{
  "id": "permutation-matrix",
  "title": "置换矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "置换矩阵是每行每列恰有一个元素为1、其余元素均为0的方阵，用于表示坐标的重新排列。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/permutation-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/permutation-matrix/",
      "json": "https://aiwiki.page/en/permutation-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "置换矩阵是一种方矩阵，其元素均为0或1，且每行每列恰有一个1。它将有限集合上的置换表示为重新排列坐标的线性变换。用置换矩阵左乘或右乘一个矩阵，可以重新排列其行或列，而不改变其中的元素。置换矩阵将线性代数与组合数学、群论联系起来，广泛应用于数值计算、图算法和优化。"
    },
    {
      "heading": "定义与约定",
      "text": "设 \\(\\sigma\\) 是 \\(\\{1,\\ldots,n\\}\\) 上的一个置换，\\(e_1,\\ldots,e_n\\) 为标准坐标向量。其置换矩阵 \\(P_\\sigma\\) 定义为\n\n\\[P_\\sigma e_j=e_{\\sigma(j)}.\\]\n\n等价地，\n\n\\[(P_\\sigma)_{ij}= \\begin{cases} 1,&i=\\sigma(j),\\\\ 0,&i\\ne\\sigma(j). \\end{cases}\\]\n\n因此，第 \\(j\\) 列为向量 \\(e_{\\sigma(j)}\\)。每个 \\(n\\times n\\) 置换矩阵都唯一确定一个置换，所以这样的矩阵共有 \\(n!\\) 个。\n\n对于列向量 \\(x\\)，有\n\n\\[(P_\\sigma x)_i=x_{\\sigma^{-1}(i)}.\\]\n\n这里出现逆置换，是因为原来位于位置 \\(j\\) 的坐标移到了位置 \\(\\sigma(j)\\)。\n\n有些文献采用另一种定义：将与 \\(\\sigma\\) 对应的矩阵中的1放在第 \\(i\\) 行、第 \\(\\sigma(i)\\) 列。按这种约定得到的矩阵，是本文所定义矩阵的转置。两种约定描述的是同一类矩阵，但涉及复合和坐标移动的公式取决于所采用的约定。\n\n示例\n\n对于循环 \\(\\sigma=(1\\,2\\,3)\\)，即 \\(1\\mapsto2\\)、\\(2\\mapsto3\\)、\\(3\\mapsto1\\)，有\n\n\\[P_\\sigma= \\begin{pmatrix} 0&0&1\\\\ 1&0&0\\\\ 0&1&0 \\end{pmatrix}.\\]\n\n因此，\n\n\\[P_\\sigma \\begin{pmatrix} x_1\\\\x_2\\\\x_3 \\end{pmatrix} = \\begin{pmatrix} x_3\\\\x_1\\\\x_2 \\end{pmatrix}.\\]\n\n单位矩阵是保持所有位置不变的置换所对应的置换矩阵。"
    },
    {
      "heading": "行置换与列置换",
      "text": "对于 \\(n\\times m\\) 矩阵 \\(A\\)，用 \\(n\\times n\\) 置换矩阵左乘可得\n\n\\[(P_\\sigma A)_{ij}=A_{\\sigma^{-1}(i),j}.\\]\n\n因此，\\(A\\) 的第 \\(j\\) 行移到了第 \\(\\sigma(j)\\) 行。\n\n对于 \\(m\\times n\\) 矩阵 \\(A\\)，右乘置换矩阵可得\n\n\\[(AP_\\sigma)_{ij}=A_{i,\\sigma(j)}.\\]\n\n因此，\\(AP_\\sigma\\) 的第 \\(j\\) 列是 \\(A\\) 的第 \\(\\sigma(j)\\) 列。从原有列的移动来看，第 \\(k\\) 列移到了位置 \\(\\sigma^{-1}(k)\\)。\n\n这两个公式区分了两种操作，而这两种操作有时都会被含糊地称为“应用置换”。如果要将原来的第 \\(j\\) 列移到位置 \\(\\sigma(j)\\)，应采用乘积 \\(AP_\\sigma^T\\)。\n\n当 \\(A\\) 为方阵时，\n\n\\[B=P_\\sigma A P_\\sigma^T\\]\n\n会同时重新排列行和列：\n\n\\[B_{\\sigma(i),\\sigma(j)}=A_{ij}.\\]\n\n这是一个相似变换，对应于对坐标重新编号。"
