【学习笔记】数学小厦

基础抽象代数

半群（$\text{semi-group}$）

对于非空集合 $S$ 与二元运算 $+$，若 $+$ 具有封闭性、结合律，则 $⟨S,+⟩$ 为半群。

群（$\mathrm{group}$）

若半群 $⟨G,+⟩$ 满足 $+$ 具有单位元、逆元，则 $⟨G,+⟩$ 为群。简单群论入门。

阿贝尔群（$\text{Abelian group}$）

若群 $⟨G,+⟩$ 满足 $+$ 具有交换律，则 $⟨G,+⟩$ 为阿贝尔群，又称交换群。

环（$\mathrm{ring}$ 或 $\text{domain}$）

若阿贝尔群 $⟨R,+⟩$ 满足 $⟨R,\times ⟩$ 为半群且 $\times$ 对 $+$ 有分配律，则 $⟨R,+,\times ⟩$ 为环。

理想（$\text{ideal}$）：若 $I$ 是 $R$ 的加法子群，且 $I$ 满足 $\forall r\in R,rI\subseteq I$，则 $I$ 是 $R$ 的左理想。类似可定义右理想。二者兼具，则称为双边理想。

素理想：若 $R$ 的理想 $I$ 满足 $\forall ab\in I,a\in I\vee b\in I$，则 $I$ 是 $R$ 的素理想。可类比后文 素元。

商环：设 $I$ 是 $R$ 的理想，则 $R$ 作为加法群有商群 $R/I$，定义其乘法 $(a+I)(b+I)=ab+I$，不难验证其构成环。

不难发现 $R/I$ 是整环，当且仅当 $I$ 是 $R$ 的素理想。

幺环：存在乘法单位元（“幺元”）的环。

特征（$\text{characteristic}$）：如果存在最小的正整数 $n$ 使得 $\forall a\in R,na=0$，则 $n$ 是环 $R$ 的特征。如果不存在这样的 $n$，认为 $R$ 的特征是 $0$ 。

对于幺环 $R$，其特征就是乘法幺元 $1$ 的加法阶（若无穷大则特征为零）。

整环（$\text{integral domain}$）：无零因子的交换幺环。

定理：有限整环都是域。

证明：对 ∀ x ∈ R ∖ { 0 } \forall x\in R\setminus\{0\} ∀x∈R∖{0}，考虑 $xR$ 即 { x a : a ∈ R } \{xa:a\in R\} {xa:a∈R} 。注意到 $xa=xb\Rightarrow x(a-b)=0\Rightarrow a=b$，故 $|xR|=|R|\Rightarrow 1\in xR$ 即 $x$ 存在逆元。$■$

整环的整除理论

作为 $\text{OIer}$，唯一看重的非交换环就是矩阵。矩阵需要整除吗？

因此下面的讨论都针对整环 $R$ 。

基本定义

称 $\epsilon \in R$ 是单位（$\text{unit}$）当且仅当 $\epsilon$ 存在逆元素。

称 $a,b$ 是相伴的（$\text{associated}$）当且仅当存在单位 $\epsilon$ 使得 $a=\epsilon b$ 。

不难发现 $a,b$ 相伴等价于 $a\mid b\wedge b\mid a$，因此在整除意义下，相伴就是等价关系。单位与幺元等价，这是其被称为 “单位” 的原因。

$R$ 中不可逆非零元素 $p$ 被称为素元，当且仅当不存在 $a,b$ 使得 $p\mid ab$ 且 $p\nmid a$ 且 $p\nmid b$ 。

——插一句嘴：首先 $pR$ 是 $R$ 的理想，而 $pR$ 是素理想等价于 $p$ 是素元。

$R$ 中的不可逆非零元素 $p$ 被称为不可约（$\text{irreducible}$）元素，当且仅当将其分解为两个元素的乘积 $p=ab$ 时，不可能 $a,b$ 都不是单位（即 $p$ 只有平凡因子）。

定理：整环中的素元都是不可约元素。

证明：设 $p=ab$ 为素元，不妨设 $p\mid a$ 即 $a=pc$ 。则有 $p=ab=(pc)b\Rightarrow p(1-cb)=0\Rightarrow cb=1$ 即 $b$ 是单位。$■$

最大公因子整环

对于不全为零的序列 $a_1,a_2,\dots ,a_n(n>1)$，如果任意公因子 $c$ 都有 $c\mid d$，则称 $d$ 为最大公因子，记为 d = gcd ⁡ { a 1 , a 2 , … , a n } d=\gcd\{a_1,a_2,\dots,a_n\} d=gcd{a1​,a2​,…,an​} 。

整数环中的很多结论都可以直接迁移过来。

定理：$c\gcd (a,b)$ 与 $\gcd (ac,bc)$ 相伴。

证明：设 $d=\gcd (a,b),q=\gcd (ac,bc)$，则 $cd\mid ca\wedge cd\mid cb\Rightarrow cd\mid q$ 。设 $q=cde$，联立 $q\mid ca$ 即 $ca=xq=cdex\Rightarrow (dex-a)c=0\Rightarrow a=dex$ 即 $de\mid a$ 。同理 $de\mid b$，因此 $de\mid d$ 即 $e$ 是单位，因此 $q$ 与 $cd$ 相伴。$■$

定理：$\gcd (a,b),\gcd (a,c)$ 都是单位时，$\gcd (a,bc)$ 是单位。

证明：用 $\approxeq$ 表示相伴，则 $\gcd (a,bc)\approxeq \gcd (\gcd (a,ac),bc)\approxeq \gcd (a,\gcd (ac,bc))\approxeq \gcd (a,c)$ 是单位，得证。$■$

若 $R$ 中任意两个非零元都存在最大公因子，则 $R$ 被称为最大公因子整环。

定理：最大公因子整环中，不可约元素都是素元。

证明：设不可约元素 $p\mid ab$，则 $\gcd (a,p)\approxeq \gcd (b,p)\approxeq 1$ 会说明 $\gcd (ab,p)\approxeq 1$ 矛盾。不妨设 $d=\gcd (a,p)/\approxeq 1$，注意到 $d\mid p$ 而 $p$ 只有平凡因子，所以 $d\approxeq p$，即有 $p\mid a$ 。$■$

