行列式
线性方程组:线形方程组是由多个变量组成的方程组。
如果有n个变量,且能找出n个变量组成的方程组,那么由方程组系数构成的矩阵,就成为了系数矩阵。
我们的目标是求解线形方程组。
根据克莱姆法则:
- 如果系数矩阵计算值D不等于0,那么该线形方程组有唯一解;
- 如果D为0,那么有无穷多解或者无解。
行列式的计算公式是由日本数学家江澤潔(Seki Takakazu)在17世纪中期发现的。江澤潔在研究代数方程时,发现了行列式的计算方法。他将行列式看作一个数值函数,能够将矩阵转化为一个数值。江澤潔在他的著作《大原算法》中描述了这种方法,并通过实例展示了如何用这种方法求解代数方程。
将线性方程组抽离成行列式,将行列式以行列式计算方法表达成值,然后根据行列式计算值求解行列式中的变量值。
求解线性方程组–克莱姆法则
已知线性方程组:
{
x
1
+
x
2
=
5
3
x
1
+
4
x
2
=
9
\begin{cases} x_1 + x_2 = 5 \\ 3x_1 + 4x_2 = 9 \end{cases}
{x1+x2=53x1+4x2=9
(1)判别有无唯一解;
(2)若有唯一解,则求唯一解。
解:(1)计算行列式
D
=
∣
1
2
3
4
∣
=
−
2
≠
0
D = \begin{vmatrix} 1 & 2 \\ 3 & 4 \end{vmatrix} = -2 \ne 0
D=
1324
=−2=0
所以此线形方程组有唯一解。
(2)计算行列式的解
D 1 = ∣ 5 2 9 4 ∣ = 2 D_1 = \begin{vmatrix} 5 & 2 \\ 9 & 4 \end{vmatrix} = 2 D1= 5924 =2
D 2 = ∣ 1 5 3 9 ∣ = − 6 D_2 = \begin{vmatrix} 1 & 5 \\ 3 & 9 \end{vmatrix} = -6 D2= 1359 =−6
所以此线形方程组的唯一解是:
{
x
1
=
D
1
D
=
−
1
x
2
=
D
2
D
=
3
\begin{cases} x_1 = \frac{D_1}{D} = -1 \\ x_2 = \frac{D_2}{D} = 3 \end{cases}
{x1=DD1=−1x2=DD2=3
求解线性方程组–逆矩阵
- 将系数矩阵变换为逆矩阵;
- 如果行列式的值不为0,则必有逆矩阵,且有唯一解,其实就是n个变量满足n个互斥方程必有唯一解;
- 用逆矩阵左乘值矩阵,得出矩阵的唯一解向量。
线形相关
如果满足以下形式,则称向量组v1、v2…vn线形相关。
c
1
v
1
⃗
+
c
2
v
2
⃗
+
⋯
+
c
n
v
n
⃗
=
0
⃗
c_1 \vec{v_1} + c_2 \vec{v_2} + \cdots + c_n \vec{v_n} = \vec{0}
c1v1+c2v2+⋯+cnvn=0
线形相关表示向量组之间存在依赖关系,不是独立向量。
常数项(就是值向量)全为0的线形方程组叫做齐次线性方程组。
线形方程组的一般解法
线性方程组AX=B的一般解法:
- 对增广矩阵作若干次初等行变换,化为阶梯形矩阵;
- 使用行列式判断是否有解;
- 若有解,再对增广矩阵继续作若干次初等行变换,化为简化阶梯形矩阵,从而得到此线性方程组的解
解线性方程组的原理是:
作初等行变换后,线形方程组的解不变。
除了通过克莱姆法则,用行列式判断矩阵有解,还可以通过矩阵的秩来判断,如果秩等于变量数,则有解。
齐次线性方程组
一般线性方程的表达式是AX=B,齐次线性方程组中常数项是0,即AX=0;
齐次线性方程组恒有解。
即至少有零解:如果秩r(A)<n,则有无穷多解,意味着除有零解外,还有非零解;如果秩r(A)=n,则有唯一解,
秩就是上三角矩阵中,不为0的行数。
线性规划
线性规划的要素包括:决策变量、约束条件、约束方程、目标方程。
线性规划的一般形式为:
m
a
x
S
=
c
1
x
1
+
c
2
x
2
+
.
.
.
+
c
n
x
n
{
a
11
x
1
+
a
12
x
2
+
.
.
.
+
a
1
n
x
n
<
b
1
a
21
x
1
+
a
22
x
2
+
.
.
.
+
a
2
n
x
n
<
b
2
.
.
.
a
m
1
x
1
+
a
m
2
x
2
+
.
.
.
+
a
m
n
x
n
<
b
m
x
i
≥
0
,整数
maxS = c_1x_1 + c_2x_2 + ... + c_nx_n \\ \begin{cases} a_{11}x_1 + a_{12}x_2 + ... + a_{1n}x_n < b_1 \\ a_{21}x_1 + a_{22}x_2 + ... + a_{2n}x_n < b_2 \\ ... \\ a_{m1}x_1 + a_{m2}x_2 + ... + a_{mn}x_n < b_m \\ x_i \geq 0,整数 \end{cases}
maxS=c1x1+c2x2+...+cnxn⎩
⎨
⎧a11x1+a12x2+...+a1nxn<b1a21x1+a22x2+...+a2nxn<b2...am1x1+am2x2+...+amnxn<bmxi≥0,整数
在线性规划问题中,满足约束条件的解称为可行解,所有可行解的集合称为可行解集;
使得目标函数取值最大或最小的可行解称为最优解,对应于最优解的目标函数值称为最优值.
当然,解线性规划问题就是求得最优解与最优值.
线性规划所求问题一般是:效益(产生)最高或消耗(投入)最小。
线性规划解法–图解法
图解法适用于两个变量。
根据解约束,画出解空间,然后寻找解空间中的点到目标方程直线的最远距离,就是最优值。
线性规划解法–单纯形法
线性规划问题的标准形式具有三个特征:
- 特征1 求目标函数的最大值;
- 特征2 约束条件由变量满足线性方程组与要求变量皆非负两部分组成;
- 特征3 变量所满足的线性方程组中,常数项皆非负.
单纯形法原理:
{
S
=
1
−
2
x
1
−
3
x
2
x
1
≥
0
x
2
≥
0
\begin{cases} S = 1 - 2x_1 -3x_2 \\ x_1 \geq 0 \\ x_2 \geq 0 \end{cases}
⎩
⎨
⎧S=1−2x1−3x2x1≥0x2≥0
观察以上方程,如果变量都是非负数,且系数都是负数,那么maxS就是变量都为0的时候,即maxS=1。
标准形式:
增广矩阵 + 目标检验式 = 单纯形矩阵
解线性规划问题,需要将线形规划问题化简为标准形式:
- 若目标值是最小值,则取负求最大值,是minS转化为-maxS;
- 若约束条件是>=或<=,添加松弛变量使方程转换为=;
- 若常数项为负,取负,使方程的常数项为正。
动态规划
动态规划是将目标问题分解为各个子阶段,当前问题只和前一个问题有关,和其他问题无关,在求解任意子问题时,首先列出各种可能性的局部解,通过决策保留那些可能达到最优的局部解,丢弃其他局部解,依次解决各个子问题,最后得出初始问题的解。
动态规划和贪心算法的区别是,动态规划会保留历史的累计值,贪心算法只和当前决策中的最优值有关,和历史无关。
动态规划的思想实质是分治思想和解决冗余。
状态变量,
决策,
决策变量,
可行解,
解空间,左右可行解的集合,
最优解,
状态转移方程,
目标方程,