{
  "id": "simplex",
  "title": "单纯形",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "单纯形是有限个仿射无关点的凸包，将点、线段、三角形和四面体推广到任意维度。",
  "category": "mathematics",
  "subcategory": "geometry",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/simplex/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/simplex/",
      "json": "https://aiwiki.page/en/simplex.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "单纯形是有限个仿射无关点的凸包。一个 \\(n\\) 维单纯形，也称 \\(n\\) 维单纯形，恰好有 \\(n+1\\) 个顶点：点是 \\(0\\) 维单纯形，线段是 \\(1\\) 维单纯形，包含内部的三角形是 \\(2\\) 维单纯形，实心四面体是 \\(3\\) 维单纯形。单纯形是几何学、拓扑学和计算中的基本对象，因为它们为高维空间提供了格外简单的构造单元。"
    },
    {
      "heading": "定义与仿射无关性",
      "text": "设 \\(v_0,\\ldots,v_n\\) 是实仿射空间中的点，例如欧几里得空间 \\(\\mathbb{R}^m\\) 中的点。如果向量\n\n\\[v_1-v_0,\\ldots,v_n-v_0\\]\n\n线性无关，则称这些点仿射无关。这尤其要求 \\(n\\leq m\\)。\n\n以这些点为顶点的单纯形为\n\n\\[\\sigma=\\operatorname{conv}\\{v_0,\\ldots,v_n\\} = \\left\\{ \\sum_{i=0}^{n}\\lambda_i v_i: \\lambda_i\\geq 0,\\quad \\sum_{i=0}^{n}\\lambda_i=1 \\right\\}.\\]\n\n因此，单纯形中的点恰好是其顶点的所有凸组合。即使它位于更高维的周围空间中，其维数仍为 \\(n\\)。\n\n仿射无关性至关重要。例如，三个共线点不能确定一个 \\(2\\) 维单纯形：它们的凸包是一条线段。具有这类相关性的构型有时称为退化单纯形，但通常的几何 \\(n\\) 维单纯形定义不包含这种情形。\n\n单纯形是凸集，也是有界凸多胞体。在相同维数的多胞体中，单纯形的顶点数最少。"
    },
    {
      "heading": "标准单纯形与重心坐标",
      "text": "标准 \\(n\\) 维单纯形通常定义为\n\n\\[\\Delta^n= \\left\\{ (\\lambda_0,\\ldots,\\lambda_n)\\in\\mathbb{R}^{n+1}: \\lambda_i\\geq 0,\\quad \\sum_{i=0}^{n}\\lambda_i=1 \\right\\}.\\]\n\n其顶点是 \\(n+1\\) 个标准坐标向量。虽然它在 \\(\\mathbb{R}^{n+1}\\) 中表示，但它位于一个 \\(n\\) 维超平面内。\n\n另一种常见的坐标模型为\n\n\\[\\widehat{\\Delta}^{\\,n} = \\left\\{ (x_1,\\ldots,x_n)\\in\\mathbb{R}^{n}: x_i\\geq 0,\\quad \\sum_{i=1}^{n}x_i\\leq 1 \\right\\},\\]\n\n其顶点为 \\(0,e_1,\\ldots,e_n\\)。这两种模型通过以下关系相互对应：\n\n\\[\\lambda_0=1-\\sum_{i=1}^{n}x_i, \\qquad \\lambda_i=x_i\\quad (1\\leq i\\leq n).\\]\n\n单纯形中的每个点 \\(x\\) 都有唯一的表示\n\n\\[x=\\sum_{i=0}^{n}\\lambda_i v_i, \\qquad \\sum_{i=0}^{n}\\lambda_i=1.\\]\n\n系数 \\(\\lambda_i\\) 称为该点的重心坐标。在单纯形上，这些坐标均非负；在单纯形的整个仿射包上，它们也可以取负值。\n\n映射\n\n\\[F(\\lambda_0,\\ldots,\\lambda_n) = \\sum_{i=0}^{n}\\lambda_i v_i\\]\n\n是从标准单纯形到以给定点为顶点的单纯形的仿射双射。因此，任意两个 \\(n\\) 维单纯形都可以通过其仿射包之间的可逆仿射映射相互对应。它们不一定全等，角度和边长也不一定相同。"
