鸡兔同笼，但是线性代数

灵感来自：bilibili，巨佬！

我们有 $14$ 个头，$32$ 只脚，所有鸡和兔都没有变异，头和脚都完整，没有数错。还有什么 Bug 吗

小学奥数

假设全是鸡，则有 $14\times 2=28$ 只脚。

但是少了 $4$ 只脚，因为我们看到一只兔子就施展膜法将其变成了鸡，导致所有兔子都变成了鸡。

每只兔子变成鸡，头数不变，少了两只脚，所以有 $4÷2=2$ 只兔子，有 $14-2=12$ 只鸡。

初中

鸡爷解：设有 $x$ 只鸡，$y$ 只兔。

则有：

$$\{\begin{array}{l}x+y=14\\ 2x+4y=32\end{array}$$

解得（过程太简单不写了 ，自行高斯消元）：

$$\{\begin{array}{l}x=12\\ y=2\end{array}$$

进入正题！（已经完全了解矩阵的神犇跳到最后）

线性变换（线性映射）是什么：一个函数，输入输出都是向量，满足如下性质：

$$\begin{array}{rl}f(k\vec{x})& =kf(\vec{x})\\ f(\vec{x}+\vec{y})& =f(\vec{x})+f(\vec{y})\end{array}$$

这个 $f$ 就是一个线性映射，通常记为 $A$。

向量是什么：一个 vector，还不懂吗。哦读者可能不是 C艹 党，所以说一下：向量就是一系列数，类似我们幼儿园就学过的数对。

向量也可以用来表示一个点，学习时通常是 $2$ 维或 $3$ 维的：

+--+--+--+--+--+--+--+--+
|  |  |  |  H  |  |  |  |
+--+--+--+--+--+--+--O--+
|  |  |  |  H  |  |  |  |
+--+--+--+--+--+--+--+--+
|  |  |  |  H  |  |  |  |
+==+==+==+==+==+==+==+==+
|  |  |  |  H  |  |  |  |
+--+--+--+--+--+--+--+--+
|  |  |  |  H  |  |  |  |
+--+--+--+--+--+--+--+--+
|  |  |  |  H  |  |  |  |
+--+--+--+--+--+--+--+--+

（- 和 | 是坐标轴，= 是 $x$ 轴，H 是 $y$ 轴，每条小线段长度为 $1$）

我们要表示图中的 O 点，就可以用数对，注意到 O 点在第 $3$ 列，第 $2$ 行，所以可以表示为 $(3,2)$。

如果我们想换种方法呢？

$$\left[\begin{array}{c}3\\ 2\end{array}\right]$$

记为 $\vec{O}$ 怎么样？$O$ 是名字，上面的箭头 $\stackrel{⃗}{}$ 表示它是一个向量。

实际上，向量可以理解为一个点，也可以理解为一条从原点指向某个点的箭头。

向量的数乘（就是一个数字乘上一个向量）就是把这个向量的长度乘上这个数，也就是把 $x$ 和 $y$ 坐标分别乘上这个数。

向量的加法（两个向量之和）就是把两个向量头尾拼起来，然后记录它们最终指向的点，它们的和就是这个点。

是不是感觉和复数有点像？没错，复数可以表示向量，但是仅限二维，然而向量可以是三维，四维，一维，零维，甚至 $114514$ 维（我乱说的）和 $12288$ 维（据说 GPT 内部的向量就是这个）。

现在我们有一个神奇的线性映射 $A$，作用是把向量的长度乘 $2$。容易验证它满足线性映射的条件。

则对 $\vec{O}$ 进行 $A$ 映射会怎么样？原本要记作 $A(\vec{O})$ 的，但是我们可以省略括号（真的吗，函数也可以吗），记作 $A\vec{O}$（不管你是怎么想的，反正目前数学界就是这么写的），也可以记作 $A$ 和 $\vec{O}$ 的积，也就是它们相乘的结果。

其实，一个线性映射就是一个矩阵，它的具体含义暂且不谈，这里只需要知道两个矩阵相乘就是两个矩阵相继作用的结果，比如 $A$ 和 $B$ 相乘，就是 $AB$，表示先进行 $B$ 变换再进行 $A$ 变换，很奇怪，但是函数不就是这样的吗？