2 矩阵方程
2.1 矩阵直积(张量积)
定义 2.1.1 设 A A A , B B B 分别是 m × n m\times n m×n 阵和 p × q p\times q p×q 阵,定义 A ⊗ B = ( a 11 B ⋯ a 1 n B ⋮ ⋮ a m 1 B ⋯ a m n B ) . \left.A\otimes B = \left(\begin{matrix}a_{11}B&\cdots&a_{1n}B\\\vdots&&\vdots\\a_{m1}B&\cdots&a_{mn}B\end{matrix}\right.\right). A⊗B= a11B⋮am1B⋯⋯a1nB⋮amnB .
若将 A ⊗ B A\otimes B A⊗B 的行足标集视为 [ m ] × [ p ] [m]\times[p] [m]×[p],列足标集视为 [ n ] × [ q ] [n]\times[q] [n]×[q] ,则 ( A ⊗ B ) ( i , l ) × ( j , k ) = ( a i j B ) l k (A\otimes B)_{(i,l)\times(j,k)}=(a_{ij}B)_{lk} (A⊗B)(i,l)×(j,k)=(aijB)lk .
性质 2.1.2 (1) a ( A ⊗ B ) = ( a A ) ⊗ B = A ⊗ ( a B ) a(A\otimes B)=(aA)\otimes B=A\otimes(aB) a(A⊗B)=(aA)⊗B=A⊗(aB)
(2) ( A 11 ⋯ A 1 q ⋮ ⋮ A p 1 ⋯ A p q ) ⊗ B = ( A 11 ⊗ B ⋯ A 1 q ⊗ B ⋮ ⋮ A p 1 ⊗ B ⋯ A p q ⊗ B ) \left.\left(\begin{matrix}A_{11}&\cdots&A_{1q}\\\vdots&&\vdots\\A_{p1}&\cdots&A_{pq}\end{matrix}\right.\right)\otimes B=\left(\begin{matrix}A_{11}\otimes B&\cdots&A_{1q}\otimes B\\\vdots&&\vdots\\A_{p1}\otimes B&\cdots&A_{pq}\otimes B\end{matrix}\right) A11⋮Ap1⋯⋯A1q⋮Apq ⊗B= A11⊗B⋮Ap1⊗B⋯⋯A1q⊗B⋮Apq⊗B
~~~~
矩阵直积的下列三个性质很容易验证:
(3)
(
A
1
+
A
2
)
⊗
B
=
A
1
⊗
B
+
A
2
⊗
B
(A_{1}+A_{2})\otimes B=A_{1}\otimes B+A_{2}\otimes B
(A1+A2)⊗B=A1⊗B+A2⊗B
(4)
(
A
⊗
B
)
⊗
C
=
A
⊗
(
B
⊗
C
)
(A\otimes B) \otimes C=A\otimes (B\otimes C)
(A⊗B)⊗C=A⊗(B⊗C)
(5)
(
A
⊗
B
)
T
=
A
T
⊗
B
T
(A\otimes B)^T=A^T\otimes B^T
(A⊗B)T=AT⊗BT
~~~~ 和矩阵乘积一样,直积也不满足交换律。
(6) 一般地说,对 m × n m\times n m×n 矩阵 A \boldsymbol A A 和 p × q p\times q p×q 矩阵 B \boldsymbol B B , A ⊗ B ≠ B ⊗ A \boldsymbol A\otimes \boldsymbol B\neq \boldsymbol B\otimes \boldsymbol A A⊗B=B⊗A。但 A ⊗ B \boldsymbol A\otimes \boldsymbol B A⊗B 和 B ⊗ A \boldsymbol B\otimes \boldsymbol A B⊗A 置换相抵,它们都是 m p × n q mp\times nq mp×nq 型的,而且可以通过对行的置换和对列的置换把 A ⊗ B \boldsymbol A\otimes \boldsymbol B A⊗B 化成 B ⊗ A \boldsymbol B\otimes \boldsymbol A B⊗A。形式地说,存在 m p mp mp 阶和 n q nq nq 阶置换方阵 P \boldsymbol P P 和 Q \boldsymbol Q Q , 使 P ( A ⊗ B ) Q = B ⊗ A \boldsymbol P(\boldsymbol A\otimes \boldsymbol B)\boldsymbol Q=\boldsymbol B\otimes \boldsymbol A P(A⊗B)Q=B⊗A。特别地,当 m = n , p = q m=n,p=q m=n,p=q 时 A ⊗ B \boldsymbol A\otimes \boldsymbol B A⊗B 和 B ⊗ A \boldsymbol B\otimes \boldsymbol A B⊗A 置换相似,一定有 m p mp mp 阶置换方阵 P \boldsymbol P P ,使 P ( A ⊗ B ) P T = B ⊗ A \boldsymbol P(\boldsymbol A\otimes \boldsymbol B)\boldsymbol P^T=\boldsymbol B\otimes \boldsymbol A P(A⊗B)PT=B⊗A .