唯一分解整环（$\text{UFD}$）

认为整环 $R$ 中元素 $n$ 拥有唯一分解，当且仅当 $n$ 可以被分解为 $n=\prod p_i$，且任何同种的分解 $n=\prod q_i$ 满足：二者长度相同，且可以将 { q } \{q\} {q} 重排使得 $p_i,q_i$ 相伴。

如果整环 $R$ 中任意元素 $n$ 满足，将其分解为若干素元（或不可约元）的乘积有唯一分解，则 $R$ 是唯一分解整环（$\text{unique factorization domain}$）。

Remark. 在任意整环中，素元分解若存在即唯一，而不可约元素分解可能不唯一（但一定存在）。

定理：最大公因子整环都是唯一分解整环。

证明：在最大公因子整环上，不可约元素分解恰好构成素元分解。$■$

欧几里得环（$\text{Euclidean Ring}$）

通俗解释：能够进行辗转相除的环。

严谨定义：若整环 $R$ 存在映射 $\varphi :R\mapsto \mathbb{N}$ 使得 $a=mb+r\text{ s.t. }\varphi (r)<\varphi (b)$ 对任意 $a,b\in R,b\ne 0$ 都存在，则 $R$ 是欧几里得环。

可以看出 $\varphi$ 是某种 范数。但是不是这样有什么关系呢？我们只需要知道：

定理：欧几里得环都是最大公因子整环。

域（$\mathrm{field}$）

若环 $⟨F,+,\times ⟩$ 满足 ⟨ F ∖ { 0 } , × ⟩ \langle F\setminus\{0\},\times\rangle ⟨F∖{0},×⟩ 为阿贝尔群（其中 $0$ 是 $+$ 的单位元）则 $⟨F,+,\times ⟩$ 为域。最常见的域是模质数 $p$ 的伽罗瓦域 $\mathbb{GF}(p)$ 。

线性空间

又称 向量空间 或矢量空间（$\text{vector space}$），因为其 维度 为 $n$ 时，就与 $n$ 维空间的向量集合是同构的。下面是详细的定义；但事实上将其理解为向量就很足够了。

具体而言，设 $V$ 是一个非空集合，$P$ 是一个域，若满足下列条件：

• 加法封闭性：$\forall \alpha ,\beta \in V,(\alpha +\beta )\in V$ 。
• 纯量乘法（数量乘法）封闭性：$\forall k\in P,\forall \alpha \in V,(k\cdot \alpha )\in V$ 。习惯上也可简写为 $k\alpha$ 。
• $(V,+)$ 构成阿贝尔群（交换群）；其单位元为零向量 $\overrightarrow{0}$ 。
• 对于 $P$ 中乘法单位元 $ϵ$，有 $\forall \alpha \in V,ϵ\alpha =\alpha$ 。
• 乘法结合律：$\forall k,l\in P,\forall \alpha \in V,k(l\alpha )=(kl)\alpha$ 。
• 乘法分配律：$\forall k,l\in P,\forall \alpha \in V,(k+l)\alpha =(k\alpha )+(l\alpha )$ 。
• 乘法分配律：$\forall k\in P,\forall \alpha ,\beta \in V,k(\alpha +\beta )=(k\alpha )+(k\beta )$ 。

则称 $V$ 为域 $P$ 上的一个线性空间。$P$ 称为线性空间的基域。

子空间（$\mathrm{subspace}$）

若 $W,V$ 是域 $P$ 上的线性空间，且 $W\subseteq V$，则 $W$ 是 $V$ 的子线性空间，简称子空间。

加法（和空间）

若 $A,B$ 是线性空间 $V$ 的子空间，定义二者的和 A + B = { α + β    ∣    α ∈ A ,    β ∈ B } A+B=\{\alpha+\beta\;|\;\alpha\in A,\;\beta\in B\} A+B={α+β∣α∈A,β∈B} 。

容易发现 $(A+B)$ 仍然是线性空间 $V$ 的子空间。

直和（$\text{direct sum}$）

当 A ∩ B = { 0 → } A\cap B=\{\overrightarrow{0}\} A∩B={0 } 时，二者的和被称为直和（偶尔被称为笛卡尔和），记作 $A\oplus B$ 。

可以发现 $\forall \gamma \in (A\oplus B)$，方程 $\gamma =\alpha +\beta (\alpha \in A,\beta \in B)$ 有唯一解。

张成空间（$\mathrm{span}$）

$\alpha \in V$，显然 { k α    ∣    k ∈ P } \{k\alpha\;|\;k\in P\} {kα∣k∈P} 是子空间。记为 s p a n { α } span\{\alpha\} span{α} 。

递归地定义张成空间 s p a n { α 1 , α 2 , … , α k } = s p a n { α 1 , α 2 , … , α k − 1 } + s p a n { α k }    ( k ⩾ 2 ) span\{\alpha_1,\alpha_2,\dots,\alpha_k\}=span\{\alpha_1,\alpha_2,\dots,\alpha_{k-1}\}+span\{\alpha_k\}\;(k\geqslant 2) span{α1​,α2​,…,αk​}=span{α1​,α2​,…,αk−1​}+span{αk​}(k⩾2)，这里的加法是和空间。

张成空间是 $V$ 的子空间。

线性无关

称 ${\alpha }_1,{\alpha }_2,\dots ,{\alpha }_k$ 线性无关，当且仅当 ∀ i ∈ [ 1 , k ] ,    α i ∉ s p a n ( S ∖ { α i } ) \forall i\in[1,k],\;\alpha_i\notin span(S\setminus\{\alpha_i\}) ∀i∈[1,k],αi​∈/span(S∖{αi​})，其中 S = { α 1 , α 2 , … , α k } S=\{\alpha_1,\alpha_2,\dots,\alpha_k\} S={α1​,α2​,…,αk​} 。

等价定义是，若存在非全零序列 ${\lambda }_1,{\lambda }_2,\dots ,{\lambda }_k\in P,\sum {\lambda }_i{\alpha }_i=\overrightarrow{0}$，则它们是线性相关的；反之为线性无关。

维度（$\dim$）

在线性空间 $V$ 中，存在线性无关向量组 α 1 , α 2 , … , α k ∈ V ∖ { 0 → } \alpha_1,\alpha_2,\dots,\alpha_k\in V\setminus\{\overrightarrow{0}\} α1​,α2​,…,αk​∈V∖{0 }，最大的 $k$ 就是 $V$ 的维度，记为 $\dim V=k$，此时的向量组 $⟨\alpha ⟩$ 称为基底。基底可以有无穷多组。

