矩阵及其运算

矩阵是线性代数中最基础、最核心的工具，也是贯穿整个课程的最重要概念。本章不是让你记住一个个孤立的运算规则——而是在建立一整套代数语言：有了矩阵，线性方程组可以写成 $A\mathbf{x} = \mathbf{b}$；线性变换可以用矩阵乘法表示；逆矩阵则让"解方程"变成了"两边同时左乘 $A^{-1}$"这种简洁操作。

本章覆盖矩阵概念与类型、矩阵的线性运算（加法与数乘）、矩阵乘法、矩阵转置、高斯消元法与初等变换、初等矩阵、逆矩阵的概念与性质、用行初等变换求逆矩阵、分块矩阵及其运算等内容。

考虑一个航空公司在 A、B、C、D 四座城市间的航线图。从 A 到 B 有航班、从 B 到 A 也有航班、从 A 到 C 有航班……

如果把这个关系用一个表格表示，把城市编号为行和列，有航班记作 1、无航班记作 0，得到：

这个"数表"就是一个 矩阵。其核心价值是：把实际问题转化为数字排列，然后用代数运算分析。矩阵就是这样一个桥梁——实际问题 $\to$ 数学 $\to$ 易分析、易计算。

再看一个例子：一个服装厂生产三种款式的上衣和两种款式的裤子，每月产量用表格记录，每件的成本和售价也分别用表格记录。要计算总收入和总成本，就需要把产量表和价格表进行某种"乘法"运算。这些直观的实际需求，最终催生了矩阵这一数学对象和它配套的运算规则体系。

类似地，一个 $m$ 个方程、$n$ 个未知数的线性方程组：

它的系数可以写成一个 系数矩阵 $A_{m\times n}$ 以及 未知数向量 $\mathbf{x}$ 和 常数项向量 $\mathbf{b}$：

再补上常数项就是 增广矩阵 $\overline{A} = (A \mid \mathbf{b})$。用矩阵写，整个方程组简化为一个式子 $A\mathbf{x} = \mathbf{b}$——这就是矩阵的第一个伟大贡献：把复杂系统用简洁的符号表示出来，使得我们可以用代数工具系统地分析和求解。

常见特殊矩阵

同型矩阵与矩阵相等：若 $A=(a_{ij})$, $B=(b_{ij})$ 同为 $m\times n$ 矩阵，且对应位置元素相等 ($a_{ij}=b_{ij}$)，则称 $A=B$。

加法

数乘

负矩阵与减法：$-A = (-1)\cdot A$，$A - B = A + (-B)$。

八条运算律（矩阵线性空间的结构）：

加法交换律 $A+B = B+A$；加法结合律 $(A+B)+C = A+(B+C)$；存在零矩阵 $O$ 使 $A+O=A$；存在负矩阵 $(-A)$ 使 $A+(-A)=O$。

数乘结合律 $\lambda(\mu A) = (\lambda\mu)A$；数乘分配律 $(\lambda+\mu)A = \lambda A+\mu A$；数乘对矩阵加法分配律 $\lambda(A+B)=\lambda A+\lambda B$；$1\cdot A = A$。

这八条性质与向量的线性运算规则一致——矩阵在加法和数乘下构成一个线性空间，这是后续"矩阵空间"概念的雏形。

为什么需要矩阵乘法？

回看例2：某电子集团生产三种彩电型号，第一季度各 40、20、30 万台，第二季度各 30、10、50 万台，每万台的利润分别是 400、300、500 万元。要计算第一、二季度的总利润——这就是"行向量 $\times$ 列向量"的雏形。

这个定义初看似乎复杂，但它不是凭空而来。回顾前面彩电利润的例子：设产量矩阵 $Q$ 为 $2\times 3$（两季度、三种型号），利润向量 $\mathbf{p}$ 为 $3\times 1$（单位利润），总利润就是 $Q\mathbf{p}$——正是矩阵乘法。这里的核心思想是：变量的复合对应着矩阵的乘法，这一思想在后续学习线性变换的复合时会再次出现。