(7) 只要乘积 A C \boldsymbol {AC} AC 和 B D \boldsymbol {BD} BD 都有意义,则 ( A ⊗ B ) ( C ⊗ D ) (\boldsymbol A\otimes \boldsymbol B)(\boldsymbol C\otimes \boldsymbol D) (A⊗B)(C⊗D) 也有意义,而且 ( A ⊗ B ) ( C ⊗ D ) = A C ⊗ B D . (\boldsymbol A\otimes \boldsymbol B)(\boldsymbol C\otimes \boldsymbol D)=\boldsymbol {AC}\otimes \boldsymbol {BD}. (A⊗B)(C⊗D)=AC⊗BD.
证 设 A \boldsymbol A A 和 C \boldsymbol C C 分别是 m × n m\times n m×n 和 n × k n\times k n×k 矩阵, B \boldsymbol B B 和 D \boldsymbol D D 分别是 p × q p\times q p×q 和 q × r q\times r q×r 矩阵,则 A ⊗ B \boldsymbol A\otimes \boldsymbol B A⊗B 和 C ⊗ D \boldsymbol C\otimes \boldsymbol D C⊗D 分别是 m p × n q mp\times nq mp×nq 和 n q × k r nq\times kr nq×kr 矩阵,从而可以相乘.现在分别将 A ⊗ B \boldsymbol A\otimes \boldsymbol B A⊗B 和 C ⊗ D \boldsymbol C\otimes \boldsymbol D C⊗D 作自然分块:
A ⊗ B = ( a 11 B ⋯ a 1 n B ⋮ ⋮ a m 1 B ⋯ a m n B ) , C ⊗ D = ( c 11 D ⋯ c 1 k D ⋮ ⋮ c n 1 D ⋯ c n k D ) . \boldsymbol{A}\otimes \boldsymbol{B}=\left({\begin{array}{ccc} {a_{11}\boldsymbol{B}}&\cdots&a_{1n}\boldsymbol{B}\\\vdots&&\vdots\\a_{m1}\boldsymbol{B}&\cdots&a_{mn}\boldsymbol{B}\end{array}}\right),\quad \boldsymbol{C}\otimes\boldsymbol{D}=\left(\begin{array}{ccc}{c_{11}\boldsymbol{D}}&\cdots&c_{1k}\boldsymbol{D}\\\vdots&&\vdots\\c_{n1}\boldsymbol{D}&\cdots&c_{nk}\boldsymbol{D}\end{array}\right). A⊗B= a11B⋮am1B⋯⋯a1nB⋮amnB ,C⊗D= c11D⋮cn1D⋯⋯c1kD⋮cnkD .则 ( A ⊗ B ) ( C ⊗ D ) (\boldsymbol A⊗\boldsymbol B)(\boldsymbol C⊗\boldsymbol D) (A⊗B)(C⊗D)的 ( i , j ) (i,j) (i,j) 块是 ∑ l = 1 n a i l B c l j D = ( ∑ l = 1 n a i l c l j ) B D \sum_{l=1}^na_{il}\boldsymbol Bc_{lj}\boldsymbol D\:=(\sum_{l=1}^na_{il}c_{lj})\boldsymbol B\boldsymbol D ∑l=1nailBcljD=(∑l=1nailclj)BD,右边正是 A C ⊗ B D \boldsymbol {AC}\otimes \boldsymbol {BD} AC⊗BD 的 ( i , j ) (i,j) (i,j) 块。
利用性质 (3) ~ (7) ,特别是性质 (5) ,可以得到更多的常用性质。在下列性质 (8) ~ (11) 中, A A A 和 B B B 分别是 m m m 阶和 n n n 阶方阵.