等价定义：$V=span({\alpha }_1,{\alpha }_2,\dots ,{\alpha }_k)$，且 ${\alpha }_1,{\alpha }_2,\dots ,{\alpha }_k$ 线性无关。然而这个等价性的证明，不用克莱姆法则我不会证；而这就涉及到行列式了……

显然 $\dim (A\oplus B)=\dim A+\dim B$ 。

$\text{*}$除法（商空间）

这个好像不怎么有用……

定义 α + W = { α + β    ∣    β ∈ W }    ( α ∈ V ) \alpha+W=\{\alpha+\beta\;|\; \beta\in W\}\;(\alpha\in V) α+W={α+β∣β∈W}(α∈V)，其中 $W$ 是 $V$ 的子空间。显然它得到的是一堆向量的集合。可是这集合并不是线性空间。类似陪集。

定义 V / W = { α + W : α ∈ V } V/W=\{\alpha+W:\alpha\in V\} V/W={α+W:α∈V} 。也就是 “向量集合” 的一个集族。它的含义就是，认为 $(\alpha -\beta )\in W$ 的 $\alpha ,\beta$ 在一个 “等价类” 内，然后划分成若干等价类。类似陪集分解。

如果将子空间的加法推广到任意两个集合，那么我们会发现 $V/W$ 是一个线性空间。因为 ( α + W ) + ( β + W ) = { α + β + ϕ + ψ : ϕ , ψ ∈ W } = ( α + β ) + W (\alpha+W)+(\beta+W)=\{\alpha+\beta+\phi+\psi:\phi,\psi\in W\}=(\alpha+\beta)+W (α+W)+(β+W)={α+β+ϕ+ψ:ϕ,ψ∈W}=(α+β)+W，标量乘法同理也可验证其符合定义。

然后我们有 $\dim (V/W)=\dim V-\dim W$ 。这很简单，因为 $V/W$ 的基底实际上是表示若干差值不属于 $W$ 的向量的。形式化地，若 $V/W$ 基底是 ${\alpha }_i+W(1⩽i⩽k)$ 而 $W$ 基底是 ${\beta }_i(1⩽i⩽m)$，那么一方面 $⟨{\alpha }_i⟩,⟨{\beta }_i⟩$ 是线性无关的（因为 s p a n { α i } span\{\alpha_i\} span{αi​} 与 W = s p a n { β i } W=span\{\beta_i\} W=span{βi​} 无交集），另一方面 V = s p a n { α i , β i } V=span\{\alpha_i,\beta_i\} V=span{αi​,βi​}，因为每个向量都出现在了 $V/W$ 的某一个向量集合中，所以这就是 $V$ 的基底。

范数（$\text{norm}$）

范数是一个 线性泛函，记为 $\Vert x\Vert$，满足

• 正定性：$\Vert x\Vert ⩾0$，当且仅当 $x=\overrightarrow{0}$ 时取等。
• 正值齐次性：$\forall x\in V,\alpha \in P$，满足 $\Vert \alpha x\Vert =|\alpha |\cdot \Vert x\Vert$ 。
• 三角不等式：$\Vert x+y\Vert ⩽\Vert x\Vert +\Vert y\Vert$ 。

我们最熟悉的就是欧几里得范数，即向量的模长。

线性变换

线性映射（$\text{linear map}$ 或 $\text{linear operator}$）

对于两个线性空间 $V,W$，若存在映射 $f:V\mapsto W$ 使得其加法运算、数量乘法都同态，则 $f$ 是 $V\mapsto W$ 的线性映射（或线性算子）。

Comment. 似乎各处的定义不尽相同？这里就以 $\text{Wikipedia}$ 为基准吧。

换句话说，$\forall \alpha ,\beta \in V,f(\alpha +\beta )=f(\alpha )+f(\beta )$ 且 $\forall k\in P,f(k\alpha )=k\cdot f(\alpha )$ 。

线性泛函（$\text{linear functional}$）

若线性算子 $f$ 是 $V\mapsto P$ 的映射，则 $f$ 是一个线性泛函。

线性变换（$\text{linear transformation}$）

线性映射 $f:V\mapsto V$ 被称为线性变换。后面我们会说到，线性变换总可以表示为 矩阵（在选定基底之后）。

线性变换对加法有 “分配律”，对乘法有 “交换律”，是近似于乘法的运算。所以为了方便，我们用 $\mathcal{A}$ 表示线性变换，$\mathcal{A}\alpha$ 表示 $f(\alpha )$ 。这是比较贴近算子概念的东西。

核（$\mathrm{kernel}$）

ker ⁡ ( A ) = { α    ∣    A α = 0 → } \ker(\mathscr A)=\{\alpha\;|\;\mathscr A\alpha=\overrightarrow{0}\} ker(A)={α∣Aα=0 }，也就是那些映射到零向量上的向量。

可以发现 $\ker (\mathcal{A})$ 是 $V$ 的子空间。另：更常写为 $\text{Ker}(\mathcal{A})$，但是 $\text{LATEX}$ 的 \ker 就是小写的……

象（$\mathrm{image}$)

Im ( A ) = { A α    ∣    α ∈ V } \text{Im}(\mathscr A)=\{\mathscr A\alpha\;|\;\alpha\in V\} Im(A)={Aα∣α∈V}，也就是映射的值域。

可以发现 $\text{Im}(\mathcal{A})$ 是 $V$ 的子空间。另：我讨厌复数，它抢走了 \Im（虚部符号）。

降维打击

定理：$\dim V=\dim \ker (\mathcal{A})+\dim \text{Im}(\mathcal{A})$ 。

证明：取 $\ker (\mathcal{A})$ 的基底 $⟨\alpha ⟩$；取 $\text{Im}(\mathcal{A})$ 的基底 $⟨\theta ⟩$，则存在 $⟨\beta ⟩$ 使得 $\mathcal{A}{\beta }_i={\theta }_i$ 。只需要证明 $V$ 的基底是 $⟨\alpha ⟩,⟨\beta ⟩$ 。

