上一讲我们主要讲了差分方程 (difference equation) 和矩阵的幂 (powers of matrix) 之间的联系。主要的 insight 是把差分方程的每次递归, i.e., 从 { a k , a k − 1 , . . . } \{a_k,~a_{k-1},~...\} { ak, ak−1, ...} 到 a k + 1 a_{k+1} ak+1, 表示成一种矩阵关系。这样一来，若干次递归之后的结果相当于初始条件乘以一个矩阵的 K K K 次方。而差分方程最后的解是否 stable 取决于矩阵的特征值是否在复平面的单元圆中。
这一讲 Prof. Strang 着重讲矩阵和其特征值的在微分方程 (differential equations) 中的应用。
矩阵的指数函数 e A e^{\bm{A}} eA
学过高等数学都知道泰勒展开，比如
1 1 − x = 1 + x + x 2 + x 3 + . . . , ( if ∣ x ∣ < 1 ) \frac{1}{1-x} = 1+x+x^2+x^3+...,~~~(\text{if}~|x|<1) 1−x1=1+x+x2+x3+..., (if ∣x∣<1)
e x = 1 + x + 1 2 ! x 2 + 1 3 ! x 3 + . . . e^x = 1+x+\frac{1}{2!} x^2+\frac{1}{3!}x^3+... ex=1+x+2!1x2+3!1x3+...
同样的，矩阵也可以进行同样的操作
( I − A ) − 1 = 1 + A + A 2 + A 3 + . . . , ( if A ∞ → 0 ) (\bm{I}-\bm{A})^{-1}=1+\bm{A}+\bm{A}^2+\bm{A}^3+...,~~~(\text{if}~\bm{A}^\infty\to 0) (I−A)−1=1+A+A2+A3+..., (if A∞→0)
e A = I + A + 1 2 ! A 2 + 1 3 ! A 3 + . . . ( 1 ) e^\bm{A} = \bm{I}+\bm{A}+\frac{1}{2!} \bm{A}^2+\frac{1}{3!}\bm{A}^3+...~~~~~~(1) eA=I+A+2!1A2+3!1A3+... (1)
这样就引出了矩阵的指数函数的定义。特别的，当 A \bm{A} A 有 n n n 个线性无关的特征向量时，我们可以把 A \bm{A} A 相似对角化
A = S Λ S − 1 \bm{A=S\Lambda S^{-1}} A=SΛS−1
e A = I + S Λ S − 1 + 1 2 ! S Λ 2 S − 1 + 1 3 ! S Λ 3 S − 1 + . . . = S e Λ S − 1 ( 2 ) e^\bm{A} = \bm{I}+\bm{S\Lambda S^{-1}}+\frac{1}{2!} \bm{S\Lambda^2 S^{-1}}+\frac{1}{3!}\bm{S\Lambda^3 S^{-1}}+...=\bm{Se^\Lambda S^{-1}}~~~~(2) eA=I+SΛS−1+2!1SΛ2S−1+3!1SΛ3S−1+...=SeΛS−1 (2)
看到没，只要 A \bm{A} A 可以对角化，我们便能把 e A e^\bm{A} eA 转换为 S e Λ S − 1 \bm{Se^\Lambda S^{-1}} SeΛS−1. 这样做有什么好处尼？当然是 e Λ e^\Lambda eΛ 比较简单啦，请看
e Λ = I + Λ + 1 2 ! Λ 2 + 1 3 ! Λ 3 + . . . = [ e λ 1 0 0 ⋯ 0 e λ 2 0 ⋯ 0 0 e λ 3 ⋯ ⋮ ⋮ ⋮ ⋱ ] ( 3 ) e^\Lambda=\bm{I}+\Lambda+\frac{1}{2!} \Lambda^2+\frac{1}{3!}\Lambda^3+... =\begin{bmatrix} e^{\lambda_1} & 0 & 0 & \cdots \\ 0 & e^{\lambda_2} & 0 & \cdots \\ 0 & 0 & e^{\lambda_3} & \cdots \\ \vdots & \vdots & \vdots & \ddots \\ \end{bmatrix}~~~~(3) eΛ=I+Λ+2!
最低0.47元/天 解锁文章
扫一扫
2267
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