(8) 设 A \boldsymbol{A} A, B \boldsymbol{B} B 都可逆,则 A ⊗ B \boldsymbol{A}\otimes \boldsymbol{B} A⊗B 也可逆,且 ( A ⊗ B ) − 1 = A − 1 ⊗ B − 1 ~~(\boldsymbol{A}\otimes \boldsymbol{B})^{-1}=\boldsymbol{A}^{-1}\otimes \boldsymbol{B}^{-1} (A⊗B)−1=A−1⊗B−1 。
(9) det ( A ⊗ B ) = ( det A ) n ( det B ) m \:\det(\boldsymbol{A}\otimes\boldsymbol{B})=(\det\boldsymbol{A})^n(\det\boldsymbol{B})^m det(A⊗B)=(detA)n(detB)m 。
证 由于 A ⊗ B = ( A ⊗ I n ) ( I m ⊗ B ) \boldsymbol{A}\otimes \boldsymbol{B}=(\boldsymbol{A}\otimes \boldsymbol{I_n})(\boldsymbol{I_m}\otimes \boldsymbol{B}) A⊗B=(A⊗In)(Im⊗B),而 det ( I m ⊗ B ) = ( det B ) m \det(\boldsymbol{I_m}\otimes \boldsymbol{B})=(\det \boldsymbol{B})^m det(Im⊗B)=(detB)m ,由 A ⊗ I n \boldsymbol{A}\otimes \boldsymbol{I_n} A⊗In 置换相似于 I n ⊗ A \boldsymbol{I_n}\otimes\boldsymbol{A} In⊗A ,知 det ( A ⊗ I n ) = det ( I n ⊗ A ) = ( det A ) n \det(\boldsymbol{A}\otimes \boldsymbol{I_n})\:=\:\det(\boldsymbol{I_n}\otimes\boldsymbol{A})\:=\:(\det \boldsymbol{A})^n\: det(A⊗In)=det(In⊗A)=(detA)n ,所以结论成立。
(10) rank ( A ⊗ B ) = ( rank A ) ( rank B ) \operatorname{rank}(\boldsymbol{A}\otimes\boldsymbol{B})=(\operatorname{rank}\boldsymbol{A})(\operatorname{rank}\boldsymbol{B}) rank(A⊗B)=(rankA)(rankB) .
证 记 rank A = a \operatorname{rank}\boldsymbol A=a rankA=a , rank B = b \operatorname{rank}\boldsymbol B=b rankB=b , 则有可逆方阵 U , V , R , S \boldsymbol {U,V,R,S} U,V,R,S , 使 U A V = ( I a O O O ) \boldsymbol {UAV}=\left(\begin{matrix}\boldsymbol{I}_a&\boldsymbol{O}\\ \boldsymbol{O}&\boldsymbol{O}\end{matrix}\right) UAV=(IaOOO), R B S = ( I b O O O ) \boldsymbol {RBS}=\left(\begin{matrix}\boldsymbol{I}_b&\boldsymbol{O}\\ \boldsymbol{O}&\boldsymbol{O}\end{matrix}\right) RBS=(IbOOO). 于是 ( U ⊗ R ) ( A ⊗ B ) ( V ⊗ S ) = ( U A V ) ⊗ ( R B S ) (\boldsymbol U\otimes \boldsymbol R)(\boldsymbol A\otimes \boldsymbol B)(\boldsymbol V\otimes \boldsymbol S)\:=\:(\boldsymbol {UAV})\otimes(\boldsymbol {RBS})\: (U⊗R)(A⊗B)(V⊗S)=(UAV)⊗(RBS) ,易知等号右边矩阵的秩等于 a b ab ab .
