1 概述
本节主要介绍线性代数的基础。首先从解方程开始,学习线性代数的应用之一就是求解复杂的方程问题,本节核心之一就是从row picture (行图像) 和column picture (列图像)的角度解方程。
2 方程组的几何解释基础
2.1 二维行图像
我们首先通过一个例子了解二维方程组:
{
2
x
−
y
=
0
−
x
+
2
y
=
3
(1)
\tag{1} \left \{ \begin{aligned} 2x-y&=0\\ -x+2y&=3 \end{aligned} \right.
{2x−y−x+2y=0=3(1)
我们首先按行将方程组写成矩阵形式:
[
2
−
1
−
1
2
]
[
x
y
]
=
[
0
3
]
矩阵系数
未知向量
向量
\begin{array}{cccc} \begin{bmatrix} 2&-1 \\ -1&2 \end{bmatrix} & \begin{bmatrix} x&y \end{bmatrix} & {}={} & \begin{bmatrix} 0&3 \end{bmatrix}\\ \text{\tiny矩阵系数}& \text{\tiny未知向量} && \text{\tiny向量} \end{array}
[2−1−12]矩阵系数[xy]未知向量=[03]向量
系数矩阵(A): 将方程组系数按行提取出来,构造完成的一个矩阵。
未知向量(x): 将方程组的未知数提取出来,按列构成一个向量。
向量(b): 将等号右侧结果按列提取,构成一个向量。
我们将对应的行图像画出来,在系数矩阵上一次取一行构成方程。和我们在初等数学中学习的作图求解方程的过程无异。
2.2 二维列图像
从l列图像的角度,我们再次求解上面的方程:
{
2
x
−
y
=
0
−
x
+
2
y
=
3
(1)
\tag{1} \left \{ \begin{aligned} 2x-y&=0\\ -x+2y&=3 \end{aligned} \right.
{2x−y−x+2y=0=3(1)
我们将方程按列提取,得到的矩阵为:
x
[
2
−
1
]
+
y
[
−
1
2
]
=
[
0
3
]
x\begin{bmatrix}2\\ -1\end{bmatrix}+y\begin{bmatrix}-1\\ 2\end{bmatrix}=\begin{bmatrix}0\\ 3\end{bmatrix}
x[2−1]+y[−12]=[03]
我们使用列向量构成系数矩阵,将问题转化为: 将向量
[
2
−
1
]
\begin{bmatrix}2\\-1\end{bmatrix}
[2−1]与向量
[
−
1
2
]
\begin{bmatrix}-1\\ 2\end{bmatrix}
[−12]任意组合,使其结果构成
[
0
3
]
\begin{bmatrix}0\\ 3\end{bmatrix}
[03]。
同样,我们画出列图像:
很明显能够看出来,x=1,y=2能够满足条件,使的向量组合成
[
0
3
]
\begin{bmatrix}0\\ 3\end{bmatrix}
[03]。如果对x和y取任意数,能够得到任意方向的向量,铺满整个平面。
3 方程组的几何解释推广
3.1 高维行图像
我们将方程组的维数进行推广,从三维开始
{
2
x
−
y
=
0
−
x
+
2
y
−
z
=
−
1
−
3
y
+
4
z
=
4
\left\{\begin{aligned} 2x-y&=0\\ -x+2y-z&=-1\\ -3y+4z&=4 \end{aligned}\right.