先证 V = s p a n { α i , β j } V=span\{\alpha_i,\beta_j\} V=span{αi​,βj​} 。任取 $\gamma \in V$，存在 ν ∈ s p a n { β i } \nu\in span\{\beta_i\} ν∈span{βi​} 使得 $\mathcal{A}\gamma =\mathcal{A}\nu$，因为 s p a n { A β i } = s p a n { θ i } = Im ( A ) span\{\mathscr A\beta_i\}=span\{\theta_i\}=\text{Im}(\mathscr A) span{Aβi​}=span{θi​}=Im(A) 。于是 $\mathcal{A}(\gamma -\nu )=\overrightarrow{0}$，即 γ − ν ∈ ker ⁡ ( A ) = s p a n { α i } \gamma-\nu\in\ker(\mathscr A)=span\{\alpha_i\} γ−ν∈ker(A)=span{αi​} 。所以有 s p a n { β i } + s p a n { α i } = V = s p a n { α i , β j } span\{\beta_i\}+span\{\alpha_i\}=V=span\{\alpha_i,\beta_j\} span{βi​}+span{αi​}=V=span{αi​,βj​} 。

再证其为直和，即 { α i , β j } \{\alpha_i,\beta_j\} {αi​,βj​} 线性无关。这简单至极¹：若 $\sum {\lambda }_i{\alpha }_i+\sum {\phi }_i{\beta }_i=\overrightarrow{0}$，两边同时做线性变换 $\mathcal{A}$ 得 $\sum {\phi }_i{\theta }_i=\overrightarrow{0}$ 。由于 $⟨\theta ⟩$ 线性无关，所以必须 ${\phi }_i=0$，代回原式得 $\sum {\lambda }_i{\alpha }_i=0$，由于 $⟨\alpha ⟩$ 线性无关，所以 ${\lambda }_i=0$ 。即全零为唯一解。所以线性无关。$■$

坐标与矩阵

随意找一组基底 $⟨{\alpha }_1,{\alpha }_2,\dots ,{\alpha }_n⟩$，则 $\forall \beta \in V$ 可用唯一分解 $\beta =\sum {\lambda }_i{\alpha }_i$ 的系数 $⟨\lambda ⟩$ 唯一确定。记为 $\beta =({\lambda }_1,{\lambda }_2,\dots ,{\lambda }_n)$，称为 $\beta$ 的坐标表示。

在坐标表示下，若 $\mathcal{A}\alpha =\beta$，那么二者的坐标表示必然是线性关系（否则 $\mathcal{A}$ 无法满足线性映射的性质）。于是可以找到系数矩阵 $x_{i,j}(1⩽i,j⩽n)$ 使得 ${\lambda }_{b:i}={\sum }_{j=1}^n{x}_{i,j}{\lambda }_{a:j}$，这就是 $\mathcal{A}$ 的矩阵表达。

矩阵的秩 $\text{rank}$ 为矩阵中最多的线性无关列向量数量，也就是 $\dim \text{Im}(A)$，因为 $A\alpha$ 只能是这些列向量的线性和。

正交分解

线性变换的复合是 $\mathrm{trivial}$ 的，显然其构成半群。而自复合则构成阿贝尔群 虽然这很蠢。因此关于 $\mathcal{A}$ 的多项式环 $P[\mathcal{A}]$ 构成交换环（乘法具有交换律）。

不变子空间

若 $W$ 是 $V$ 的子空间，满足 $\forall \alpha \in W,\mathcal{A}\alpha \in W$，则 $W$ 是 $V$ 在 $\mathcal{A}$ 上的不变子空间。

很明显 $\ker (\mathcal{A})$ 就是一个不变子空间。尽管它可能小到只含零向量。

定理：任何关于 $\mathcal{A}$ 的多项式 $f(\mathcal{A})$ 都满足 $\ker [f(\mathcal{A})]$ 是 $\mathcal{A}$ 上的不变子空间。

证明：$\forall \alpha \in \ker [f(\mathcal{A})],f(\mathcal{A})\mathcal{A}\alpha =\mathcal{A}f(\mathcal{A})\alpha =\overrightarrow{0}⟹\mathcal{A}\alpha \in \ker [f(\mathcal{A})]$ 。$■$

矩阵分解

如果我们能找到若干不变子空间 $W_1,W_2,\dots ,W_k$ 使得 $W_1\oplus W_2\oplus \cdots \oplus W_k=V$，那么 $V$ 有一组基底是所有 $W_i$ 的基底的并。在这个基底意义下，将 $\mathcal{A}$ 矩阵化，将得到近乎 准对角矩阵，因为一组基底进行 $\mathcal{A}$ 后的结果仍然可以用自己的线性和表示。

多项式分解

定理：若 $f(x)=f_1(x)f_2(x)$ 且 $\gcd [f_1(x),f_2(x)]=1$（多项式构成 欧几里得环），则 $\ker [f(\mathcal{A})]=\ker [f_1(\mathcal{A})]\oplus \ker [f_2(\mathcal{A})]$ 。

证明：$\gcd =1\iff \exists t_1(x),t_2(x)$ 使得 $t_1(x)f_1(x)+t_2(x)f_2(x)=1$ 。

先证 $\ker [f(\mathcal{A})]⫅\ker [f_1(\mathcal{A})]+\ker [f_2(\mathcal{A})]$ 。任取 $\alpha \in \ker [f(\mathcal{A})]$，令
$$\{\begin{array}{l}\beta =t_2(\mathcal{A})f_2(\mathcal{A})\alpha \\ \gamma =t_1(\mathcal{A})f_1(\mathcal{A})\alpha \end{array}$$

可见
$$\begin{array}{rl}{f}_1(\mathcal{A})\beta & =t_2(\mathcal{A})f_1(\mathcal{A})f_2(\mathcal{A})\alpha \\ & =t_2(\mathcal{A})f(\mathcal{A})\alpha \\ & =t_2(\mathcal{A})\overrightarrow{0}=\overrightarrow{0}\end{array}$$

即 $\beta \in \ker [f_1(\mathcal{A})]$ 。同理 $\gamma \in \ker [f_2(\mathcal{A})]$ 。而 $\alpha =\beta +\gamma$，得证。

再证 $\ker [f(\mathcal{A})]⫆\ker [f_1(\mathcal{A})]+\ker [f_2(\mathcal{A})]$ 。这是显而易见的。