(11) 设 S p e c A = { λ 1 , ⋯ , λ m } , S p e c B = { μ 1 , ⋯ , μ n } \mathrm{Spec}\boldsymbol{A}=\{\lambda_1,\cdots,\lambda_m\}\:,\mathrm{Spec}\boldsymbol{B}=\{\mu_1\:,\cdots,\mu_n\}\: SpecA={λ1,⋯,λm},SpecB={μ1,⋯,μn} ,则 S p e c ( A ⊗ B ) = { λ i μ j ∣ i = 1 , ⋯ , m ; j = 1 , ⋯ , n } . \mathrm{Spec}(\boldsymbol A\otimes \boldsymbol B)\:=\:\{\lambda_i\mu_j\:|\:i\:=\:1,\cdots,m\:;j\:=\:1,\cdots,n\:\}\:. Spec(A⊗B)={λiμj∣i=1,⋯,m;j=1,⋯,n}.特别地, t r ( A ⊗ B ) = ( t r A ) ( t r B ) \mathrm tr(\boldsymbol A\otimes \boldsymbol B) = ( \mathrm tr\boldsymbol A) ( \mathrm tr\boldsymbol B) tr(A⊗B)=(trA)(trB). 另外,若 A \boldsymbol A A 和 B \boldsymbol B B 都相似于对角阵,则 A ⊗ B \boldsymbol A\otimes \boldsymbol B A⊗B 也相似于对角阵。
证 设 R A R − 1 = T A , S B S − 1 = T B \boldsymbol {RAR^{-1}=T_A}, \boldsymbol {SBS^{-1}=T_B} RAR−1=TA,SBS−1=TB , 其中 T A , T B \boldsymbol T_A,\boldsymbol T_B TA,TB 都是上三角方阵 ( 从而它们的主对角线上的元素集分别是 S p e c A \mathrm {Spec}\boldsymbol A SpecA , S p e c B \mathrm {Spec}\boldsymbol B SpecB ) , 则 ( R ⊗ S ) ( A ⊗ B ) ( R ⊗ S ) − 1 = ( R A R − 1 ) ⊗ ( S B S − 1 ) = T A ⊗ T B . (\boldsymbol R\otimes \boldsymbol S)(\boldsymbol A\otimes \boldsymbol B)(\boldsymbol R\otimes \boldsymbol S)^{-1}=(\boldsymbol {RAR^{-1}})\otimes(\boldsymbol {SBS^{-1}})=\boldsymbol T_{A}\otimes \boldsymbol T_{B}. (R⊗S)(A⊗B)(R⊗S)−1=(RAR−1)⊗(SBS−1)=TA⊗TB.不难验证 T A ⊗ T B \boldsymbol T_A\otimes \boldsymbol T_B TA⊗TB 也是上三角方阵,它的主对角线上的元素集正是 { λ i μ j ∣ i = \{\lambda_i\mu_j\mid i= {λiμj∣i= 1 , ⋯ , m , j = 1 , ⋯ , n } 1,\cdots,m,j=1,\cdots,n\} 1,⋯,m,j=1,⋯,n} . 当 T A , T B \boldsymbol T_A ,\boldsymbol T_B TA,TB 都是对角阵时, T A ⊗ T B \boldsymbol T_A\otimes \boldsymbol T_B TA⊗TB 也是对角阵.