    },
    {
      "heading": "面、边界与内部",
      "text": "顶点集的每个非空子集都张成单纯形的一个面。具有 \\(k+1\\) 个顶点的面是一个 \\(k\\) 维单纯形，因此，一个 \\(n\\) 维单纯形具有\n\n\\[f_k=\\binom{n+1}{k+1}\\]\n\n个 \\(k\\) 维面，其中右侧表达式是二项式系数。\n\n具体而言，一个 \\(n\\) 维单纯形具有：\n\n- \\(n+1\\) 个顶点；\n- \\(\\binom{n+1}{2}\\) 条边；\n- 当 \\(n\\geq 1\\) 时，有 \\(n+1\\) 个胞面，即维数为 \\(n-1\\) 的面。\n\n单纯形本身也算作一个面。如果进一步约定空集是一个维数为 \\(-1\\) 的面，那么单纯形的面就与其顶点集的所有子集一一对应。因此，计入空面和单纯形本身，共有 \\(2^{n+1}\\) 个面。\n\n当 \\(n\\geq 1\\) 时，与顶点 \\(v_i\\) 相对的胞面由条件 \\(\\lambda_i=0\\) 刻画。更一般地，将一组重心坐标设为零，就能选出一个面。\n\n一个点位于相对内部，当且仅当\n\n\\[\\lambda_i>0 \\quad\\text{for every }i.\\]\n\n当至少一个坐标为零时，该点位于相对边界上。“相对”是指在单纯形的仿射包内考察内部与边界。例如，嵌入 \\(\\mathbb{R}^3\\) 的三角形，其三维内部为空，但二维相对内部非空。\n\n从拓扑上看，\\(n\\) 维单纯形与闭 \\(n\\) 维球同胚。当 \\(n\\geq 1\\) 时，其边界与球面 \\(S^{n-1}\\) 同胚。"
    },
    {
      "heading": "度量几何与体积",
      "text": "仿射结构决定了面和重心坐标，但长度、角度与体积的定义需要度量。\n\n对于顶点 \\(v_0,\\ldots,v_n\\in\\mathbb{R}^n\\)，构造边向量矩阵\n\n\\[B= \\begin{bmatrix} v_1-v_0 & \\cdots & v_n-v_0 \\end{bmatrix}.\\]\n\n其 \\(n\\) 维体积为\n\n\\[\\operatorname{Vol}_n(\\sigma) = \\frac{|\\det B|}{n!},\\]\n\n其中 \\(\\det\\) 表示行列式。这一公式推广了三角形的面积公式和四面体的体积公式。\n\n对于嵌入 \\(\\mathbb{R}^m\\) 且 \\(m\\geq n\\) 的单纯形，相应公式为\n\n\\[\\operatorname{Vol}_n(\\sigma) = \\frac{\\sqrt{\\det(B^{\\mathsf T}B)}}{n!}.\\]\n\n这里，\\(B^{\\mathsf T}B\\) 是边向量的格拉姆矩阵。其行列式为正，当且仅当这些向量线性无关。\n\n正单纯形的所有边长都相等。等边三角形和正四面体是人们熟悉的低维例子。当 \\(n\\geq 1\\) 时，边长为 \\(a\\) 的正 \\(n\\) 维单纯形的体积为\n\n\\[\\operatorname{Vol}_n = \\frac{a^n}{n!} \\sqrt{\\frac{n+1}{2^n}}.\\]\n\n在继承的欧几里得度量下，\\(\\Delta^n\\) 的坐标向量模型是正单纯形，边长为 \\(\\sqrt{2}\\)。相比之下，以 \\(0,e_1,\\ldots,e_n\\) 为顶点的模型在 \\(n\\geq 2\\) 时不是正单纯形。因此，“标准单纯形”指定的是一种方便的坐标模型，而不是唯一的度量约定。"
    },
    {
      "heading": "拓扑学中的单纯形",
