算法
用迹求特征多项式的特点是计算量特别大，性能不高，为此Faddeev和Laverrier两人研究出了更好的求特征多项式的算法。这种算法是一种迭代法，通过创建一个矩阵系列
B
k
B_k
Bk来实现。初始定义
B
1
=
A
B_1=A
B1=A，然后按以下公式递推：
B
k
=
A
(
B
k
−
1
−
c
k
−
1
E
)
c
k
=
1
k
t
r
(
B
k
)
B_k=A(B_{k-1}-c_{k-1}E)\\ c_k=\frac1k tr(B_k)
Bk=A(Bk−1−ck−1E)ck=k1tr(Bk)
最终得到的特征多项式为：
Δ
A
(
λ
)
=
λ
n
−
c
1
λ
n
−
1
−
⋯
−
c
k
λ
n
−
k
−
⋯
−
c
n
\Delta_A(\lambda)=\lambda^n-c_1\lambda^{n-1}-\cdots-c_k\lambda^{n-k}-\cdots-c_n
ΔA(λ)=λn−c1λn−1−⋯−ckλn−k−⋯−cn
举个例子，以下矩阵：
A
=
(
2
−
4
1
2
3
−
2
1
5
5
)
B
1
=
(
2
−
4
1
2
3
−
2
1
5
5
)
c
1
=
10
B
2
=
(
−
23
25
5
−
12
−
39
6
7
−
14
−
34
)
c
2
=
−
48
B
3
=
(
105
0
0
0
105
0
0
0
105
)
c
3
=
105
∣
λ
E
−
A
∣
=
λ
3
−
10
λ
2
+
48
λ
−
105
A=\begin{pmatrix}2 & -4 & 1\\ 2 & 3 & -2\\ 1 & 5 & 5\\ \end{pmatrix}\\ B_1=\begin{pmatrix}2 & -4 & 1\\ 2 & 3 & -2\\ 1 & 5 & 5\\ \end{pmatrix}\\ c_1=10\\ B_2 = \begin{pmatrix}-23 & 25 & 5\\ -12 & -39 & 6\\ 7 & -14 & -34\\ \end{pmatrix}\\ c_2=-48\\ B_3=\begin{pmatrix}105 & 0 & 0\\ 0 & 105 & 0\\ 0 & 0 & 105\\ \end{pmatrix}\\ c_3=105\\ |\lambda E-A|=\lambda^3 -10\lambda^2+48\lambda-105
A=
221−4351−25
B1=
221−4351−25
c1=10B2=
−23−12725−39−1456−34
c2=−48B3=
105000105000105
c3=105∣λE−A∣=λ3−10λ2+48λ−105
Python实现
算法比较简单，所以代码也相对较短。
def faddeev_laverrier(self):
n = len(self.__vectors)
b = []
c = []
b.append(self)
c.append(self.trace(1))
e = Matrix(Matrix.unit_matrix(n))
for i in range(1, n):
b_k = self * (b[i - 1] - e * c[i - 1])
print('b',i,'=', b_k.to_latex())
b.append(b_k)
c.append(1 / (i + 1) * b_k.trace(1))
return [1] + [-e for e in c]
327
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