2.2 矩阵方程 AXB = C
定义 A ^ \widehat{A} A 为 A = ( a i j ) A=(a_{ij}) A=(aij) 的 拉长向量 A ^ = ( a 11 , ⋯ , a 1 n , a 21 , ⋯ , a 2 n , ⋯ ) T \hat{A}=(a_{11},\cdots, a_{1n},a_{21},\cdots ,a_{2n},\cdots)^{T} A^=(a11,⋯,a1n,a21,⋯,a2n,⋯)T。则 ( λ A + μ B ) ^ = λ A ^ + μ B ^ \widehat{(\lambda A+\mu B)}=\lambda\widehat{A}+\mu\widehat{B} (λA+μB) =λA +μB 。
定理 2.2.1 A X B ^ = ( A ⊗ B T ) ⋅ X ^ \widehat{AXB}=(A\otimes B^{T})\cdot\widehat{X} AXB =(A⊗BT)⋅X 。
证:显然 A X B ^ \widehat{AXB} AXB 的每个分量都是 X ^ \widehat{X} X 的线性组合。
设 A = ( a i j ) m × n A=\left(a_{ij}\right)_{m\times n} A=(aij)m×n , X = ( x i j ) n × p X=\left(x_{ij}\right)_{n\times p} X=(xij)n×p , B = ( b i j ) p × q B=\left(b_{ij}\right)_{p\times q} B=(bij)p×q , X = ( X 1 ⋮ X n ) X=\left(\begin{array}{c}X_1\\\vdots\\X_n\end{array}\right) X= X1⋮Xn ,则 X ^ = ( X 1 T ⋮ X n T ) \widehat{X}=\left(\begin{array}{c}X_1^T\\\vdots\\X_n^T\end{array}\right) X = X1T⋮XnT .
A X B = ( ( a 11 X 1 + ⋯ + a 1 n X n ) B ⋮ ( a m 1 X 1 + ⋯ + a m n X n ) B ) AXB=\begin{pmatrix}(a_{11}X_1+\cdots+a_{1n}X_n)B\\\vdots\\(a_{m1}X_1+\cdots+a_{mn}X_n)B\end{pmatrix} AXB= (a11X1+⋯+a1nXn)B⋮(am1X1+⋯+amnXn)B ,
从而
A X B ^ = ( ( a 11 X 1 + ⋯ + a 1 n X n ) B , ⋯ , ( a m 1 X 1 + ⋯ + a m n X n ) B ) T = ( B T ( a 11 X 1 T + ⋯ + a 1 n X n T ) ⋮ B T ( a m 1 X 1 T + ⋯ + a m n X n T ) ) = ( a 11 B T ⋯ a 1 n B T ⋮ ⋮ a m 1 B T ⋯ a m n B T ) ( X 1 T ⋮ X n T ) \begin{aligned} \widehat{AXB}&=(\begin{array}{cccc}{(a_{11}X_{1}+\cdots+a_{1n}X_{n})B,}&{\cdots,}&{(a_{m1}X_{1}+\cdots+a_{mn}X_{n})B}\\\end{array})^{T}\\ \\ &\left.=\left(\begin{array}{c}B^T\left(a_{11}X_1^T+\cdots+a_{1n}X_n^T\right)\\\vdots\\ B^T\left(a_{m1}X_1^T+\cdots+a_{mn}X_n^T\right)\end{array}\right.\right) =\left(\begin{array}{ccc}a_{11}B^T&\cdots&a_{1n}B^T\\\vdots&\vdots\\a_{m1}B^T&\cdots&a_{mn}B^T\end{array}\right)\left(\begin{array}{c}X_1^T\\\vdots\\X_n^T\end{array}\right) \\ \end{aligned} AXB =((a11X1+⋯+a1nXn)B,⋯,(am1X1+⋯+amnXn)B)T= BT(a11X1T+⋯+a1nXnT)⋮BT(am1X1T+⋯+amnXnT) = a11BT⋮am1BT⋯⋮⋯a1nBTamnBT X1T⋮XnT
