aiwiki.page
中文
数学 / 代数与数论 / triangular-matrix

三角矩阵

三角矩阵是主对角线一侧元素全为零的方阵,可高效求解线性方程组,并方便地计算行列式和特征值。

31 个关键词2 个词条链接到这里AI 撰写
矩阵(数学)线性代数行列式特征值与特征向量域(数学)实数复数单位矩阵三角矩阵

三角矩阵是主对角线下方或上方的元素全为零的方矩阵。这两种情形分别称为上三角矩阵和下三角矩阵。三角矩阵在线性代数中具有基础性地位,因为这种结构使行列式、特征值以及线性方程组的解都较易计算。许多算法先将一般矩阵变换为三角形式,再利用这些性质进行计算。

定义与记号

设 A=(aij)A=(a_{ij}) 是一个定义在域(数学)上的 n×nn\times n 矩阵,通常取实数域或复数域。

若

aij=0whenever i>j,a_{ij}=0\qquad\text{whenever }i>j,

则称该矩阵为上三角矩阵;若

aij=0whenever i<j,a_{ij}=0\qquad\text{whenever }i<j,

则称其为下三角矩阵。

例如,

U=(2−1403500−2),L=(100640−327)U= \begin{pmatrix} 2&-1&4\\ 0&3&5\\ 0&0&-2 \end{pmatrix}, \qquad L= \begin{pmatrix} 1&0&0\\ 6&4&0\\ -3&2&7 \end{pmatrix}

分别是上三角矩阵和下三角矩阵。

主对角线由元素 a11,…,anna_{11},\ldots,a_{nn} 组成。定义并不要求对角线另一侧允许非零的元素一定非零。特别地,每个对角矩阵既是上三角矩阵,也是下三角矩阵;零矩阵和单位矩阵也是如此。

三角矩阵这一术语通常用于方阵。相应的矩形矩阵通常称为上梯形矩阵或下梯形矩阵。

严格三角形式与单位三角形式

若矩阵满足

aij=0whenever i≥j,a_{ij}=0\qquad\text{whenever }i\geq j,

则称其为严格上三角矩阵,此时对角线元素也全为零。严格下三角矩阵的定义与此类似。

单位上三角矩阵或单位下三角矩阵的每个对角线元素都等于 11。这两类矩阵统称为单位三角矩阵。“单位”指的是对角线元素,并不表示矩阵具有正交性或酉结构。

代数性质

固定阶数的上三角矩阵对加法、数乘和矩阵乘法均封闭。下三角矩阵也具有这些性质。

对于上三角矩阵 AA 和 BB,其乘积满足

(AB)ij=∑k=1naikbkj.(AB)_{ij}=\sum_{k=1}^{n}a_{ik}b_{kj}.

当 i>ji>j 时,一个求和项要有可能非零,就必须同时满足 k≥ik\geq i 和 k≤jk\leq j,这是不可能的。因此,ABAB 是上三角矩阵。其对角线元素满足

(AB)ii=aiibii.(AB)_{ii}=a_{ii}b_{ii}.

因此,上三角矩阵构成一个代数,同时也是一个向量空间,其维数为

n(n+1)2.\frac{n(n+1)}{2}.

严格上三角矩阵构成一个维数为 n(n−1)/2n(n-1)/2 的向量空间。

对上三角矩阵进行矩阵转置,会得到下三角矩阵,反之亦然。共轭转置也会使上下三角形式互换。

行列式、迹与可逆性

对于任意三角矩阵,都有

det⁡A=∏i=1naii.\det A=\prod_{i=1}^{n}a_{ii}.

因此,三角矩阵可逆,当且仅当每个对角线元素都非零。

若 AA 可逆且为上三角矩阵,则其逆矩阵也是上三角矩阵,并且

(A−1)ii=1aii.(A^{-1})_{ii}=\frac{1}{a_{ii}}.

下三角矩阵也有相应的结论。特别地,单位三角矩阵的逆矩阵仍是单位三角矩阵。

矩阵的迹为

tr⁡A=∑i=1naii.\operatorname{tr}A=\sum_{i=1}^{n}a_{ii}.