    },
    {
      "heading": "代数性质",
      "text": "转置、逆与正交性\n\n置换矩阵的各列是互不相同的标准坐标向量，因此构成一组标准正交基。于是，\n\n\\[P^TP=PP^T=I.\\]\n\n特别地，每个置换矩阵都是正交矩阵，其逆矩阵就是其转置：\n\n\\[P_\\sigma^{-1}=P_\\sigma^T=P_{\\sigma^{-1}}.\\]\n\n置换矩阵保持欧几里得长度和内积不变。更一般地，由于它们只是重新排列坐标，因此会保持所有标准坐标 \\(\\ell^p\\) 范数不变，包括最大值范数。\n\n置换矩阵对称，当且仅当其对应的置换等于自身的逆置换：\n\n\\[P_\\sigma=P_\\sigma^T \\quad\\Longleftrightarrow\\quad \\sigma^2=\\mathrm{id}.\\]\n\n这样的置换仅由不动点和互不相交的对换组成。\n\n乘法与对称群\n\n采用函数复合的约定\n\\((\\sigma\\circ\\tau)(j)=\\sigma(\\tau(j))\\)，则有\n\n\\[P_\\sigma P_\\tau=P_{\\sigma\\circ\\tau}.\\]\n\n因此，所有 \\(n\\times n\\) 置换矩阵在矩阵乘法下构成一个群，与对称群 \\(S_n\\) 同构。这一构造给出了 \\(S_n\\) 的一个忠实表示：不同的置换对应不同的线性变换。\n\n若 \\(\\sigma\\) 的互不相交循环的长度为 \\(\\ell_1,\\ldots,\\ell_c\\)，则使 \\(P_\\sigma^r=I\\) 成立的最小正整数 \\(r\\) 为\n\n\\[r=\\operatorname{lcm}(\\ell_1,\\ldots,\\ell_c).\\]\n\n行列式与迹\n\n置换矩阵的行列式等于其对应置换的符号：\n\n\\[\\det(P_\\sigma)=\\operatorname{sgn}(\\sigma)\\in\\{1,-1\\}.\\]\n\n若 \\(\\sigma\\) 有 \\(c\\) 个互不相交的循环，其中不动点计为长度为1的循环，则\n\n\\[\\det(P_\\sigma)=(-1)^{n-c}.\\]\n\n矩阵的迹等于不动点的个数：\n\n\\[\\operatorname{tr}(P_\\sigma) = \\#\\{i:\\sigma(i)=i\\}.\\]\n\n上述结论针对实数域或复数域上的置换矩阵。同样的0–1构造也适用于其他域，不过在特征为2的域中，标量 \\(1\\) 与 \\(-1\\) 相同。"
    },
    {
      "heading": "循环结构与特征值",
      "text": "对坐标基重新排序，将每个循环中的元素归在一起，就能把置换矩阵化为分块对角形式，每个循环对应一个块。\n\n长度为 \\(\\ell\\) 的循环对应的特征多项式为\n\n\\[t^\\ell-1.\\]\n\n因此，若各循环的长度为 \\(\\ell_1,\\ldots,\\ell_c\\)，则\n\n\\[\\det(tI-P_\\sigma) = \\prod_{r=1}^{c}(t^{\\ell_r}-1).\\]\n\n在复数域上，其特征值均为单位根。每个长度为 \\(\\ell\\) 的循环贡献以下特征值：\n\n\\[e^{2\\pi i k/\\ell}, \\qquad k=0,\\ldots,\\ell-1.\\]\n\n每个置换矩阵在复数域上都可对角化，但在实数域上不一定可对角化，因为某些特征值可能不是实数。\n\n特征值1的重数等于循环的个数。其对应的特征向量恰为在每个循环内各坐标取值相同的非零向量。特别地，全1向量总满足\n\n\\[P_\\sigma\\mathbf{1}=\\mathbf{1}.\\]"
    },
    {
      "heading": "双随机矩阵与指派问题",
