当 A A A 有足够的特征向量的时候,我们有 S − 1 A S = Λ S^{-1}AS=\Lambda S−1AS=Λ。在这部分, S S S 仍然是最好的选择,但现在我们允许任意可逆矩阵 M M M,矩阵 A A A 和 M − 1 A M M^{-1}AM M−1AM 称为相似矩阵,并且不管选择哪个 M M M,特征值都保持不变。
1. 相似矩阵
假设 M M M 是任意的可逆矩阵,那么 B = M − 1 A M B = M^{-1}AM B=M−1AM 相似于矩阵 A A A。
B = M − 1 A M → A = M B M − 1 B = M^{-1}AM \to A = MBM^{-1} B=M−1AM→A=MBM−1
也就是说如果 B B B 相似于 A A A,那么 A A A 也相似于 B B B。如果 A A A 可以对角化,那么 A A A 相似于 Λ \Lambda Λ,它们肯定具有相同的特征值。
相似的矩阵 A A A 和 M − 1 A M M^{-1}AM M−1AM 具有相同的特征值,如果 x x x 是 A A A 的一个特征向量,那么 M − 1 x M^{-1}x M−1x 是 B = M − 1 A M B = M^{-1}AM B=M−1AM 的特征向量。
A x = λ x → M B M − 1 x = λ x → B ( M − 1 x ) = λ ( M − 1 x ) Ax=\lambda x \to MBM^{-1}x=\lambda x \to B(M^{-1}x)=\lambda (M^{-1}x) Ax=λx→MBM−1x=λx→B(M−1x)=λ(M−1x)
所有具有特征值 1 和 0 的 2×2 矩阵都是相似的,特征向量会随着 M M M 而改变,但特征值不变。上面的例子中特征值是不重复的,这种情况很好办,但如果有重复的特征值就会比较困难了。
这些 B B B 都和 A A A 一样行列式为 0,秩为 1,一个特征值为 0,并且矩阵的迹为 0,所以另一个特征值也为 0。但零矩阵不和它们相似,因为只有零矩阵自己和自己相似。
从 A A A 到 B = M − 1 A M B=M^{-1}AM B=M−1AM,有一些东西会改变一些则不变。
相似矩阵的特征值不变,矩阵的迹为特征值的和也不变,矩阵的行列式为特征值的乘积也不变,矩阵的秩不变,针对每个特征值的特征向量数目不变。
2. 若尔当形(Jordan Form)
上面的矩阵有三个特征值 5,5,5 在它的对角线上,唯一的特征向量是 (1, 0, 0) 的倍数,代数重数为 3,几何重数为 1。每个和它相似的矩阵 B = M − 1 A M B=M^{-1}AM B=M−1AM 都有三重特征值 5,5,5, B − 5 I B-5I B−5I 的秩也为 2,零空间的维度为 1。和这个若尔当块 J J J 相似的矩阵都只有一个不相关的特征向量 M − 1 x M^{-1}x M−1x。
此外, J T J^T JT 和 J J J 相似,并且此时的矩阵 M M M 正好是反恒等矩阵。
由于 J J J 是我们能得到的最接近于对角矩阵的形式,方程 d u / d t = J u d\boldsymbol u/dt=J\boldsymbol u du/dt=Ju 不能再进一步被简化,我们必须直接利用回带法解决。
对于每个 A A A,我们想要选择一个 M M M 来使得 M − 1 A M M^{-1}AM M−1AM 尽可能接近对角形式。当 A A A 有 n n n 个特征向量的时候,它们成为 M M M 的列,然后 M = S M=S M=S, S − 1 A S = Λ S^{-1}AS=\Lambda S−1AS=Λ 是对角矩阵。在一般情况下,特征向量会缺失,我们并不能完全对角化。假设 A A A 有 s s s 个不相关的特征向量,那么它相似于一个有 s s s 个块的矩阵,每个块都像上面的矩阵 J J J 一样,特征值位于对角线上,并且元素 1 正好位于对角线上面,其中每个块对应于一个特征值。如果有 n n n 个特征向量 n n n 个块,那所有的块都是 1×1 的, J J J 也就变成了 Λ \Lambda Λ。
A A A 相似于 B B B 如果它们具有相同的若尔当形 J J J,其它情况都不符合。
对于每一个相似矩阵族,我们挑选出一个最特别的成员称为 J J J,这个族中其它的每个矩阵都可以表示为 A = M J M − 1 A=MJM^{-1} A=MJM−1。这时候,我们有 M J M − 1 M J M − 1 = M J 2 M − 1 MJM^{-1}MJM^{-1}=MJ^2M^{-1} MJM−1MJM−1=MJ2M−1,因此我们依然可以用 M J 100 M − 1 MJ^{100}M^{-1} MJ100M−1 来求解 A 100 A^{100} A100。
相似性的核心在于——让矩阵变得尽可能简单但同时保留它的必要属性。
获取更多精彩,请关注「seniusen」!