故存在矩阵 M M M 使 A X B ^ = M X ^ \widehat{AXB}=M\widehat{X} AXB =MX 。以下往证 M = A ⊗ B T M=A\otimes B^{T} M=A⊗BT。
- M M M 的行集合 = = = A X B ^ \widehat{AXB} AXB 的行集合 = = = [ m ] × [ q ] [m]\times [q] [m]×[q], M M M 的列集合 = = = A X B ^ \widehat{AXB} AXB 的列集合 = = = [ n ] × [ p ] [n]\times [p] [n]×[p],任取 ( i , j ) ∈ [ m ] × [ q ] , ( i , k ) ∈ [ n ] × [ p ] (i,j)\in[m]\times [q],(i,k)\in[n]\times [p] (i,j)∈[m]×[q],(i,k)∈[n]×[p],相应的 M M M 元记作 m ( i , j ) ( l , k ) m_{(i,j)(l,k)} m(i,j)(l,k) 。
- 令 M X ^ M\widehat{X} MX 的 ( i , j ) (i,j) (i,j) 行元 = ∑ i , j m ( i , j ) ( l , k ) x l k =\sum_{i,j}m_{(i,j)(l,k)}x_{lk} =∑i,jm(i,j)(l,k)xlk 。
- 另 A X B ^ \widehat{AXB} AXB 的 ( i , j ) (i,j) (i,j) 行元 = ( A X B ) i j = ( a i 1 , ⋯ , a i n ) ( x 11 x 12 ⋯ x 1 p ⋮ ⋮ ⋮ x n 1 x n 2 ⋯ x n p ) ( b 1 j ⋮ b p j ) =(AXB)_{ij}=(a_{i1},\cdots,a_{in})\begin{pmatrix}x_{11}&x_{12}&\cdots&x_{1p}\\\varvdots&\varvdots&\varvdots\\x_{n1}&x_{n2}&\cdots&x_{np}\end{pmatrix}\begin{pmatrix}b_{1j}\\\varvdots\\b_{pj}\end{pmatrix} =(AXB)ij=(ai1,⋯,ain) x11⋮xn1x12⋮xn2⋯⋮⋯x1pxnp b1j⋮bpj ,其中 x l k x_{lk} xlk 的系数为 a i l b k j a_{il}b_{kj} ailbkj 。
- m ( i , j ) ( l , k ) = a i l b k j = ( A ⊗ B T ) ( i , j ) ( l , k ) m_{(i,j)(l,k)}=a_{il}b_{kj}=(A\otimes B^{T})_{(i,j)(l,k)} m(i,j)(l,k)=ailbkj=(A⊗BT)(i,j)(l,k) .
由此拉长公式,
A
X
B
=
C
⇔
A
X
B
^
=
C
^
⇔
(
A
⊗
B
T
)
X
^
=
C
^
AXB=C\Leftrightarrow\widehat{AXB}=\widehat{C}\Leftrightarrow(A\otimes B^{T})\widehat{X}=\widehat{C}
AXB=C⇔AXB
=C
⇔(A⊗BT)X
=C
化为普通线性方程。
·
A
X
B
=
C
AXB=C
AXB=C 有解的充要条件为
r
(
A
⊗
B
T
∣
C
⃗
)
=
r
(
A
⊗
B
T
)
r(A\otimes B^T\mid\vec{C})=r(A\otimes B^T)
r(A⊗BT∣C)=r(A⊗BT) .