矩阵乘法的运算律

方阵的幂与多项式

对 $n$ 阶方阵 $A$，定义 $A^k = \underbrace{A\cdot A\cdots A}_{k\text{ 个}}$，$A^0 = I$（单位阵）。由此可以定义方阵的多项式：

注意：$AB \neq BA$ 导致 $(A+B)^2 \neq A^2 + 2AB + B^2$ 一般情况下——只有在 $AB=BA$ 时（称 $A,B$ 可交换）二项式定理才成立。

线性方程组的矩阵形式

矩阵乘法最直接的应用：将 $m$ 个方程、$n$ 个未知数的线性方程组写作 $A\mathbf{x} = \mathbf{b}$，其中 $\mathbf{x} = (x_1,\dots,x_n)^T$ 是列向量，$\mathbf{b}$ 是常数项列向量。这个记号贯穿整个线性代数课程。

矩阵转置

对称矩阵与反对称矩阵

对称矩阵：$A^T = A$。此时 $a_{ij} = a_{ji}$，矩阵关于主对角线对称。例如 $\begin{pmatrix}1 & 2 \\ 2 & 3\end{pmatrix}$。

反对称矩阵：$A^T = -A$。此时 $a_{ij} = -a_{ji}$，主对角线元素全为零。例如 $\begin{pmatrix}0 & 2 \\ -2 & 0\end{pmatrix}$。

一个重要事实：任何方阵都可唯一地分解为对称矩阵与反对称矩阵之和：$A = \dfrac{A+A^T}{2} + \dfrac{A-A^T}{2}$。

背景问题

线性方程组 $A\mathbf{x} = \mathbf{b}$ 的解是否存在？如果存在，是唯一解还是无穷多解？高斯消元法就是回答这个问题的标准算法。

在中学阶段，我们就知道解线性方程组可以通过三种操作：交换两个方程的位置、用一个非零数乘一个方程、把一个方程的倍数加到另一个方程上。这三种操作不会改变方程组的解——称为同解变换。当我们不再关注方程本身，而只关心系数和常数时，这些操作就抽象为矩阵的初等行变换。

高斯消元法的历史可以追溯到两千多年前的中国数学典籍《九章算术》。其中就已经用"遍乘直除"的方法求解线性方程组，其思想本质上就是今天的高斯消元法。这说明消元法的思想是跨越时代的——它是最自然、最系统的线性方程组求解方法。

三类同解变换的矩阵对应：

1. 交换两个方程的位置（对应矩阵的两行互换）
2. 用一个非零数乘某个方程（对应矩阵的某行乘以非零常数）
3. 把一个方程的适当倍数加到另一个方程上（对应矩阵的某行的倍数加到另一行）

高斯消元法的步骤：

1. 写出增广矩阵 $\overline{A} = (A \mid \mathbf{b})$。
2. 用初等行变换将 $\overline{A}$ 化为行阶梯形矩阵。
3. 进一步化为行简化阶梯形（行最简形）。
4. 根据行阶梯形判断解的情况：无解、唯一解、无穷多解。

高斯消元法本质上是将一个一般的线性系统逐步简化为一个等价的、更容易求解的系统。每一步都保持解集不变，最终的行阶梯形揭示了系统的全部结构信息。

为什么这个方法叫"消元"？因为我们的目标就是逐次消去未知数：先用第一个方程消去其他方程中的 $x_1$，再用第二个方程消去后续方程中的 $x_2$，以此类推。这个过程在增广矩阵中表现为逐列制造零元素，最终形成阶梯状的结构。

行阶梯形与解的关系判断表

对于齐次方程组 $A\mathbf{x}=0$，不存在"无解"情况（至少有一个零解）。
$r=n$ 时只有零解；$r < n$ 时有非零解。

初等矩阵

为什么需要逆矩阵？

实数运算中，已知 $ax=b$ 且 $a\neq0$，两边乘 $a^{-1}$ 得到 $x=a^{-1}b$。这个操作如此自然，以至于我们很少思考它的意义：$a^{-1}$ 是 $a$ 在乘法下的"逆元"，它把 $a$ 的作用抵消掉。矩阵世界也是如此：如果 $A$ 是某个线性变换的矩阵表示，那么 $A^{-1}$ 就是逆变换的矩阵。在解线性方程组时，若 $A$ 可逆，解 $A\mathbf{x}=\mathbf{b}$ 可以写成 $\mathbf{x}=A^{-1}\mathbf{b}$。逆矩阵就是矩阵的"除法"——在矩阵运算中扮演 $1/a$ 的角色。