最后证明二者无交集，为直和。若 $\alpha \in \ker [f_1(\mathcal{A})]\cap \ker [f_2(\mathcal{A})]$，则 $\alpha =[t_1(\mathcal{A})f_1+t_2(\mathcal{A})f_2(\mathcal{A})]\alpha =\overrightarrow{0}$。$■$

零化多项式

使得 $f(\mathcal{A})=0$ 的多项式，就是 $\mathcal{A}$ 的零化多项式。这里的 $0$ 是基域 $P$ 中的乘法零元。度数最小的首一零化多项式被称为最小多项式。

如果我们找到了 $\mathcal{A}$ 的首一零化多项式 $g(\mathcal{A})$，不妨设 $g(x)=\prod (x-{\gamma }_i{)}^{t_i}$，利用 多项式分解 我们知道 $\ker [g(\mathcal{A})]=⨁\ker [(\mathcal{A}-{\gamma }_i{)}^{t_i}]$ 。而 $g(\mathcal{A})=0$，这说明 $\ker [g(\mathcal{A})]=V$，所以 $\ker [(\mathcal{A}-{\gamma }_i{)}^{t_i}]$ 是对原线性空间 $V$ 的一个剖分。

而 不变子空间 中说过 $\ker [(\mathcal{A}-{\gamma }_i{)}^{t_i}]$ 是 $\mathcal{A}$ 上的不变子空间，故在这些子空间中分别取基底，就可以将 $\mathcal{A}$ 的矩阵形式转化为 准对角矩阵。

特征多项式

若 A v = λ v    ( v ∈ V ∖ { 0 → } ,    λ ∈ P ) \mathscr Av=\lambda v\;(v\in V\setminus\{\overrightarrow 0\},\;\lambda\in P) Av=λv(v∈V∖{0 },λ∈P) 则称 $v$ 是 $\mathcal{A}$ 的特征向量，$\lambda$ 是 $\mathcal{A}$ 的特征值。

求解是容易的：实际上就是 $v\in \ker (\mathcal{A}-\lambda )$ 。在矩阵意义下，$0\ne \dim \ker (A-\lambda I)=\dim V-\text{rank}(A-\lambda I)$，所以只要 $A-\lambda I$ 不满秩即可。于是求解 $\lambda$ 就是解方程
$$f(\lambda )=\det (\lambda I-A)=0$$

其中 $\det (B)$ 表示矩阵 $B$ 的行列式。定义 $f(\lambda )$ 为 $A$ 的特征多项式。不难发现 $f(x)$ 是 $\mathrm{deg}=\dim V$ 的首一多项式。

有些有趣的性质。根据定义 $f(0)=\det (-A)$，而同时我们知道 $f(x)=\prod (x-{\lambda }_i)$（因为每个根都是特征值），所以 $\prod {\lambda }_i=\det (-A)$ 。它的应用后面再说。

可能有重根；若 { λ i } \{\lambda_i\} {λi​} 为互异的特征根，则 $f(x)=\prod (x-{\lambda }_i{)}^{{\tau }_i}$，其中 ${\tau }_i$ 为 ${\lambda }_i$ 的代数重数，而其对应的特征向量的张成子空间 s p a n { v    ∣    A v = λ i v } span\{v\;|\;Av=\lambda_i v\} span{v∣Av=λi​v} 的 $\dim$ 为 ${\lambda }_i$ 的几何重数。

$\text{Cayley–Hamilton}$ 定理：特征多项式是零化多项式。²

引理：若几何重数均为 $1$，则最小多项式就是特征多项式。³

相似变换

如果存在可逆矩阵 $P$ 使得
$$B=P^{-1}AP$$
那么 $B$ 就和 $A$ 是相似的。这个变换叫做相似变换。

其相似的本质是：$B$ 和 $A$ 只是在不同的基底下考察相同的线性映射。

$\text{Jordan}$ 标准型

因为译名有明显分歧——有译为 “约当” 的，也有译为 “若尔当” 的——所以就保留英文 $\text{Jordan}$ 了。

定义 $\text{Jordan}$ 块是形如
$$A_{i,j}=\{\begin{array}{ll}\lambda & (j=i)\\ [j=i+1]& (j\ne i)\end{array}$$

的方阵 $A$ 。定义 $\text{Jordan}$ 标准型矩阵是 $\text{Jordan}$ 块构成的 准对角矩阵。

定理：在不考虑 $\text{Jordan}$ 块相对顺序时，每个矩阵都相似于唯一一个 $\text{Jordan}$ 标准型矩阵。

按：每个 $\text{Jordan}$ 块都是特征空间的一个基向量。因此 $\lambda$ 对应的 $\text{Jordan}$ 块的数量就是其几何重数。而大小显然是代数重数，因此我们得到

引理：每个特征值的几何重数不大于代数重数。

推论：矩阵可对角化，当且仅当其所有特征根的几何重数与代数重数相等。

Comment. 我并没有学会该知识点。从知乎文章中应该能学到更多东西。

迹（$\text{trace}$）

矩阵 $A$ 的迹被定义为
$$\mathrm{tr}A=\sum _{i=1}^n{a}_{i,i}$$

即主对角线的元素和。很容易证明
$$\mathrm{tr}(AB)=\mathrm{tr}(BA)$$

因此我们可以证明相似矩阵的迹是相同的。
$$\mathrm{tr}(P^{-1}AP)=\mathrm{tr}(P{P}^{-1}A)=\mathrm{tr}A$$

通过 Jordan 标准型，我们立刻可以知道
$$\mathrm{tr}A=\sum {\lambda }_i$$

其中 ${\lambda }_i$ 是 $A$ 的特征值，即 $A$ 的特征多项式为 $\prod (x-{\lambda }_i)$ 。

对偶空间（$\text{dual space}$）

在这里有一些对它的阐释。我并不很懂 $\text{dual space}$，因此先把参考文章贴出来。

线性空间 $V$ 的对偶空间，记为 $V^{\ast }$，是全体 $V$ 上的线性泛函。显然函数之间有加法与乘法，且构成矢量空间。

按：事实上，如果将 $V^{\ast }$ 内元素用 对偶基 坐标化，那么其作用效果相当于向量内积。

对偶基（$\text{dual basis}$）

$V^{\ast }$ 存在一组基 { ϕ i } \{\phi_i\} {ϕi​} 满足
$${\varphi }_i(e_j)=[i=j]ϵ$$

其中 { e j } \{e_j\} {ej​} 是 $V$ 的一组基，$ϵ$ 是基域 $P$ 的幺元。这组基 { ϕ i } \{\phi_i\} {ϕi​} 被称为对偶基。

