线性代数Python计算：二次型的标准形计算

为寻求正交变换$\mathbf{y}={\mathbf{P}}^{\text{T}}\mathbf{x}$，使得二次型$f={\mathbf{x}}^{\text{T}}\mathbf{Ax}$的标准形为$f={\mathbf{y}}^{\text{T}}\mathbf{\Lambda }\mathbf{y}$，其中$\mathbf{\Lambda }$为一对角阵，只需要调用numpy.linalg的eigh函数（用法见博文《对称矩阵的对角化》），即可算得。
例1 用Python对二次型$f=-2x_1{x}_2+2x_1{x}_3+2x_2{x}_3$，计算正交变换$\mathbf{y}={\mathbf{P}}^{\text{T}}\mathbf{x}$，及对角阵$\mathbf{\Lambda }$，使得$f$的标准形为$f={\mathbf{y}}^{\text{T}}\mathbf{\Lambda }\mathbf{y}$。

import numpy as np                              #导入numpy
np.set_printoptions(precision=4, suppress=True) #设置输出精度
A=np.array([[0,-2,2],                           #设置齐二次式
            [0,0,2],
            [0,0,0]])
symmetrization(A)                               #对称化
v,P=np.linalg.eigh(A)                           #计算正交阵P及标准形系数
print(v)
print(P)
print(np.matmul(np.matmul(P.T,A),P))

程序的第3~5行就$f=-2x_1{x}_2+2x_1{x}_3+2x_2{x}_3$的各项系数初始化矩阵A，第6行调用函数symmetrization(A)（见博文《齐二次式二次型矩阵计算》）对称化A。第8行调用numpy.linalg的eigh函数计算A的特征值v及正交矩阵P。运行程序，输出

[-2.  1.  1.]
[[-0.5774 -0.4225  0.6987]
 [-0.5774  0.8163  0.0166]
 [ 0.5774  0.3938  0.7152]]
[[-2.  0.  0.]
 [ 0.  1.  0.]
 [ 0.  0.  1.]]

第1行显示$\mathbf{A}$的3个特征值-2，1，1。接下来的3行显示正交阵$\mathbf{P}$，最后3行显示的是$f$的标准形矩阵${\mathbf{P}}^{\text{T}}\mathbf{AP}=\left(\begin{array}{ccc}-2& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right)$。即二次型$f$的标准形为$f=-2y_1^2+y_2^2+y_3^2$。
为判断$n$元齐二次式$f$表示的二次型是否为正定，若二次型矩阵为$\mathbf{A}$，只需调用numpy.linalg的
$$\text{eigvalsh(A)}$$
该函数的参数A表示对称阵$\mathbf{A}$，返回$\mathbf{A}$的$n$个特征值（包含重根，按升序排列）。若所有特征值全部都是正实数，则$f$是正定的。若所有特征值是负实数，则$f$为负定的。若特征值中含有0、若干负实数、若干个正实数，则$f$既非正定亦非负定。
例2 用Python判断齐二次式$f=-5x_1^2-6x_2^2-4x_3^2+4x_1{x}_2+4x_1{x}_3$的正定性。

import numpy as np                      #导入numpy
A=np.array([[-5,4,4],                   #初始化A
            [0,-6,0],
            [0,0,-4]])
[symmetrization(A)]                     #对称化A
v=np.linalg.eigvalsh(A)                 #计算A的特征值
print(v)

利用代码中的注释信息，不难理解程序代码。运行程序，输出

[-8. -5. -2.]

由于三个特征值均为负实数，故二次型$f$是负定的。
写博不易，敬请支持：
如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！
代码诚可贵，原理价更高。若为AI学，读正版书好。