基本性质

可逆性的等价条件

用行初等变换求逆矩阵

这是最实用、最常用的求逆方法，也是数值线性代数中求解逆矩阵的标准算法。原理：若 $A$ 可逆，则存在初等矩阵 $E_1,\dots,E_k$ 使得 $E_k\cdots E_1 A = I$。如果我们在 $A$ 右边并排放一个单位矩阵 $I$，则同样的行变换序列会作用于 $I$ 得到 $E_k\cdots E_1 I = A^{-1}$。实际操作：

构造 $n\times 2n$ 矩阵 $(A \mid I)$，对整矩阵做行初等变换，当左边变为 $I$ 时，右边就是 $A^{-1}$。

这个方法的计算复杂度为 $O(n^3)$，与高斯消元法相同。虽然理论上可以用逆矩阵定义来检验，但对于 $n\ge 4$ 手工计算就很繁琐。在实际工程中，逆矩阵通常由计算机（如 MATLAB、NumPy）通过 LU 分解等数值方法计算。

矩阵方程

利用逆矩阵可以求解三种基本形式的矩阵方程，每种对应不同的左右乘关系：

这里的关键是区分方程中未知矩阵 $X$ 是乘在 $A$ 的左边还是右边。由于矩阵乘法不满足交换律，左右的位置不能互换。一个常见技巧是：$X$ 在 $A$ 的哪一侧，$A^{-1}$ 就乘在哪一侧。如果两侧都有矩阵，则左边的逆左乘、右边的逆右乘。

• $AX = B$（$A$ 可逆）$\Rightarrow X = A^{-1}B$
• $XA = B$（$A$ 可逆）$\Rightarrow X = BA^{-1}$
• $AXB = C$（$A,B$ 可逆）$\Rightarrow X = A^{-1}CB^{-1}$

注意左右乘的顺序不能错——因为矩阵乘法不交换。

为什么需要分块矩阵？

处理大型矩阵时，把所有元素一目了然地写出来往往不现实，也没必要。例如一个 $100\times 100$ 的矩阵，如果它恰好是块对角结构（只有对角线上的几个小块非零），我们完全可以把它当作几个小矩阵来处理。分块矩阵的核心思想是：把大问题分解为小问题，把高阶运算化为低阶运算，这既简化了计算，也有助于理论推导——很多定理的证明就是通过巧妙分块后利用低阶结论来完成的。

分块矩阵的运算

加法：要求分块方式相同，对应子块相加。

数乘：每个子块乘以该数。

乘法：设 $A$ 按列分块的方式与 $B$ 按行分块的方式一致，则 $C=AB$ 的子块 $C_{ij} = \sum_k A_{ik}B_{kj}$。这本质上是把子块当作"元素"做乘法——但注意子块乘法是有顺序的（矩阵乘法不交换）。

块对角矩阵：形如 $A = \begin{pmatrix}A_1 & 0 \\ 0 & A_2\end{pmatrix}$ 的矩阵，其中 $A_1,A_2$ 是方阵。其逆矩阵为 $A^{-1} = \begin{pmatrix}A_1^{-1} & 0 \\ 0 & A_2^{-1}\end{pmatrix}$。

分块技巧在实际应用中很重要：当矩阵具有特殊结构（稀疏、带状、块对角）时，正确分块可以将一个大型问题分解为几个小型子问题。例如在有限元分析中，整体刚度矩阵通常由局部刚度矩阵装配而成，利用分块技巧可以大幅降低计算量。分块矩阵的转置和逆需要特别小心——不仅要对子块整体做转置，每个子块内部也要做转置。