典范同构（$\text{canonical isomorphism}$）

注意到 $V^{\ast }$ 也是线性空间，因此 $V^{\ast }$ 也存在对偶空间，记为 $V^{\ast \ast }$，它被称为 $V$ 的 $\text{bidual}$ 。

首先 $\dim (V)=\dim (V^{\ast })=\dim (V^{\ast \ast })$ 。而且 $V$ 和 $V^{\ast \ast }$ 之间存在典范同构：设 $u\in V$ 与 $\hat{u}\in V^{\ast \ast }$ 是同态元素，定义
$$\hat{u}(\varphi )=\varphi (u)(\forall \varphi \in V^{\ast })$$

不难验证 $\hat{u}$ 是 $V^{\ast }$ 上的线性泛函，且 $u$ 与 $\hat{u}$ 同态。

对偶映射（$\text{dual map}$）

任取线性映射 $f:V\mapsto W$，则对于任意 $W$ 上的线性泛函 $h$，可以发现复合函数 $h\circ f$ 是 $V$ 上的线性泛函。并且它关于 $h$ 肯定是 $\text{linear}$ 的。因此这给出了 $f^{\ast }:W^{\ast }\mapsto V^{\ast }$ 对偶空间之间的线性映射。这被称为 $f$ 的对偶或 转置（$\text{transpose}$）。因为

定理：$f^{\ast }$ 在 $\text{dual basis}$ 上的矩阵就是 $f$ 的矩阵的转置。

证明：坐标化后，$f$ 的矩阵的每一列就是 $f(e_i)$，其中 { e i } \{e_i\} {ei​} 是 $V$ 的基。

考虑 $W$ 上的线性泛函 $h=⟨x_1,x_2,\cdots ,x_n⟩$，尝试写出 $h\circ f$ 的坐标。显然 $e_i$ 将会提供 $h(f(e_i))$，也就是 ${\eta }_i={\sum }_j{x}_j{A}_{j,i}$，其中 $A$ 是 $f$ 对应的矩阵，第 $i$ 列恰为 $f(e_i)$ 坐标。

不难发现这就是 $A^{\mathsf{T}}h$，因此 $A^{\mathsf{T}}$ 就是 $f^{\ast }$ 对应的矩阵。$■$

伴随矩阵

对于 $n\times n$ 方阵 $A$，将第 $i$ 行、第 $j$ 列元素移除后，剩余的行和列按原顺序排列，得到 $(n-1)$ 阶方阵，其行列式记为 $M_{i,j}$，称为余子式。

定义 $C_{i,j}=(-1{)}^{i+j}{M}_{i,j}$ 为代数余子式，定义 $A$ 的伴随矩阵 $A^{\ast }$ 为 $A_{i,j}^{\ast }=C_{j,i}$ 。此时有
$$[A\times A^{\ast }{]}_{i,j}=\sum _k{A}_{i,k}{A}_{k,j}^{\ast }=\sum _k{A}_{i,k}{C}_{j,k}$$

当 $i=j$ 时，该式为 $\det (A)$ 的按行展开 。当 $i\ne j$ 时，该值等价于将第 $j$ 行元素替换为第 $i$ 行元素后按行展开的 $\det$，即 $0$ 。于是我们得到
$$A\times A^{\ast }=\det (A)\cdot I$$

其中 $I$ 是单位对角矩阵。

性质推导

记 $\text{rank}(A)$ 为 $A$ 的秩，则
$$\mathrm{rank}(A^{\ast })=\{\begin{array}{ll}n,& \mathrm{rank}(A)=n\\ 1,& \mathrm{rank}(A)=n-1\\ 0,& \mathrm{rank}(A)<n-1\end{array}$$

对于第一项：对 $A\times A^{\ast }=\det (A)\cdot I$ 两边同时取行列式得 $\det (A)\cdot \det (A^{\ast })=\det (A{)}^n\Rightarrow \det (A^{\ast })=\det (A{)}^{n-1}\ne 0$ 即 $\mathrm{rank}(A^{\ast })=n$ 。

对于第三项：此时删去一行一列后，仍不满秩，故 $M_{i,j}=0$，即 $A^{\ast }$ 为全零矩阵。

对于第二项：此时 $A\times A^{\ast }=\det (A)\cdot I$ 为全零阵，所以 $A^{\ast }$ 的列向量 $v$ 满足 $Av=\overrightarrow{0}$ 。而 $\mathrm{rank}(A)=n-1$，所以 $Av=0$ 的解 $v$ 至多有一个自由元，即解空间的 $\dim =1$ 。所以 $A^{\ast }$ 的列向量组的秩为 $1$，即 $\mathrm{rank}(A^{\ast })=1$ 。

代码求解

在域上

当 $\mathrm{rank}(A)=n$ 时，由于 $A^{-1}$ 可以 $\mathcal{O}(n^3)$ 求解，故 $A^{\ast }=|A|\cdot A^{-1}$ 也可以快速求解。平凡情况 $\mathrm{rank}(A)<n-1$ 略。只需要讨论 $\mathrm{rank}(A)=n-1$ 的情况。

事实上，性质推导 中已经说过解法：解 $Av=0$ 可得非零向量特解 $v_0$，则 $A^{\ast }$ 的列向量都是 $v$ 的若干倍。同理可解行向量 $q$ 使得 $qA=0$，则 $q$ 也是 $A^{\ast }$ 任意一行的若干倍。

存在 $i,j$ 使得 $v_i{q}_j\ne 0$ 。暴力求出 $C_{i,j}$，那么 $A^{\ast }$ 列向量 “除以” $v$ 的商的比值就是 $q_1,q_2,\dots ,q_n$，故 $A_{x,y}=\frac{q_y}{q_j}\cdot \frac{v_x}{v_i}\cdot A_{i,j}$，可以全部求出。总复杂度 $\mathcal{O}(n^3)$ 。

