（邱维声）高等代数课程笔记：（引言）高等代数的研究对象

朝暮1122

已于 2023-02-27 20:22:56 修改

阅读量486

点赞数 2

分类专栏：高等代数文章标签：高等代数代数学数学

于 2022-08-11 17:10:43 首次发布

本文链接：https://blog.csdn.net/qq_44803884/article/details/126289350

版权

高等代数专栏收录该内容

21 篇文章 18 订阅

订阅专栏

引言：高等代数的研究对象

$\quad$ 作为高等代数课程的第一节课，需要先了解一下，我们需要从这门课程中学习什么。换言之，高等代数在研究什么？

$\quad$ 我们在中学阶段就已经接触过"代数"了，并且对代数的第一印象就是“用字母表示数”：

$\quad$ 用 $x, y, z$ 等字母来表示未知量，如果是具体的问题，已知量就是具体的数；如果是抽象问题，已知量一般用 $a, b, c$ 等字母来表示。根据实际问题，可以找出等量关系，进而列出含有未知量的等式，即方程。

一元一次方程：在初中一年级，我们首先接触的是一元一次方程，即形如

$a x + b = c$

的方程。

$\quad$ 当 $\ne 0$ 时，简单地通过四则运算，就可以求得方程的解

$\frac{c-b}{a}.$

$\quad$ 注意到，上面的解是一个"未知量在左边"的等式，称为一元一次方程的求根公式。

一元二次方程：到了初中三年级，我们又接触了一元二次方程，即形如

$ax^{2} + bx +c = 0$

的方程。

$\quad$ 当然，一元二次方程也有求根公式。

当 $\ne 0$ 且 $b^{2}-4ac \ge 0$ 时，方程有解

$\frac{-b \pm \sqrt{b^2 - 4ac}}{2a}.$

当 $\ne 0$ 且 $b^{2} - 4ac >0$ 时，方程有两个解，否则，方程仅有一解。
当 $a = 0$ 时，方程退化为一元一次方程。

一元高次方程：基于一元一次、二次方程，自然而然地可以将一元方程推广到三次、四次、…… $n$ 次方程。方便起见，我们将三次及三次以上的一元方程统称为一元高次方程。

$\quad$ 很自然地，对于一元高次方程，我们会关心其求解问题。换言之，一元高次方程有哪些根？该问题也是经典代数学的中心问题。

一元高次方程的根怎么求？
是否像二次方程那般具有求根公式？

$\quad$ 简单地总结一下，我们在一元一次方程的基础上，通过不断提高方程的次数，得到了一元高次方程，进而引出了经典代数学的研究问题。

$\quad$ 但事实上，在方程的“大家族”中，一元方程往往是最简单的。在实际问题中，我们遇到的大量问题都不止一个未知量。这就驱使我们去研究“多元方程”。

$\quad$ 下面，我们来讨论多个未知量的情形。

$\quad$ 在初中一年级，我们就已经接触了二元（三元）一次方程及其方程组。

二元一次方程：含有两个未知量，且每个未知量都是一次的方程，称为二元一次方程。

$a x + b y + c = 0.$

三元一次方程：含有三个未知量，且每个未知量都是一次的方程，称为三元一次方程。

$a x + b y + cz + d = 0.$

$\quad$ 满足二元、三元一次方程的解有很多。在初中一年级，我们只是简单地验证了这样一个结论。事实上，在学习了初等解析几何后，我们知道：

二元一次方程的所有解构成平面直角坐标系中的一条直线，直线上有无穷多个点，因此二元一次方程有无穷多解；
三元一次方程的所有解构成空间直角坐标系中的一个平面，平面上有无穷多个点，因此三元一次方程有无穷多解。

$\quad$ 在实际应用中，我们更多地是考虑满足多个方程的公共解，即：求“方程组”的解。

二元一次方程组：由两个二元一次方程构成的方程组称为二元一次方程组。

$\begin{cases} a_{11} x_{1} + a_{12} x_{2} = b_{1} \\ a_{21} x_{1} + a_{22} x_{2} = b_{2}. \end{cases}$

$\quad$ 注意：为了方便后续讨论，上面方程组中的二元一次方程与前面介绍时的形式有所不同，但本质上是一致的。下面的三元一次方程类同。

三元一次方程组：由三个三元一次方程构成的方程组称为三元一次方程组。

$\begin{cases} a_{11} x_{1} + a_{12} x_{2} + a_{13} x_{3} = b_{1} \\ a_{21} x_{1} + a_{22} x_{2} + a_{23} x_{3} = b_{2} \\ a_{31} x_{1} + a_{32} x_{2} + a_{33} x_{3} = b_{3}. \end{cases}$

$\quad$ 简单地总结一下，基于二元、三元一次方程，通过不断增加未知量的个数，可以推广到“多元一次方程”。那么由多个多元一次方程构成的方程组就称为“多元一次方程组”。