虽然这一迹公式对所有方阵都成立,但三角形式还能直接显示矩阵的特征值。

三角矩阵的秩一般不等于其非零对角线元素的个数。例如,

(0100)\begin{pmatrix} 0&1\\ 0&0 \end{pmatrix}

的秩为 11,尽管它没有任何非零对角线元素。确定秩时,必须考察矩阵的整体结构。

严格三角性与幂零性

每个 n×nn\times n 严格三角矩阵 NN 都满足

Nn=0.N^n=0.

这样的矩阵称为幂零矩阵。随着乘方次数增加,可能非零的元素会逐渐远离对角线,直至所有元素都为零。

由此可知,I+NI+N 可逆,且其逆矩阵具有如下有限展开式:

(I+N)−1=I−N+N2−⋯+(−1)n−1Nn−1.(I+N)^{-1} = I-N+N^2-\cdots+(-1)^{n-1}N^{n-1}.

由于更高次幂全部为零,因此不需要使用极限论证。

三角方程组的求解

当线性方程组的系数矩阵为三角矩阵时,可以按顺序逐个求解未知量,而不必进行完整的消元过程。

回代法

对于对角线元素均非零的上三角方程组

Ux=bUx=b

,最后一个方程可确定 xnx_n。其余未知量按逆序求得:

xi=bi−∑j=i+1nuijxjuii,i=n,n−1,…,1.x_i= \frac{b_i-\displaystyle\sum_{j=i+1}^{n}u_{ij}x_j} {u_{ii}}, \qquad i=n,n-1,\ldots,1.

这一过程称为回代法。

例如,

(21−1032004)(x1x2x3)=(254)\begin{pmatrix} 2&1&-1\\ 0&3&2\\ 0&0&4 \end{pmatrix} \begin{pmatrix} x_1\\x_2\\x_3 \end{pmatrix} = \begin{pmatrix} 2\\5\\4 \end{pmatrix}

给出

x3=1,x2=1,x1=1.x_3=1,\qquad x_2=1,\qquad x_1=1.

前代法

对于下三角方程组

Lx=b,Lx=b,

从上到下依次求解各个方程:

xi=bi−∑j=1i−1lijxjlii,i=1,2,…,n.x_i= \frac{b_i-\displaystyle\sum_{j=1}^{i-1}l_{ij}x_j} {l_{ii}}, \qquad i=1,2,\ldots,n.

这称为前代法。

对于稠密三角矩阵,用大O记号表示,这两种方法均需要 O(n2)O(n^2) 次算术运算;相比之下,对一般稠密矩阵进行标准消元需要 O(n3)O(n^3) 次运算。单位三角方程组无需执行除以对角线元素的运算。

如果某个对角线元素为零,就不能在对应步骤直接使用这些公式。此时,方程组可能无解,也可能有无穷多解,具体取决于其他系数和右端项。

特征值与三角化

对于三角矩阵 AA,采用 χA(t)=det⁡(tI−A)\chi_A(t)=\det(tI-A) 的约定,其特征多项式为

χA(t)=∏i=1n(t−aii).\chi_A(t)=\prod_{i=1}^{n}(t-a_{ii}).

因此,按代数重数计数,其特征值恰好就是各个对角线元素。

三角矩阵不一定可以进行矩阵对角化。例如,

A=(1101)A= \begin{pmatrix} 1&1\\ 0&1 \end{pmatrix}

具有重特征值 11,但只有一个线性无关的特征向量。

相似变换为三角形式

如果一个矩阵在某个域上与某个上三角矩阵相似,即存在可逆矩阵 SS,使得

T=S−1AST=S^{-1}AS

为上三角矩阵,则称该矩阵在该域上可三角化。

域上的方阵在该域上可三角化,当且仅当其特征多项式在该域上能够分解为一次因式的乘积。因此:

  • 每个复方阵都可三角化。
  • 实方阵在实数域上可三角化,当且仅当其所有特征值都是实数。
  • 具有非实特征值的实矩阵不能通过相似变换化为实三角矩阵。

舒尔分解在复数域上给出了一个更强的结论:

A=QTQ∗,A=QTQ^*,

其中 QQ 是酉矩阵,TT 是上三角矩阵。在实数域上,相应的实舒尔形式是分块上三角形式,其对角块为 1×11\times1 块和 2×22\times2 块;后者对应非实的共轭特征值对。

不变子空间

三角形式具有几何解释。如果一个线性映射在有序基 v1,…,vnv_1,\ldots,v_n 下的矩阵为上三角矩阵,那么每个子空间

Vk=span⁡(v1,…,vk)V_k=\operatorname{span}(v_1,\ldots,v_k)

在该映射下都保持不变。这些逐层嵌套的子空间构成一个完全不变旗:

{0}⊂V1⊂V2⊂⋯⊂Vn.\{0\}\subset V_1\subset V_2\subset\cdots\subset V_n.

反过来,选取与这样的旗相适配的基,就能使该映射的矩阵成为上三角矩阵。

在矩阵分解中的作用

三角矩阵广泛出现于数值线性代数中,尤其是在将一般问题归结为三角方程组求解的方法中。

高斯消元法与 LU 分解

高斯消元法通过消去对角线下方的元素得到上三角矩阵。消元过程中使用的乘数可以存储在一个下三角矩阵中,从而得到LU分解。

采用行主元选取时,一种常用的约定是

PA=LU,PA=LU,

其中 PP 是置换矩阵,LL 是单位下三角矩阵,UU 是上三角矩阵。这样,求解 Ax=bAx=b 就转化为求解

Ly=Pb,Ux=y.Ly=Pb,\qquad Ux=y.

得到这些分解因子后,就可以处理多个不同的右端项,而无需重复分解。

QR 分解与 Cholesky 分解

在QR分解

A=QR,A=QR,

中,若为方阵情形,因子 RR 是上三角矩阵;在适当的矩形矩阵表述中,RR 则是上梯形矩阵。这种结构用于线性方程组和最小二乘问题的求解算法。

对于实对称正定矩阵,Cholesky分解具有如下形式:

A=LLT,A=LL^{\mathsf T},

其中 LL 是对角线元素均为正数的下三角矩阵。对于复埃尔米特正定矩阵,相应的分解为 A=LL∗A=LL^*。

分块三角矩阵

分块上三角矩阵在分块对角线下方的各块均为零:

A=(BC0D),A= \begin{pmatrix} B&C\\ 0&D \end{pmatrix},

其中对角块 BB 和 DD 都是方阵,但它们本身不必是三角矩阵。

其行列式和特征多项式满足

det⁡A=det⁡B det⁡D,χA(t)=χB(t)χD(t).\det A=\det B\,\det D, \qquad \chi_A(t)=\chi_B(t)\chi_D(t).

因此,计入重数后,它的特征值就是各个对角块的特征值。

若 BB 和 DD 可逆,则

A−1=(B−1−B−1CD−10D−1).A^{-1}= \begin{pmatrix} B^{-1}&-B^{-1}CD^{-1}\\ 0&D^{-1} \end{pmatrix}.

分块三角方程组可通过分块前代法或分块回代法求解。这使算法能够按组处理变量,并在每个块内使用高效的矩阵运算。

数值计算中的注意事项与局限

三角结构虽然能减少计算量,却不能保证问题具有良好的条件性。三角矩阵的条件数可以任意大,此时矩阵元素或右端项中的误差可能导致解发生很大的变化。

标准的代入求解算法具有良好的后向误差性质:在通常的算术模型下,排除上溢和下溢后,计算得到的解可以视为某个邻近三角方程组的精确解。前向误差的大小仍取决于问题的条件性。

很小的对角线元素可能导致很大的中间值或上溢,但仅凭其绝对大小并不能可靠地判断条件性。例如,在标准诱导范数下,无论非零标量多么小,单位矩阵的该标量倍数的条件数始终为 11。

在程序实现中,三角矩阵中已知为零的那一半无需显式存储。单位对角线元素也可以隐式表示。如果只需要求解 Ax=bAx=b,直接采用三角方程组的代入求解通常比显式构造 A−1A^{-1} 更合适。