在欧几里得环上

也就是说，我们主要的工具就只是高斯消元。考虑完全意义上的解决原问题：删去一行一列后求行列式。

首先枚举一行，将其删去，求出剩余矩阵高斯消元后的结果，不难发现其应只在 $j⩾i-1$ 处 $a_{i,j}\ne 0$ 。我们姑且不考虑此步的复杂度。

再枚举删去哪一列，则左上方为对角矩阵、右下角为上海森堡矩阵。只需求解任意右下角 $i\times i$ 上海森堡矩阵的行列式。将 $\det$ 按第一行展开得
$$f_i=\sum _{j=i}^n(-1{)}^{j-i}{f}_{j+1}{a}_{i,j}\prod _{k=i}^{j-1}{a}_{k,k}$$

于是压力来到删去一行上。事实上只需分治，将确定要保留的部分立刻消元完毕。

消去一个变元的时间复杂度是 $\mathcal{O}[n\cdot (n+\log |R|)]$，其中 $|R|$ 是环的大小。共 $\mathcal{O}(n\log n)$ 次消元，总复杂度 $\mathcal{O}(n^3\log n+n^2\log n\log |R|)$ 。

在模合数的环上

前面的做法基于高斯消元。消元的本质是左乘初等行变换矩阵。所以我们实际上求出了
$$A^{\prime }\times A^{\ast }=\det (A)\cdot C$$

其中 $C$ 是若干初等行变换矩阵的乘积，$A^{\prime }$ 是高斯消元的结果。对两边同时提取 $(i,j)$ 位置的系数，根据 $A^{\prime }$ 为上三角矩阵的特性可知
$$\sum _{k⩾i}{A}_{i,k}^{\prime }{A}_{k,j}^{\ast }=\det (A)\cdot C_{i,j}$$

只要 $A_{i,i}^{\prime }$ 的逆元存在，且 $A^{\ast }$ 更靠后的行上的值已知，就可以得到 $A_{i,j}^{\ast }$ 了。因此只用讨论这些行。

不妨将所有这样的元素放在最后 $k$ 行 $k$ 列的主对角线上（对应修改 $C$ 矩阵即可）。则左上角的 $(n-k)\times (n-k)$ 方阵是对角矩阵，而最后 $k$ 列无法消元。

利用 $\text{CRT}$，只需求出模数为 $p^{\tau }$ 的答案。

定理：若 $k>\tau$ 则所有余子式为 $p^k$ 的倍数。

证明：把模数当成 $p$ 之后 $\text{rank}⩽n-\tau$，删去一行之后仍有至少 $(\tau -1)$ 个主对角线元素为 $0$（是 $p$ 的倍数）因此取模 $p^k$ 意义下所有余子式是零。$■$

因此 $k⩽\tau ⩽\log P$ 时才需要计算；这 $k$ 行套用 在欧几里得环上 的做法，时间复杂度 $\mathcal{O}(n^3+n^2\log P\log \log P)$ 。

递推数列

常系数线性递推数列

其基础算法内容写在另一文中。

求向量或矩阵的最短递推式

设运算在 $\mathbb{GF}(p)$ 下进行。先考虑求解向量列的最短递推式。

随机生成 $n$ 维向量 $v$，则可以将每个向量先与 $v$ 求内积，再求解内积的最短递推式。

不难发现，此时求出的线性递推式 $A(x)$ 是使得 $[A(x)f(x)-R(x)]\cdot v=0$ 的解，其中多项式的系数为向量。根据 $\text{Schwartz–Zippel}$ 引理⁴，随机向量 $v$ 与非零向量相乘，得到零的概率不超过 $\frac{n}{p}$ 。在 $n\ll p$ 时可以放心选用。

对 $n\times m$ 矩阵列，可随机 $n$ 维行向量和 $m$ 维列向量，然后作向量乘法。同理，若矩阵非全零，第一次乘法得到零向量概率不超过 $\frac{n}{p}$，在非零向量情况下第二次乘法得到零概率不超过 $\frac{m}{p}$，所以正确率至少 $\frac{(p-n)(p-m)}{p^2}⩾\frac{n+m}{p}$ 。

求矩阵最小多项式

最短线性递推式就是最小多项式。且长度不超过 $n$，因为特征多项式是解。

于是我们只需要得到 { a b , a M b , a M 2 b , … , a M 2 n b } \{ab,aMb,aM^2b,\dots,aM^{2n}b\} {ab,aMb,aM2b,…,aM2nb}，其中 $a,b$ 是随机向量，$M$ 是原矩阵。对它作 $\text{BM}$ 是 $\mathcal{O}(n^2)$ 的，并非瓶颈。

全体 $a{M}^i$ 可以 $\mathcal{O}(n^3)$ 求出（总是用向量乘矩阵），然后乘 $b$，总复杂度 $\mathcal{O}(n^3)$ 。特别地，若 $M$ 只有 $\alpha$ 个非零值，则 $vM$ 的计算复杂度是 $\mathcal{O}(n+\alpha )$，因此总复杂度为 $\mathcal{O}(n^2+\alpha n)$ 。这将使得下面的算法对于稀疏矩阵有较好的结果。

解满秩线性方程组

先求出最小多项式 $f(x)$，由 $f(A)=0$ 乘 $A^{-1}$ 后移项得 $A^{-1}=-\frac{1}{[x^0]f(x)}{\sum }_{i=1}^{\mathrm{deg}(f(x))}{A}^{i-1}[x^i]f(x)$ 。解满秩线性方程组就是求 $A^{-1}b$，由上述等式，可以 $\mathcal{O}(n^2+\alpha n)$ 的求出答案。

求稀疏矩阵行列式

由 引理 知，几何重数均为 $1$ 时，最小多项式是特征多项式。特征多项式的常数项就是 $\det (-A)$，由此可知 $\det (A)$ 。而最小多项式可以 $\mathcal{O}(n^2+\alpha n)$ 。

遗憾的是 $A$ 未必满足上述性质。于是随机 $n\times n$ 对角矩阵 $B$，可以证明 $A\times B$ 至少有 $(1-\frac{2n^2-n}{p})$ 的概率满足该性质³。求出 $\det (A\times B)$ 后除以 $\det (B)$ 即可。时间复杂度 $\mathcal{O}(n^2+\alpha n)$ 。

