[计算几何]Matrices&Linear Systems：Linear Systems

在线性代数中，线性系统能够解决很多的问题。
理论上讲，等式可以带有实数，复数，事实上可以是任意域。

2.4.1 线性方程

变量和常量写成的等式

一个未知数 直接移项

两个未知数 得到代入法

得到多组解

这张图是从geometric角度 绘制出

线性方程的定义

The set of all solutions to a linear equation of two unknowns consists of a line;hence the name “linear equation.”

2.4.2 两个未知数的线性方程

得到相交，平行，重合三种情况

2，3两种情况发生的条件如下：

2，3的区别在于：

消元法求解（ps:跟中学里学的没差）

作者给出了一个例子

这里还是中学里的知识

2.4.3 一般线性系统

下面把直线方程上升到矩阵

c1 = c2 = .. = cm = 0的被称为 均质系统(homogeneous system)

根据矩阵相乘的特性，把系数放在一个矩阵中，把变量放在一个单列矩阵中，得到的值也是一个单列矩阵

解一般线性系统的方法有很多，广泛使用的是 高斯消元法(Gaussian elimination )
我在附录A中找到了这个方法。

在高斯消元法之前，先讲解三角形方程组(Triangular System)：

用回代法(back substitution)解

后面有该算法的实现

高斯消元法(Gaussian elimination )

用回代法技巧，首先将该系统一步一步的转化成三角型，然后代入计算。

1. 交换两行
2. 对其中一行乘一个非零的系数
3. 用他们的和替换两行（合并两行）

其中 exchanging two rows 的要点是什么？

在无限精度的算法中，这个要点没有意义。但是在计算机实现时候，这是相当有意义的一部转换。

下面是Johnson and Riess 在1982所提出的例子，一个简单的两个未知数，两个方程的连列。

在没有误差的算法中，得到正确的结果如上。
但是在有误差的计算机中，假设6位数，只能够存储3位的情况下：

得到错误的结果。

上面这段有两层意思

• 误差会随着back-substitution 不断累计
• 误差有受到分母和分子的相对大小的影响

（后面这一点没有很好的理解，希望得到解答~）

这里重新排列的标准是 取x1得到系数绝对值最大（ps:是否这样能通过增大分母而减小误差呢？）


(ps:最后答案应是 (1, -3, 2))

作者给出了伪代码如下：

抱歉，我暂时还无法用python实现这段伪代码，下面是我的疑惑

• pivot step中，为什么不是对行循环而是列？以为前面的例子中，排序最高的-3是针对同一列中的x1来说的。
• 不是很能理解，这个跟三角方程的关系

接下来从附录回到 Linear Systems

2.4.4 高斯消去法，梯阵和阶级（Row Reductions, Echelon Form, and Rank）

通过上述例子，得到的结论：
对一行乘一个系数，以及用一行和另外一行的和替换该行，不影响结果。

（今后用矩阵代表，线性方程系统）另外一个结论是，用交换行不影响结果。

把上述两点结合起来，可以得到：
通过消去行的主要元素，我们通过回代法解得一个矩阵。得到倒三角形
upper triangular形状。

这里可以观察到， r <= m，因为部分被消去

有的时候也会出现下面这样的特殊情况：

ci=0，完全消去
ci != 0, 解不存在。

以上这些操作都能让系统变得更小

r=n时，矩阵有唯一解
r != n时，矩阵多个解

初等行变换（elementary row operations）：

• 交换两行
• 行乘一个非0常数
• 用一行和其他行的和能代替该行

消行（ row reductions）：合并造成至少一个非0行消去

消行的结果是得到，梯形（echelon form）。最终的矩阵是，完全消除（“completely reduced”）矩阵。他的size表示这他的阶数(rank)。也就是说，阶数是一个矩阵固有的属性，只有在他完全消行之后能显示出来。

一个矩阵的阶数，关系到他的基础层面(concepts of basis),维度，独立线性在下面几个方面:阶数表示在矩阵行（列）方向上的线性独立；如果阶数=维度，行可以被看作定义了矩阵的基本空间。

如果两行方向上不是线性独立的，有以下规则：

（最后一个section不是很懂）