{
  "id": "system-of-linear-equations",
  "title": "线性方程组",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "线性方程组由含有相同未知数的线性方程组成，其解的结构由矩阵的秩刻画，可用消元法或数值方法求解。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "一次方程组",
    "线性代数方程组"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/system-of-linear-equations/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/system-of-linear-equations/",
      "json": "https://aiwiki.page/en/system-of-linear-equations.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "线性方程组是由含有相同未知数的一组方程组成的，每个未知数都只出现在系数固定的一次项中。方程组的一个解为所有未知数赋予一组值，使各个方程同时成立。线性方程组是线性代数的基本研究对象，将代数计算与矩阵、向量空间的结构联系起来。根据系数和方程右端项的不同，方程组可能无解、有唯一解或有多个解。(web.mit.edu)"
    },
    {
      "heading": "定义与矩阵表示",
      "text": "含有 \\(n\\) 个未知数的 \\(m\\) 个线性方程构成的方程组具有如下形式：\n\n\\[\\sum_{j=1}^{n}a_{ij}x_j=b_i, \\qquad i=1,\\ldots,m.\\]\n\n其中，系数 \\(a_{ij}\\) 和常数 \\(b_i\\) 已知，待求的是 \\(x_j\\) 的值。这些量通常是实数或复数，不过其代数理论适用于任意域（数学）。线性方程不允许出现未知数之间的乘积（如 \\(x_1x_2\\)），也不允许出现 \\(x_1^2\\) 这样的高次幂。\n\n利用矩阵，方程组可写为\n\n\\[Ax=b,\\]\n\n其中，\\(A\\) 是 \\(m\\times n\\) 的系数矩阵，\\(x\\) 是由未知数组成的列向量，\\(b\\) 是由右端项组成的列向量。增广矩阵 \\([A\\mid b]\\) 同时记录了系数和常数。这种表示将方程组的结构与其特定的右端项分开，便于系统地进行消元。(ocw.mit.edu)\n\n例如，\n\n\\[\\begin{cases} 2x+y=5,\\\\ x-y=1 \\end{cases}\\]\n\n的解为 \\(x=2,\\ y=1\\)。将两个方程相加可得 \\(3x=6\\)，随后通过代入求出 \\(y\\)。"
    },
    {
      "heading": "几何解释",
      "text": "在实数二维几何学中，至少有一个系数非零的线性方程表示一条直线。求解两个这样的方程，就是寻找两条直线的公共点：相交的直线对应唯一解，互不重合的平行直线对应无解，重合的直线则对应无穷多个解。在三维空间中，一个非退化方程表示一个平面；多个平面的交集可能是一个点、一条直线，也可能是更大的公共集合。(ocw.mit.edu)\n\n在 \\(n\\) 维空间中，每个非退化方程定义一个超平面。另一种互补的解释是将 \\(Ax=b\\) 看作 \\(A\\) 的各列向量的线性组合。方程组有解，当且仅当 \\(b\\) 属于这些列向量的线性包，即列空间。等价地，\\(b\\) 必须属于 \\(A\\) 所表示的线性映射的像。(web.mit.edu)"
    },
    {
      "heading": "相容性、秩与解的结构",
      "text": "方程组至少有一个解时，称其为相容的；否则称其为不相容的。相容性可由矩阵的秩刻画，其充要条件为：\n\n\\[\\operatorname{rank}(A) = \\operatorname{rank}([A\\mid b]).\\]\n\n若两者的秩均为 \\(r\\)，则解中有 \\(n-r\\) 个自由参数。相容方程组在 \\(r=n\\) 时有唯一解；当 \\(r<n\\) 时，在实数域或复数域上有无穷多个解。如果所用的域是含有 \\(q\\) 个元素的有限域，则解的个数为 \\(q^{n-r}\\)。(ocw.mit.edu)\n\n齐次方程组满足 \\(b=0\\)，并且总有零解。其解集构成所在向量空间的一个线性子空间，称为 \\(A\\) 的零空间或核。根据秩—零化度定理，其维数（向量空间）为 \\(n-r\\)。若 \\(x_p\\) 是某个非齐次方程组的一个解，则每个解都可写为\n\n\\[x=x_p+z,\\qquad Az=0.\\]\n\n因此，非空解集是零空间经平移得到的集合，是一个仿射空间，但不一定是线性子空间。(web.mit.edu)\n\n方程个数多于未知数个数的方程组称为超定方程组，少于未知数个数的则称为欠定方程组。仅凭这些分类不能判断相容性：冗余方程可以使超定方程组仍然相容，而相互矛盾的方程可以使欠定方程组不相容。(ocw.mit.edu)"
    },
    {
      "heading": "精确求解方法",