· 齐次方程
A
X
B
=
0
AXB=0
AXB=0 的基础解系含有
n
p
−
r
(
A
⊗
B
T
)
=
n
p
−
r
(
A
)
r
(
B
)
np-r(A\otimes B^T)=np-r(A)r(B)
np−r(A⊗BT)=np−r(A)r(B) 个无关向量。
习题: 求矩阵 P P P 使得 A B ^ = P B ^ \widehat{AB}=P\widehat{B} AB =PB , 矩阵 Q Q Q 使得 A B ^ = Q A ^ \widehat{AB}=Q\widehat{A} AB =QA 。
解: A B E ^ = ( A ⊗ E T ) B ^ \widehat{ABE}=(A\otimes E^{T})\widehat{B} ABE =(A⊗ET)B , E A B ^ = ( E ⊗ B T ) A ^ \widehat{EAB}=(E\otimes B^{T})\widehat{A} EAB =(E⊗BT)A 。
2.3 方程 AX - XB = C 的解
设
A
∈
C
m
×
m
\boldsymbol A\in \mathbb C^{m\times m}
A∈Cm×m ,
B
∈
C
n
×
n
\boldsymbol B\in \mathbb C^{n\times n}
B∈Cn×n ,
C
∈
C
m
×
n
\boldsymbol C\in \mathbb C^{m\times n}
C∈Cm×n , 且
X
∈
C
m
×
n
\boldsymbol X\in \mathbb C^{m\times n}
X∈Cm×n 是未知矩阵(
A
X
−
X
B
\boldsymbol {AX-XB}
AX−XB 只有当
A
\boldsymbol A
A 和
B
\boldsymbol B
B 分别是
m
m
m 阶和
n
n
n 阶方阵时才有意义).
A
X
−
X
B
=
C
⇔
(
A
X
−
X
B
)
^
=
C
^
⇔
A
X
^
−
X
B
^
=
C
^
⇔
A
X
I
n
^
−
I
m
X
B
^
=
C
^
⇔
(
A
⊗
I
n
−
I
m
⊗
B
T
)
X
^
=
C
^
,
\begin{gathered} \boldsymbol {AX-XB}=\boldsymbol C\Leftrightarrow \widehat{(\boldsymbol {AX-XB})}=\widehat{\boldsymbol C}\Leftrightarrow \widehat{\boldsymbol {AX}}-\widehat{\boldsymbol {XB}}=\widehat{\boldsymbol C}\\ \Leftrightarrow \widehat{\boldsymbol {AXI_n}}-\widehat{\boldsymbol {I_mXB}}=\widehat{\boldsymbol C} \Leftrightarrow (\boldsymbol A\otimes \boldsymbol {I_n}-\boldsymbol {I_m}\otimes \boldsymbol B^\mathrm{T})\widehat{\boldsymbol X}=\widehat{\boldsymbol C}, \end{gathered}
AX−XB=C⇔(AX−XB)
=C
⇔AX
−XB
=C
⇔AXIn
−ImXB
=C
⇔(A⊗In−Im⊗BT)X
=C
,方程
A
X
−
X
B
=
C
\boldsymbol {AX-XB=C}
AX−XB=C 还可以写成线性方程组
(
A
⊗
I
n
−
I
m
⊗
B
T
)
X
^
=
C
^
(\boldsymbol A\otimes \boldsymbol {I_n}-\boldsymbol {I_m}\otimes \boldsymbol B^\mathrm{T})\widehat{\boldsymbol X}=\widehat{\boldsymbol C}
(A⊗In−Im⊗BT)X
=C
,它的系数矩阵是
m
n
mn
mn 阶方阵。
若记 S p e c A = { λ 1 , ⋯ , λ m } \mathrm{Spec}\boldsymbol {A}= \left \{ \lambda_1, \cdots , \lambda_m\right \} SpecA={λ1,⋯,λm} , S p e c B = { μ 1 , ⋯ , μ n } \mathrm{Spec}\boldsymbol{B}=\left \{ \mu_1, \cdots , \mu_n\right \} SpecB={μ1,⋯,μn} , 则由 2.2 节的性质 (11),可知 S p e c ( A ⊗ I n − I m ⊗ B T ) = { λ i − μ j ∣ i = 1 , ⋯ , m ; j = 1 , ⋯ , n } . \mathrm{Spec}(\mathbf{A}\otimes\mathbf{I}_{n}-\mathbf{I}_{m}\otimes\mathbf{B}^{\mathrm{T}})\:=\{\lambda_{i}-\mu_{j}\:|\:i=1,\cdots,m;j=1,\cdots,n\}\:. Spec(A⊗In−Im⊗BT)={λi−μj∣i=1,⋯,m;j=1,⋯,n}.
