在有理数域上,

m2,Q(x)=x2−2.m_{\sqrt2,\mathbb Q}(x)=x^2-2.

这个多项式在 2\sqrt2 处为零,且在 Q\mathbb Q 上不可约。

基域的选择至关重要。由于 2∈R\sqrt2\in\mathbb R,

m2,R(x)=x−2.m_{\sqrt2,\mathbb R}(x)=x-\sqrt2.

同样,虚数单位在 R\mathbb R 上的最小多项式为 x2+1x^2+1,而在 C\mathbb C 上则为 x−ix-i。

在 FF 上的超越数不满足 FF 上任何非零多项式方程,因此在该域上没有最小多项式。

共轭根与可分性

在 mα,Fm_{\alpha,F} 能分裂的域中,它的根称为 α\alpha 在 FF 上的代数共轭元。这些根在伽罗瓦理论中具有核心地位。

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。

矩阵与线性算子

设 VV 是域 FF 上的非零有限维向量空间,T:V→VT:V\to V 是一个线性算子。对于

p(x)=c0+c1x+⋯+cdxd,p(x)=c_0+c_1x+\cdots+c_dx^d,

定义

p(T)=c0I+c1T+⋯+cdTd,p(T)=c_0I+c_1T+\cdots+c_dT^d,

其中 II 为恒等算子。

最小多项式 mTm_T 是满足 mT(T)=0m_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 VV 上的算子构成的有限维空间中,足够多个 TT 的幂必然线性相关。

选定一组基后,便得到表示 TT 的矩阵 AA,且 mA=mTm_A=m_T。特别地,最小多项式在矩阵相似下保持不变:

B=P−1AP⟹mB=mA.B=P^{-1}AP \quad\Longrightarrow\quad m_B=m_A.

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。

与特征多项式的关系

对于 n×nn\times n 矩阵 AA,其特征多项式为

χA(x)=det⁡(xI−A).\chi_A(x)=\det(xI-A).

凯莱—哈密顿定理指出

χA(A)=0.\chi_A(A)=0.

因此,

mA∣χA,1≤deg⁡mA≤n.m_A\mid\chi_A, \qquad 1\leq\deg m_A\leq 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。

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,

A=(2002)A=\begin{pmatrix}2&0\\0&2\end{pmatrix}

满足

χA(x)=(x−2)2,mA(x)=x−2.\chi_A(x)=(x-2)^2, \qquad m_A(x)=x-2.

特征值与若尔当块

分裂域中的元素 λ\lambda 是 AA 的特征值,当且仅当

mA(λ)=0.m_A(\lambda)=0.

若

mA(x)=∏λ(x−λ)sλ,m_A(x)=\prod_{\lambda}(x-\lambda)^{s_\lambda},

则 sλs_\lambda 是 AA 的若尔当标准形中对应于 λ\lambda 的最大若尔当块的大小。

例如,

B=(2102)B=\begin{pmatrix}2&1\\0&2\end{pmatrix}

满足

(B−2I)2=0,B−2I≠0,(B-2I)^2=0, \qquad B-2I\neq0,

因此

mB(x)=(x−2)2.m_B(x)=(x-2)^2.

尽管上述 AA 与 BB 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。

更一般地,若 Nr=0N^r=0 但 Nr−1≠0N^{r-1}\neq0,则 NN 是幂零指数为 rr 的幂零矩阵,且

mN(x)=xr.m_N(x)=x^r.

可对角化性

矩阵在 FF 上可对角化,当且仅当其最小多项式是 F[x]F[x] 中互不相同的一次因式的乘积。

这两个要求都不可缺少:

  • 重复因式表明存在非平凡的若尔当块。
  • 即使没有重复的不可约因式,只要存在不能在 FF 上分裂的因式,矩阵就不能在 FF 上对角化。

例如,实矩阵

R=(0−110)R=\begin{pmatrix}0&-1\\1&0\end{pmatrix}

的最小多项式为 x2+1x^2+1。它在 C\mathbb C 上可对角化,但在 R\mathbb R 上不可对角化。

对于元素属于 FF 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。

不变子空间与标准形

若 W⊆VW\subseteq V 在 TT 下不变,则

mT∣W∣mT.m_{T|_W}\mid m_T.

若

V=V1⊕⋯⊕VkV=V_1\oplus\cdots\oplus V_k

是一个不变子空间直和分解,则

mT=lcm⁡(mT∣V1,…,mT∣Vk).m_T=\operatorname{lcm}\bigl(m_{T|_{V_1}},\ldots,m_{T|_{V_k}}\bigr).

一种有用的解释是,通过定义 xv=T(v)xv=T(v),将 VV 视为一个 F[x]F[x]-模。在有理标准形中,算子具有首一的非常数不变因子

f1∣f2∣⋯∣fr.f_1\mid f_2\mid\cdots\mid f_r.

它们满足

χT=∏j=1rfj,mT=fr.\chi_T=\prod_{j=1}^r f_j, \qquad m_T=f_r.

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。

若存在向量 vv,使得

v,Tv,…,Tn−1vv,Tv,\ldots,T^{n-1}v

构成一组基,则称该算子为循环算子。这恰好等价于

mT=χT.m_T=\chi_T.

最小多项式的两种主要含义在这里自然地联系起来。若 α\alpha 在 FF 上是代数的,则乘以 α\alpha 在 F(α)F(\alpha) 上定义了一个算子:

Mα(u)=αu.M_\alpha(u)=\alpha u.

它的最小多项式为 mα,Fm_{\alpha,F}。向量 11 是循环向量,因此该算子的特征多项式也为 mα,Fm_{\alpha,F}。

计算与应用

矩阵最小多项式的计算

一种直接的方法是在

I,A,A2,….I,A,A^2,\ldots.

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 dd,则可将该关系归一化为

Ad+cd−1Ad−1+⋯+c0I=0.A^d+c_{d-1}A^{d-1}+\cdots+c_0I=0.

于是

mA(x)=xd+cd−1xd−1+⋯+c0.m_A(x)=x^d+c_{d-1}x^{d-1}+\cdots+c_0.

对于向量 vv,由 v,Av,A2v,…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 mA,vm_{A,v}。该多项式整除 mAm_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 mAm_A。

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。

降低幂次与计算逆矩阵

若 deg⁡mA=d\deg m_A=d,则由多项式除法可知,AA 的任意多项式都能唯一地写成

I,A,…,Ad−1.I,A,\ldots,A^{d-1}.

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。

矩阵 AA 可逆,当且仅当 mA(0)≠0m_A(0)\neq0。若

mA(x)=xd+cd−1xd−1+⋯+c1x+c0m_A(x)=x^d+c_{d-1}x^{d-1}+\cdots+c_1x+c_0

且 c0≠0c_0\neq0,则

A−1=−1c0(Ad−1+cd−1Ad−2+⋯+c1I).A^{-1} =-\frac{1}{c_0} \left(A^{d-1}+c_{d-1}A^{d-2}+\cdots+c_1I\right).

矩阵函数与域中的运算

在 C\mathbb C 上,矩阵的解析函数,例如矩阵指数,都可以表示为关于 AA 的次数小于 deg⁡mA\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 mAm_A 中根的重数所要求的各阶导数值,都与原函数相符。

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 qq 个元素的有限域上,一个次数为 dd 的首一不可约多项式 mm 给出域

Fq[x]/(m),\mathbb F_q[x]/(m),

该域含有 qdq^d 个元素。xx 的剩余类在 Fq\mathbb F_q 上的最小多项式为 mm。