$\quad$ 注意，仔细分析前面的二元一次方程组和三元一次方程组可以发现，方程组所含方程的个数与未知量的个数是一致的。事实上，该条件并不是必要的。
$\quad$ 至于为何对二元、三元一次方程组作如此定义，在完整地学习过线性方程组理论后就能理解了，在此先留个疑问。

例 1：如下所示，这是一个典型的三元一次方程组。

$\begin{cases} \begin{aligned} x_{1} + 3 x_{2} + x_{3} &= 2 \\ 3 x_{1} + 4 x_{2} + 2 x_{3} &= 9 \\ {-} x_{1} - 5 x_{2} + 4 x_{3} &= 10. \end{aligned} \end{cases}$

$\quad$ 但从现在起，若见到如下形式的三元一次方程组，请不要惊奇，它们是合法的！

$\begin{cases} \begin{aligned} x_{1} + 3 x_{2} + x_{3} &= 2 \\ 3 x_{1} + 4 x_{2} + 2 x_{3} &= 9. \end{aligned} \end{cases}$

或者

$\begin{cases} \begin{aligned} x_{1} + 3 x_{2} + x_{3} &= 2 \\ 3 x_{1} + 4 x_{2} + 2 x_{3} &= 9 \\ {- }x_{1} - 5 x_{2} + 4 x_{3} &= 10 \\ 2 x_{1} + 7 x_{2} + x_{3} &= 1. \end{aligned} \end{cases}$

n 元一次方程：一般地，含有 $n$ 个未知量，且每个未知量都是一次的方程，称为 n 元一次方程。

n 元一次方程组：由 $s$ 个 $n$ 元一次方程构成的方程组称为 n 元一次方程组。

$\begin{cases} a_{11} x_{1} + a_{12} x_{2} + \cdots + a_{1n} x_{n} = b_{1} \\ a_{21} x_{1} + a_{22} x_{2} + \cdots + a_{2n} x_{n} = b_{2} \\ \cdots \\ a_{s1} x_{1} + a_{s2} x_{2} + \cdots + a_{sn} x_{n} = b_{s}. \end{cases}$

$\quad$ 其中， $a_{ij} ~ (1 \le i \le s,1 \le j \le n)$ 称为系数； $x_{j} ~ (1 \le j \le n)$ 称为未知量； $b_{i} ~ (1 \le i \le s)$ 称为常数项。

$\quad$ 再次强调一下，方程组的个数 $s$ 与未知量的个数 $n$ 不一定相等！

$\quad$ 联想一下中学所学过的初等解析几何知识：二元一次方程代表了平面直角坐标系中的一条直线；三元一次方程代表了空间直角坐标系中的一个平面。这种“直的”、“平展的”性质，我们统称为“线性”。

n 元线性方程组：借用几何直观，通常将 $n$ 元一次方程组称为 n 元线性方程组。

$\quad$ 简单地总结一下，在二元、三元一次方程组的基础上，通过不断增加一次方程未知量的个数，我们推广得到了 $n$ 元线性方程组。

$\quad$ 自然而然地，我们下一步的任务就是讨论：如何求解一般的 $n$ 元线性方程组。

$\quad$ 在中学阶段，我们就已经学会了如何求解二元、三元线性方程组。其中最主要的方法就是：代入消元法和加减消元法。

$\quad$ 回顾二元、三元线性方程组的求解过程，可以发现：

都是在进行系数、常数项的运算；
字母表示的未知量并不参与运算。

$\quad$ 为了简化书写，自然而然地会想到将方程组的系数、常数项”抽离“出来。例如，对于 例 1 中的第 $3$ 个方程，可以将其所有系数和常数项按照原来的次序排成一张”表“：

$\left( \begin{matrix} 1 & 3 & 1 & 2 \\ 3 & 4 & 2 & 9 \\ -1 & -5 & 4 & 10 \\ 2 & 7 & 1 & 1 \end{matrix} \right)$

这就是”矩阵“。

矩阵：由 $\times n$ 个数排成的一张 $s$ 行、 $n$ 列的表

$\left(\begin{matrix} a_{11} & a_{12} &\cdots & a_{1n} \\ a_{21} & a_{22} &\cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{s1} & a_{s2} &\cdots &a_{sn} \end{matrix}\right)$

称为一个 $\color{blue} s\times n$ 矩阵，通常用大写的字母 $A,B,C,\cdots$ 等表示。

$\quad$ 特别地，若矩阵 $A$ 的行数 $s$ 与列数 $n$ 相等，则称 $A$ 为 $\color{blue}n$ 级矩阵。

系数矩阵与增广矩阵：将 $n$ 元线性方程组的所有系数抽离出来，按照原来的次序排成的矩阵称为该线性方程组的系数矩阵；将所有系数和常数项同时抽离出来，按照原来的次序排成的矩阵称为该线性方程组的增广矩阵。

$\quad$ 在积累了大量求解二元、三元线性方程组经验的基础上，直觉地可以判断：增广矩阵对于求解 $n$ 元线性方程组有着重要的作用！事实也的确如此，具体内容将在第二章中展开论述。