⎩⎪⎨⎪⎧2x−y−x+2y−z−3y+4z=0=−1=4 如果我们继续使用行图像来解决求解方程组,那么会得到一个很复杂的图像。
矩阵 Ax=b 如下:
A
=
[
2
−
1
0
−
1
2
−
1
0
−
3
4
]
,
b
=
[
0
−
1
4
]
A=\begin{bmatrix}2&-1&0\\-1&2&-1\\0&-3&4\end{bmatrix}, b=\begin{bmatrix}0\\-1\\4\end{bmatrix}
A=⎣⎡2−10−12−30−14⎦⎤,b=⎣⎡0−14⎦⎤
从矩阵可以看出,行图像是三个平面相交于一点,我们如果直接想看出这个点的性质可谓是难上加难。
比较靠谱的思路是先联立其中两个平面,使其相交于一条直线,再研究这条直线与平面相交于哪个点,最后得到点坐标即为方程的解。
这个求解过程对于三维来说或许还算合理,那四维呢?五维甚至更高维数呢?直观上很难直接绘制更高维数的图像,这种行图像受到的限制也越来越多。
3.2 高维列向量
同样使用上面的例子,从列图像的思路进行计算。
x
[
2
−
1
0
]
+
y
[
−
1
2
3
]
+
z
[
0
−
1
4
]
=
[
0
−
1
4
]
x\begin{bmatrix}2\\-1\\0\end{bmatrix}+y\begin{bmatrix}-1\\2\\3\end{bmatrix}+z\begin{bmatrix}0\\-1\\4\end{bmatrix}=\begin{bmatrix}0\\ -1\\4\end{bmatrix}
x⎣⎡2−10⎦⎤+y⎣⎡−123⎦⎤+z⎣⎡0−14⎦⎤=⎣⎡0−14⎦⎤
左侧是线性组合,右侧是合适的线性组合组成的结果,这样一来思路就清晰多了,“寻找线性组合”成为了解题关键。
很明显这道题是一个特例,我们只需要取 x = 0, y = 0, z = 1 就得到了结果,这在行图像之中并不明显。
当然,之所以我们更推荐使用列图像求解方程, 是因为这是一种更系统的求解方法,即寻找线性组合,而不用绘制每个行方程的图像之后寻找那个很难看出来的点。
另外一个优势在于,如果我们改变最后的结果 b,例如本题中,我们将其改为
x
[
2
−
1
0
]
+
y
[
−
1
2
3
]
+
z
[
0
−
1
4
]
=
[
1
1
−
3
]
x\begin{bmatrix}2\\-1\\0\end{bmatrix}+y\begin{bmatrix}-1\\2\\3\end{bmatrix}+z\begin{bmatrix}0\\-1\\4\end{bmatrix}=\begin{bmatrix}1\\ 1\\-3\end{bmatrix}
x⎣⎡2−10⎦⎤+y⎣⎡−123⎦⎤+z⎣⎡0−14⎦⎤=⎣⎡11−3⎦⎤
那么,y,z重新取值,寻找一个新的线性组合就可以了。但是如果我们使用的是行图像呢?那意味着我 们要完全重画三个平面图像,就简便性来讲,两种方法高下立判。
另外,还要注意的一点是对任意的 b 是不是都能求解 Ax = b 这个矩阵方程呢? 也就是对 3*3 的系数矩阵 A,其列的线性组合是不是都可以覆盖整个三维空间呢?
对于我们举的这个例子来说,一定可以,还有我们上面 2*2 的那个例子,也可以覆盖整个平面,但是有一些矩阵就是不行的。
比如 [ 1 1 1 ] [ 0 1 2 ] [ 1 2 3 ] \begin{bmatrix}1\\1\\1\end{bmatrix}\begin{bmatrix}0\\1\\2\end{bmatrix}\begin{bmatrix}1\\2\\3\end{bmatrix} ⎣⎡111⎦⎤⎣⎡012⎦⎤⎣⎡123⎦⎤三个列向量本身就构成了一个平面,那么这样的三个向量组合成的向量只能活动在这个平面上,肯定无法覆盖整个三维空间,也就无法实现对任意的b,都能求解AX=b这个方程
3.3 矩阵乘法
如何对矩阵A和向量x的积进行求解。例如A= [ 2 5 1 3 ] \begin{bmatrix}2&5\\1&3\end{bmatrix} [2153],x= [ 1 2 ] \begin{bmatrix}1\\2\end{bmatrix} [12]
- 方法1:将矩阵A看做列向量的组合:
[ 2 5 1 3 ] [ 1 2 ] = 1 [ 2 1 ] + 2 [ 5 3 ] = [ 12 7 ] \begin{bmatrix}2&5\\1&3\end{bmatrix} \begin{bmatrix}1\\2\end{bmatrix} {}={} 1\begin{bmatrix}2\\1\end{bmatrix}{}+{} 2\begin{bmatrix}5\\3\end{bmatrix}{}={} \begin{bmatrix}12\\7\end{bmatrix} [2153][12]=1[21]+2[53]=[127]
将x每个分量与矩阵中各个列向量相乘,再将其求和。 - 方法2:将矩阵A看做行向量的组合:
[ 2 5 1 3 ] [ 1 2 ] = [ ( 2 , 5 ) ∗ ( 1 , 2 ) ( 1 , 3 ) ∗ ( 1 , 2 ) ] = [ 12 7 ] \begin{bmatrix}2&5\\1&3\end{bmatrix} \begin{bmatrix}1\\2\end{bmatrix}{}={} \begin{bmatrix}(2,5)*(1,2)\\(1,3)*(1,2)\end{bmatrix}{}={} \begin{bmatrix}12\\7\end{bmatrix} [2153][12]=[(2,5)∗(1,2)(1,3)∗(1,2)]=[127]
将矩阵A的每行分别与x进行向量乘法
4 小结
这部分内容主要是线性代数概念的初步了解,从解方程谈起,从行空间逐步过渡到列空间,可以发现从列空间角度将求解方程变化为求列向量的线性组合,这种方法更加科学。末尾稍微介绍了一下矩阵乘法,这部分的内容理解就好。