整式递推数列

基本定义

若存在有限非空多项式列 { P 0 ( x ) , P 1 ( x ) , P 2 ( x ) , … , P m − 1 ( x ) } \{P_0(x),P_1(x),P_2(x),\dots,P_{m-1}(x)\} {P0​(x),P1​(x),P2​(x),…,Pm−1​(x)} 满足 $P_{m-1}(x)\ne 0$ 且 ${\sum }_{i=0}^{m-1}{P}_i(x)A^{(i)}(x)=0$，则称形式幂级数 $A(x)$ 为微分有限（$\text{D-finite}$）的，其中 $A^{(i)}(x)$ 表示 $A(x)$ 的 $i$ 阶导函数。

若存在有限非空多项式列 { P 0 ( x ) , P 1 ( x ) , P 2 ( x ) , … , P m − 1 ( x ) } \{P_0(x),P_1(x),P_2(x),\dots,P_{m-1}(x)\} {P0​(x),P1​(x),P2​(x),…,Pm−1​(x)} 满足 $P_0(x)\ne 0$ 且 ${\sum }_{i=0}^{m-1}{a}_{n-i}{P}_i(n)=0(n⩾m-1)$ 则称 { P i ( x ) } \{P_i(x)\} {Pi​(x)} 为 { a i } \{a_i\} {ai​} 的整式递推式，此时 { a i } \{a_i\} {ai​} 是一个整式递推数列。

也就是说，递推的系数是关于当前项的下标 $n$ 的有理式（对于分式只需令 $P_0(x)$ 为分母） 。但 $\mathrm{deg}{P}_i(x)=+\infty$ 时，不很令人满意……

定理： { a i } \{a_i\} {ai​} 是整式递推数列，当且仅当其普通生成函数 $A(x)$ 是微分有限的。

求复合后的系数

主要参考 $\text{EI}$ 的干货讲义与配套的实验性讲稿。$\text{Prean}$ 又重讲了一遍。

我也试试启发性讲法。这个想法的启发源自线性求 $\mathrm{Bell}$ 数：

欲求 $[x^n]\exp (\exp (x)-1)=[x^n]{\sum }_{i=0}^{+\infty }\frac{(\exp (x)-1{)}^i}{i!}$，由 $[x^0]\exp (x)-1=0$ 知 $i>n$ 时无贡献。由此答案即为
$$\begin{array}{rl}[x^n]\sum _{i=0}^n\frac{(\exp (x)-1{)}^i}{i!}& =[x^n]\sum _{i=0}^n\sum _{j=0}^i(-1{)}^{i-j}\exp (xj)\frac{1}{j!(i-j)!}\\ & =[x^n]\sum _{j=0}^n\frac{\exp (xj)}{j!}\sum _{i=0}^{n-j}\frac{(-1{)}^i}{i!}\\ & =\sum _{j=0}^n\frac{j^n}{j!}\sum _{i=0}^{n-j}\frac{(-1{)}^i}{i!}\end{array}$$

后者是前缀和，可预处理。前者利用线性筛求出。时间复杂度 $\mathcal{O}(n)$ 。

关键点：其一是内层函数常数项为零；其二是外层函数可展开为幂级数。

那么，更一般地，我们考虑求解 ${\sum }_{i=0}^n{a}_i[x^i]F(G(x))$，其中 $F(x)$ 是微分有限的，不妨设 ${\sum }_{j=0}^{m-1}{P}_j(x)F^{(j)}(x)=0$ 。引入系数 $a_i$ 只是为了 用来卖萌 显得更通用。下面是 $\mathsf{EI}$ 的讲法。

第一步，让 $G(x)$ 常数为零（多项式平移）。直接写出微分有限的条件
$$\sum _{i=0}^{m-1}{P}_i(x+c)F^{(i)}(x+c)=0$$

因为答案就是关于 $F(y+c){|}_{y=G(x)-c}$ 的，并且只需 $y^n$ 以内的项。

第二步，截断。令 $\mathcal{F}(x+c)=F(x+c)\mathrm{mod}{x}^{n+1}$，考虑对方程的影响。设 $\gamma =\max \mathrm{deg}(P_i)$，显然会存在多项式 $\mathcal{D}(x)$，其只在 $x^{n-m+2}$ 到 $x^{n+\gamma }$ 项有值，且
$$\begin{array}{rl}\sum _{i=0}^{m-1}{P}_i(x+c){\mathcal{F}}^{(i)}(x+c)& =\mathcal{D}(x)\\ \Rightarrow \sum _{i=0}^{m-1}{P}_i(x){\mathcal{F}}^{(i)}(x)& =\mathcal{D}(x-c)\end{array}$$

两边对比系数可以 $\mathcal{O}(m\gamma n)$ 求出 $[x^i]\mathcal{F}(x)(i⩽n)$ 。对于需自行推导的多项式，一般 $m,\gamma$ 都是常数级别。

第三步，求答案。由于截断过程实际上只消去了 $(G(x)-c)$ 的 $(n+1)$ 及更高次项，所以答案不受影响，即
$$\begin{array}{r}\sum _{i=0}^n{a}_i[x^i]F(G(x))=\sum _{i=0}^n{a}_i[x^i]\mathcal{F}(G(x))\\ =\sum _{i=0}^n{a}_i[x^i]\sum _{j=0}^{n}G(x{)}^j[x^j]\mathcal{F}(x)\\ =\sum _{j=0}^n[x^j]\mathcal{F}(x)\sum _{i=0}^n{a}_i[x^i]G(x{)}^j\end{array}$$

所以我们只需快速求出 $G(x{)}^j(j⩽n)$ 中某些系数的线性和。当 { a i } \{a_i\} {ai​} 非零值少，或 $G(x)$ 形式简单时，这是很可能实现的。例题较零碎，写于他处。

---

1. 补充一句：$\mathcal{A}\overrightarrow{0}=\overrightarrow{0}$，因为 $\mathcal{A}$ 需要对加法有 “分配律”，那么单位元必须仍然是单位元。 ↩︎

2. 定理证明参见维基百科，因为我看不懂。或参见 $\mathsf{EI}$ 的博客，当然其更难懂。 ↩︎

3. 在 $2019$ 年论文《两类递推数列的性质和应用》被提及；我无法给出证明。 ↩︎ ↩︎

4. 引理内容参见维基百科。 ↩︎