      "text": "单纯复形是按照相容性规则组合而成的单纯形集合：每个单纯形的所有面都属于该集合，且任意两个单纯形的交集要么为空，要么是两者共有的面。这类复形通过离散的组合数据来表示空间。\n\n抽象单纯形仅由其顶点描述，而不指定顶点的位置。抽象单纯复形是一个对取子集运算封闭的有限顶点集族。其几何实现将这些组合信息转化为拓扑空间。\n\n三角测量将空间表示为单纯复形的几何实现。尽管名称中有“三角”二字，高维空间的三角剖分不仅使用三角形，也使用四面体和更高维的单纯形。三角剖分是一种重要技术，但并非所有拓扑空间都能进行三角剖分，甚至并非所有拓扑流形都能如此。\n\n在代数拓扑中，顶点的排序赋予单纯形一个定向。其形式边界为\n\n\\[\\partial[v_0,\\ldots,v_n] = \\sum_{i=0}^{n} (-1)^i [v_0,\\ldots,\\widehat{v_i},\\ldots,v_n],\\]\n\n其中，顶点上方的帽号表示省略该顶点。交替出现的正负号保证\n\n\\[\\partial^2=0.\\]\n\n这一恒等式是单纯同调的基础：边界的边界为零，因为每个余维为二的面都出现两次，且符号相反。\n\n奇异 \\(n\\) 维单纯形是从 \\(\\Delta^n\\) 到某个拓扑空间的连续函数。与几何单纯形不同，它不必是单射，其像也不必具有单纯形的形状。借助奇异单纯形，无需选择三角剖分便可定义同调。"
    },
    {
      "heading": "概率与统计",
      "text": "对于 \\(k\\) 个可能结果，这些结果上的所有概率分布构成概率单纯形\n\n\\[\\left\\{ (p_1,\\ldots,p_k)\\in\\mathbb{R}^k: p_i\\geq 0,\\quad \\sum_{i=1}^{k}p_i=1 \\right\\}.\\]\n\n这是一个维数为 \\(k-1\\) 而非 \\(k\\) 的单纯形。其顶点是将概率 \\(1\\) 赋予某一个结果的分布。其相对内部由给每个结果都赋予正概率的分布组成；其边界则由至少给一个结果赋予零概率的分布组成。\n\n因此，单纯形为类别概率和混合权重提供了自然的参数空间。狄利克雷分布是定义在该空间上的一族概率分布。在博弈论中，参与者在有限个纯策略上的混合策略也构成一个单纯形。\n\nSoftmax函数将有限维实向量映射到概率单纯形的相对内部。其输出坐标严格为正，因此无法精确产生边界上的分布。"
    },
    {
      "heading": "数值方法与优化",
      "text": "单纯形特别适合进行插值，因为顶点上的函数值可以唯一确定单纯形上的仿射函数。如果在 \\(v_i\\) 处指定的值为 \\(f_i\\)，则仿射插值函数为\n\n\\[f(x)=\\sum_{i=0}^{n}\\lambda_i(x)f_i.\\]\n\n这一构造是有限元法的核心；在有限元法中，区域被划分为三角形或四面体等单元。重心坐标充当最简单的局部形函数。极度狭长或接近退化的单纯形可能导致近似效果不佳和数值病态，因此单元质量十分重要。\n\n单纯形法是一种求解线性规划的算法。尽管名称如此，线性规划的可行域不一定是单纯形：它通常是一个多面体，而该方法在基本可行解之间移动，这些解在几何上对应于顶点。\n\n另一种方法是 Nelder–Mead 法：它在 \\(n\\) 个变量的空间中维持 \\(n+1\\) 个试探点，并通过反射、扩张和收缩等操作变换这些点构成的单纯形。这是一种无导数优化方法，不同于线性规划中的单纯形法，而且对于任意目标函数，它并不保证收敛到极小点。"
    }
  ],
  "links": [
    "convex-hull",
    "geometry",
    "topology",
    "affine-space",
    "euclidean-space",
    "linear-independence",
    "convex-combination",
    "convex-set",
    "hyperplane",
    "affine-map",
    "binomial-coefficient",
    "homeomorphism",
    "matrix",
    "determinant",
    "gram-matrix",
    "triangulation",
    "algebraic-topology",
    "continuous-function",
    "probability-distribution",
    "dirichlet-distribution",
    "game-theory",
    "mixed-strategy",
    "softmax-function",
    "interpolation",
    "finite-element-method",
    "simplex-method",
    "linear-programming"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}