      "text": "双随机矩阵是元素均为非负实数、每行与每列的元素之和均为1的方阵。每个置换矩阵都是双随机矩阵，但一般的双随机矩阵可以含有非整数元素。\n\n伯克霍夫–冯·诺伊曼定理指出，每个双随机矩阵都可表示为置换矩阵的凸组合：\n\n\\[D=\\sum_{r=1}^{N}\\alpha_rP_r, \\qquad \\alpha_r\\ge0, \\qquad \\sum_{r=1}^{N}\\alpha_r=1.\\]\n\n等价地，置换矩阵恰好是双随机矩阵集合的极点。\n\n这一结果是指派问题的理论基础。将 \\(n\\) 名工人分别指派给 \\(n\\) 项任务，每人恰好负责一项任务且每项任务恰好由一人负责，可以用置换矩阵 \\(X\\) 表示。设指派成本为 \\(c_{ij}\\)，则目标为\n\n\\[\\min_X\\sum_{i=1}^{n}\\sum_{j=1}^{n}c_{ij}X_{ij}.\\]\n\n将条件 \\(X_{ij}\\in\\{0,1\\}\\) 放宽为非负性，同时保留每行与每列元素之和均为1的条件，就得到一个具有相同最优值的线性规划问题。总存在一个最优的置换矩阵，不过当多个方案的成本相同时，含非整数元素的矩阵也可能是最优解。"
    },
    {
      "heading": "计算应用",
      "text": "数值线性代数\n\n置换矩阵用于记录选主元和重新排序的操作。在采用行选主元的高斯消元法中，LU分解的一种常见形式为\n\n\\[PA=LU,\\]\n\n其中，\\(P\\) 记录行交换，\\(L\\) 为下三角矩阵，\\(U\\) 为上三角矩阵。不同文献的约定有所不同：写成 \\(A=PLU\\) 的分解可能采用逆置换。\n\n对于稀疏矩阵，行和列的重新排序会显著影响存储需求，以及分解过程中新增的非零元素数量。置换改变的是元素的排列，而不是元素本身。\n\n软件通常将置换存储为索引数组，而不是稠密矩阵。将置换应用于向量需要 \\(O(n)\\) 次索引操作；应用于矩阵时，则通过重新排列行或列实现，而不是使用一般的矩阵乘法。\n\n图的重新标号\n\n若 \\(A\\) 是一个图的邻接矩阵，则\n\n\\[B=PAP^T\\]\n\n是同一个图在顶点重新标号后的邻接矩阵。两个顶点数相同的有限图同构，当且仅当存在某个置换矩阵，使它们的邻接矩阵满足上述关系。\n\n置换相似保持特征值不变，但仅凭邻接谱相同，并不能判定两个图同构。"
    },
    {
      "heading": "相关矩阵类别",
      "text": "部分置换矩阵的元素属于 \\(\\{0,1\\}\\)，且每行每列至多有一个1。它可以是矩形矩阵，可用于描述不完全的一一指派。\n\n带符号置换矩阵将置换矩阵中的各个1分别替换为独立选取的 \\(1\\) 或 \\(-1\\)。这样的矩阵仍然是正交矩阵，但除了改变坐标位置外，还可以改变坐标的符号。\n\n单项矩阵的每行每列恰有一个非零元素，这些非零元素不一定等于1。它将坐标置换与各坐标独立的非零缩放结合起来。与置换矩阵不同，一般的单项矩阵不一定保持长度不变。"
    }
  ],
  "links": [
    "matrix",
    "permutation",
    "linear-algebra",
    "identity-matrix",
    "matrix-similarity",
    "orthonormal-basis",
    "orthogonal-matrix",
    "inverse-matrix",
    "matrix-transpose",
    "function-composition",
    "symmetric-group",
    "representation-theory",
    "determinant",
    "matrix-trace",
    "characteristic-polynomial",
    "complex-number",
    "eigenvalues-and-eigenvectors",
    "convex-combination",
    "linear-programming",
    "gaussian-elimination",
    "lu-decomposition",
    "sparse-matrix",
    "adjacency-matrix"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}