      "text": "高斯消元法通过三种不改变解集的操作变换增广矩阵：交换两行、将一行乘以非零标量，以及将一行的倍数加到另一行上。行阶梯形可以显示主元变量和自由变量，再通过回代求得解。继续化为简化行阶梯形，可以直接得到解的参数表示。如果某一行表示 \\(0=c\\)，其中 \\(c\\ne0\\)，则方程组不相容。(ocw.mit.edu)\n\n当 \\(A\\) 为方阵时，对任意右端项都存在唯一解，当且仅当 \\(A\\) 可逆；等价地，其行列式非零。公式 \\(x=A^{-1}b\\) 使用了逆矩阵，但数值求解程序通常对 \\(A\\) 进行分解，而不是显式计算其逆矩阵。LU 分解在必要时配合行置换，可将计算归结为求解三角方程组；对于不同的右端项，还可以重复使用这些分解因子。(ocw.mit.edu)"
    },
    {
      "heading": "数值计算与近似",
      "text": "数值线性代数区分数学上的可解性与计算精度。浮点运算会引入舍入误差。病态方程组可能放大数据中的微小扰动，因此残差 \\(b-A\\hat{x}\\) 很小，并不一定意味着计算得到的向量 \\(\\hat{x}\\) 接近精确解。条件数估计与后向误差分析从不同方面量化这种不确定性。(netlib.org)\n\n涉及稀疏矩阵的大型方程组通常采用迭代方法，在不存储稠密分解因子的情况下反复改进近似解。这些方法的有效性取决于矩阵结构和收敛性质。(netlib.org)\n\n当不存在精确解时，可以采用最小二乘形式，最小化\n\n\\[\\|Ax-b\\|_2^2.\\]\n\n这是普通最小二乘法的核心。列满秩可保证最小化解唯一。正交分解和奇异值分解提供了计算方法，也适用于秩亏情形。对于相容的欠定方程组，附加的最小范数准则可从全部精确解中选出一个解。(netlib.org)"
    }
  ],
  "links": [
    "equation",
    "linear-algebra",
    "real-number",
    "complex-number",
    "field-mathematics",
    "matrix",
    "geometry",
    "hyperplane",
    "linear-combination",
    "linear-span",
    "linear-map",
    "matrix-rank",
    "vector-space",
    "linear-subspace",
    "rank-nullity-theorem",
    "dimension-vector-space",
    "affine-space",
    "gaussian-elimination",
    "determinant",
    "inverse-matrix",
    "numerical-linear-algebra",
    "floating-point-arithmetic",
    "sparse-matrix",
    "ordinary-least-squares",
    "singular-value-decomposition"
  ],
  "sources": [
    {
      "title": "web.mit.edu/18.06/www/Fall02/goals.html",
      "url": "https://web.mit.edu/18.06/www/Fall02/goals.html"
    },
    {
      "title": "ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/resources/solving-ax-b-row…",
      "url": "https://ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/resources/solving-ax-b-row-reduced-form-r/"
    },
    {
      "title": "ocw.mit.edu/courses/18-02sc-multivariable-calculus-fall-2010/pages/1.-vectors-a…",
      "url": "https://ocw.mit.edu/courses/18-02sc-multivariable-calculus-fall-2010/pages/1.-vectors-and-matrices/part-b-matrices-and-systems-of-equations/"
    },
    {
      "title": "ocw.mit.edu/ans7870/18/18.013a/textbook/HTML/chapter32/contents.html",
      "url": "https://www.ocw.mit.edu/ans7870/18/18.013a/textbook/HTML/chapter32/contents.html"
    },
    {
      "title": "netlib.org/lapack/lug/node78.html",
      "url": "https://www.netlib.org/lapack/lug/node78.html"
    },
    {
      "title": "netlib.org/templates/templates.pdf",
      "url": "https://www.netlib.org/templates/templates.pdf"
    },
    {
      "title": "netlib.org/lapack/lug/node27.html",
      "url": "https://www.netlib.org/lapack/lug/node27.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}