$\quad$ 未知量的数目越多，线性方程组的求解就越困难！得益于现代计算机的迅速发展，线性方程组变得越发重要（之前不易解的，现在方便解了）。

$\quad$ 可以说，高等代数的出发点之一就是" $n$ 元线性方程组的求解问题"。百米赛跑，始于此！

$\quad$ 通过前面的简单讨论可知，研究 $n$ 元线性方程组的解法，自然而然地要用到矩阵。

$\quad$ 但时，仅了解一般的 $n$ 元线性方程组的解法是远远不够的。对于一般的 $n$ 元线性方程组，最好能够预先判别一下其解的情况（有解？无解？有多少解？）。否则，解了半天才发现解不存在就太浪费时间了。

$\quad$ 对于一般的 $n$ 元线性方程组解的判定问题，我们可以从借助几何直观入手。比如，由初等解析几何可知：二元一次方程代表了一条直线，那么二元一次方程组就是两条直线。两条直线的关系可以是：相交、平行、重合。而两直线的交点恰好是方程组的解。

有唯一解 $\longleftrightarrow$ 两直线相交；
没有解 $\longleftrightarrow$ 两直线平行；
有无穷多解 $\longleftrightarrow$ 两直线重合。

$\quad$ 根据这种几何直观，我们可以猜测：对于一般的 $n$ 元线性方程组而言，其解至少有三种情况：

有唯一解；
没有解；
有无穷多解。

$\quad$ 当然，仍需要作进一步探讨：是否存在其它解的情况？比如，有且只有两个解？

$\quad$ 综上所述，我们需要能对一般 $n$ 元线性方程组解的情况进行判定的判别方法。为了能使判别方法对于一般的 $n$ 元线性方程组有效，自然而然地，我们会想到利用线性方程组的系数和常数项，也就是说，要用到线性方程组的系数矩阵和增广矩阵。

$\quad$ 现在，我们关心一下系数矩阵或增广矩阵。以系数矩阵为例，矩阵的每一行由 $n$ 个数有序地排列而成。

$\quad$ 类比平面坐标系中的有序数对，空间坐标中的三维数组、物理中的四维时空等等，可以抽象出 $\color{blue} n$ 元有序数组的概念。借助于几何直观， $n$ 元有序数组也可称作 $\color{blue} n$ 维向量。在引入运算后，可以得到 $\color{blue} n$ 维向量空间。

$\quad$ 简单总结一下，研究一般 $n$ 元线性方程组解情况的判别方法，可以促使、激励我们研究 $n$ 维向量，进而研究 $n$ 维向量空间。

$\quad$ 可以猜测：研究 $n$ 维向量空间，将对研究一般 $n$ 元线性方程组解情况的判别方法有促进作用。事实的确如此，具体内容将在第 $3$ 章展开论述。

$\quad$ 事实上，若 $n$ 元线性方程组有无穷多解，还可以通过 $n$ 维向量空间研究解集的结构！

$\quad$ 之后，在几何空间、 $n$ 维向量空间的基础上，还可以抓住主要特征，作进一步抽象，得到线性空间的概念。

$\quad$ 为什么要抽象出线性空间呢？这就是数学的特点，也是数学的魅力所在！当解决了一类问题后，应当沿着解法进一步探索，以期得到新的理论，使其能处理最广泛的问题。

$\quad$ 不得不承认的是：线性空间的用处甚广！

自然界中存在大量的有关线性（直的、平展的）的问题；
诸多非线性（弯的、曲的）的问题，可以通过微分细化，将每一部分近似看作线性问题求解。

$\quad$ 举个例子，拱桥是弯的，但堆砌拱桥的砖却是直的！

$\quad$ 总而言之，线性空间可以解决自然界中的大量线性问题，而诸多非线性问题，往往可以在局部化后，转换为线性问题进行求解。因此，线性空间是如此重要！

$\quad$ 线性空间好比是舞台，通过线性空间，可以展示各种各样的节目。空间的旋转、变换、压缩等都是一种映射。在线性空间的基础上，可以研究在其上“投影”映射。特别地，我们仅讨论一类最简单、最常用的映射—— 线性映射。

$\quad$ 特别地，空间到自身的线性映射称为线性变换。

$\quad$ 事实上，可以通过线性映射来研究矩阵，也可以通过矩阵来研究线性映射。

$\quad$ 另一方面，我们说几何空间是一个线性空间，但线性空间仅有加法、数量乘法、并没有长度、夹角的概念。因此，有必要尝试在线性空间中引入度量的概念。

$\quad$ 如何引入度量呢？想一下：在平面几何中，哪个量既与长度有关，又与夹角有关？又与距离有关？答案是内积！

$(\vec{\boldsymbol{a}},\vec{\boldsymbol{b}}) = |\vec{\boldsymbol{a}}| \cdot |\vec{\boldsymbol{b}}| \cdot \cos <\vec{\boldsymbol{a}},\vec{\boldsymbol{b}}>$