我们看一下本节的几句重点
- n 维度向量空间 R n R^n Rn 中的零空间 N ( A ) N(A) N(A) 包含所有的 A x = 0 Ax = 0 Ax=0 的解,由于 x=0也是它的解,所以这个零空间也包含 x = 0。
- 消元并不会改变零空间, A ( 普 通 矩 阵 ) 、 U ( 行 阶 梯 型 矩 阵 ) 、 R ( 化 简 后 的 行 阶 梯 矩 阵 ) A (普通矩阵)、U(行阶梯型矩阵)、R(化简后的行阶梯矩阵) A(普通矩阵)、U(行阶梯型矩阵)、R(化简后的行阶梯矩阵)都不会改变
- rref: recuded row echelon form,化简后的行阶梯矩阵所有的主元都是1,主元存在的每一列除了主元都是零
- 如果某一列
j
j
j 没有主元,那么可以设结果向量中
c
o
l
u
m
n
j
column_j
columnj 对应的
x
j
x_j
xj 为1,由其他非零主元对应的结果为零,来求得相应的特解。大家有可能不太理解这句话,可以举个例子,这个矩阵是已经化简好的一个行阶梯矩阵
R = [ 1 0 a 0 c 0 1 b 0 d 0 0 0 1 e 0 0 0 0 0 ] R = \left[ \begin{matrix} 1 & 0 & a & 0 & c\\ 0 & 1 & b & 0 & d \\ 0 & 0 & 0 & 1 & e \\ 0 & 0 & 0 & 0 & 0 \end{matrix} \right] R=⎣⎢⎢⎡10000100ab000010cde0⎦⎥⎥⎤
那么我们知道,它的零空间是由一组向量线性组合构成的,我们设某个向量为
[ x i x j x k x l x m ] \left[ \begin{matrix} x_i\\ x_j\\ x_k\\ x_l\\ x_m\\ \end{matrix} \right] ⎣⎢⎢⎢⎢⎡xixjxkxlxm⎦⎥⎥⎥⎥⎤
R = [ 1 0 a 0 c 0 1 b 0 d 0 0 0 1 e 0 0 0 0 0 ] × [ x i x j x k x l x m ] = 0 R = \left[ \begin{matrix} 1 & 0 & a & 0 & c\\ 0 & 1 & b & 0 & d \\ 0 & 0 & 0 & 1 & e \\ 0 & 0 & 0 & 0 & 0 \end{matrix} \right] \times \left[ \begin{matrix} x_i\\ x_j\\ x_k\\ x_l\\ x_m\\ \end{matrix} \right] = 0 R=⎣⎢⎢⎡10000100ab000010cde0⎦⎥⎥⎤×⎣⎢⎢⎢⎢⎡xixjxkxlxm⎦⎥⎥⎥⎥⎤=0
x i x_i xi 就对应着 x i x_i xi倍的R的第一列, x j x_j xj 就对应着 x j x_j xj倍的R的第二列,以此类推,然后把这几列对应着加起来。
我们可以发现,非主元列对应的系数为 x k x_k xk 和 x m x_m xm, 我们可以设 x k = 1 , x m = 0 x_k = 1, x_m = 0 xk=1,xm=0 ,那么我们可以看到,第一列是主元,只有第一个数是1,它可以用来消灭a,第二列的1可以用来消灭b,第四列也是主元,没有需要让它消灭的,所有可以设置它的系数为0,我们可以轻松的得到一个特解:
S 1 = [ − a − b 1 0 0 ] S_1 = \left[ \begin{matrix} -a\\ -b\\ 1\\ 0\\ 0\\ \end{matrix} \right] S1=⎣⎢⎢⎢⎢⎡−a−b100⎦⎥⎥⎥⎥⎤ - 任何行数大于列数的矩阵,零空间中都有非零解。