图 网络 关联矩阵

一、下面就是一个简单的图（在离散数学中称之为“图”），图有两个元素：结点(nodes)，边(edges)。

在实际应用中，可以给边加上箭头来表示电流的流向，这就是一个有向图：

然后我们可以定义一个关联矩阵(Incidence Matrices)，这个矩阵的描述如下：列代表结点，行代表边。如果从结点a到结点b有一条边（箭尾是a，箭头是b），那么就把a置为-1，把b置为1,。根据这个准则，上图所生成的关联矩阵如下：

在图2中我们可以看到结点1， 2，3和边1,2,3形成了一个封闭的回路(loop)。该loop的关联矩阵如下:

这个矩阵很有趣，因为它的第三行是第一行与第二行的和，这说明该矩阵的行是线性相关的，从图中我们也可以看到边1和边2的和为3（有点像向量的加法）。

矩阵A的零空间（nullspace）可以通过Ax = 0求得，过程如下：

当x1 = x2 = x3 = x4时，Ax = 0，所以矩阵dim( N(A) ) = 1。所以rank(A) = n - dim( N(A) ) = 4 - 1 = 3。现在我们考虑A的左零空间N(AT)，AT y=0。AT = 

 

AT y = 

 

我们如何求解N(AT)呢，Strang教授给了我们一个很直观的方法，首先，我们把上边等式的左边的两个矩阵相乘的结果写出来，得到：

（-y1） + （-y3） + （-y4） = 0

y1 - y2 = 0;

y2 + y3 - y5 = 0;

y4 + y5 = 0.

我们还是回到上面那个有向图，来仔细观察下，发现y1， y3 ， y4正是流入（流入为0）和流出结点1的电流之和，这就是我们熟悉的基尔霍夫电流定律，另外的三个等式可以相同得出。所以，我们就可以根据loop数来确定A的左零空间的基（没有loop的图称为树(tree)），我们有两个相互独立的loop(结点：1-2-3和1-3-4)，当然还有一个大的loop(1-2-3-4)，但是我们可以通过两个子loop相加得到，所有，基这样找：

y1 = 1, y2 = 1, y3 = -1 => y4 = 0, y5 = 0，另外一个基：

y3 = 1, y4 = -1, y5= -1 => y1 = 0, y2 = 0。

我们在选取y1~y5的时候，应当使结果只含有1， -1， 0这三个值。所以dim( N(AT) ) = 2，rank(A) = 5 - dim( N(AT) ) = 3。与上面的结论一致。

这里有个小结论：dim( N(AT) )是回路的数，5是A的列数，AT的行数，也是边数，r是A的秩，也等于结点数-1（这个不是偶然，可以再举其他的图试一下）。所以我们又以下结论：

#loops = #edges - (#nodes - 1)，也可以写成：

#loops - #edges + nodes = 1，这就是我们熟悉的欧拉公式

似乎是说到结尾了，但是还有一点Strang教授提醒我们观察：如果我们把结点之间的差看作是电势差e，那么Ax = e，并且利用欧姆定律有y = Ce，且我们还有基尔霍夫定律AT y = 0，并且我们给上面的图外加一个电流源（电压源），有AT y = f，把这些式子整合到一起，得到AT C Ax = f，B = AT C A，那么矩阵B就是一个对称阵(Symmetric Matrix)。这有什么用呢，当我们求解trace(AT A)时就会发现一个更加有趣的现象，我只大致说一下，具体过程笔算就可以了：

trace(AT A)就是AT A的对角线的元素之和，然而A, AT的各个元素的绝对值不是1就是0，那么AT A的对角线元素之和就是A的各列的元素之和（可以设一个任意矩阵算一下就知道了）。所以trace(AT A) = 3 + 2 + 3 + 2 = 10，这个10是什么呢，我们再回到那个有向图，3是结点1的度（入度和出度之和），2是结点2的度。。。所以10就是所有结点的度之和。

二、矩阵A的列空间（column space）

假设A=   ，则A的列空间C(A)是R⁴的子空间，C(A)中是A中列的线性组合，下面我们将列空间与线性方程组联系起来，以更好的认识Ax=b，首先Ax=b不是对所有b均有解，因为三个向量的组合不可能覆盖整个4维空间，那么什么样的b会使得该方程有解呢？首先很明显的是当b为零向量时该方程组有解   ，任何时候b为零向量方程组都是有解的，其实仔细想想我们知道只有当b是A中列的线性组合时这个方程才有解，也就是说当且仅当b属于A的列空间C(A)时Ax=b有解，因此矩阵的列空间非常重要，因为它能告诉我们方程什么时候有解。

矩阵A的零空间（null space）

零空间是跟列空间完全不同的子空间，A的列空间关心的是什么样的b使得Ax=b有解，而A的零空间则关心的是当b为零向量，即Ax=0时所有的解x，也就是说列空间关心的是b，而零空间关心的是b=0时的x，还是以A=   为例，其零空间是什么？首先可以肯定的是它是R³的一个子空间，注意刚刚的列空间是R⁴的子空间，不管矩阵A是多少，其零空间N(A)一定包含零向量，在这个例子中，我们容易得到其他的解向量x为 ，推广一下可得所有形如  的向量都在A的零空间里，这个零空间是R³中的一条两端延伸且过原点的直线。

那么零空间是向量空间吗？很显然是的，因为假设b=0时方程组有两个解x1和x2，那么它们的线性组合仍然是方程组的解，即Ax1=0，Ax2=0，那么A(c1x1+c2x2)=0，所以Ax=0的解构成一个子空间。

既然讲了矩阵的零空间是向量空间，那么我们可以看一下b不等于0时的情况，假设现有  ，刚刚已经说过，如果随便取b，很有可能方程无解，但这里给出的b很简单，有些解一下子就能看出来，但我们不关心那些解是什么，我们关心的是这些解构成向量空间吗？假设x1和x2是两个解，很显然c1x1+c2x2不再是方程的解，因此当b不等于0时，这些解就不构成向量空间了，或者我们通过零向量也可看出这些解不构成向量空间，前面我们说所有的向量空间都必须包含零向量，不包含零向量的肯定不是向量空间，这里当x= 时显然不能满足方程，因此这些解不构成向量空间。

参考书籍中的2.5 Graphs and Networks：Linear Algebra and its Application(4ed) Gilbert_Strang