证: 设 S − 1 A S = J A , R − 1 B R = J B S^{-1}AS=J_{A},R^{-1}BR=J_{B} S−1AS=JA,R−1BR=JB ,
( S − 1 ⊗ R − 1 ) ( A ⊗ I n − I m ⊗ B T ) ( S ⊗ R ) = ( S − 1 A S ) ⊗ R − 1 I n R − ( S − 1 I m S ) ⊗ ( R − 1 B T R ) = J A ⊗ I n − I m ⊗ J B T \begin{aligned}&(S^{-1}\otimes R^{-1})(A\otimes I_{n}- I_{m}\otimes B^{T})(S\otimes R)\\&=(S^{-1}AS)\otimes R^{-1}I_{n}R-(S^{-1}I_{m}S)\otimes(R^{-1}B^{T}R)\\&=J_{A}\otimes I_{n}-I_{m}\otimes J_{B^{T}}\end{aligned} (S−1⊗R−1)(A⊗In−Im⊗BT)(S⊗R)=(S−1AS)⊗R−1InR−(S−1ImS)⊗(R−1BTR)=JA⊗In−Im⊗JBT
再看三角阵的全部对角元。
定理 2.3.1 矩阵方程
A
X
−
X
B
=
C
\boldsymbol {AX-XB=C}
AX−XB=C 有唯一解
⟺
(
A
⊗
I
n
−
I
m
⊗
B
T
)
X
^
=
C
^
⟺
系数行列式不为
0
⟺
A
和
B
无公共特征值
~~~~~~\begin{aligned}&\Longleftrightarrow(\mathbf{A}\otimes\mathbf{I}_{n}-\mathbf{I}_{m}\otimes\mathbf{B}^{\mathrm{T}})\widehat{\mathbf X}=\widehat{\mathbf C}\\&\Longleftrightarrow\text{系数行列式不为 }0\\&\Longleftrightarrow \mathbf A和 \mathbf B 无公共特征值\end{aligned}
⟺(A⊗In−Im⊗BT)X
=C
⟺系数行列式不为 0⟺A和B无公共特征值
推论 2.3.2 设
A
=
(
A
1
⋱
A
l
)
\boldsymbol A=\begin{pmatrix}\boldsymbol A_1&&\\&\ddots\\&&\boldsymbol A_l\end{pmatrix}
A=
A1⋱Al
,
B
=
(
B
11
⋯
B
1
l
⋮
B
l
1
⋯
B
l
l
)
\boldsymbol B=\begin{pmatrix}\boldsymbol B_{11}&\cdots&\boldsymbol B_{1l}\\\varvdots\\\boldsymbol B_{l1}&\cdots&\boldsymbol B_{ll}\end{pmatrix}
B=
B11⋮Bl1⋯⋯B1lBll
,
其中(1)当
i
≠
j
i\neq j
i=j 时,
A
i
,
A
j
\boldsymbol A_i,\boldsymbol A_j
Ai,Aj无公共特征值,(2)
A
B
=
B
A
\boldsymbol {AB=BA}
AB=BA ,
则
B
\boldsymbol B
B 的所有非对角块部是
0
0
0 。
证: A B = B A ⇒ A i B i j = B i j A i ⇒ B i j 是 A i X − X A j = 0 的解 又 i ≠ j 时 A i 与 A j 无公共特征值 A i X − X A j = 0 有唯一解 ⇒ 只有零解 ⇒ B i j = 0 i ≠ j AB=BA\Rightarrow A_iB_{ij}=B_{ij}A_i\Rightarrow B_{ij}\text{是}A_{i}X-XA_{j}=0\text{的解}\\\text{又}i\neq j{时}A_i\text{与}A_j\text{无公共特征值}\\A_iX-XA_j=0\text{有唯一解}\Rightarrow 只有零解\Rightarrow B_{ij}=0\quad i\neq j AB=BA⇒AiBij=BijAi⇒Bij是AiX−XAj=0的解又i=j时Ai与Aj无公共特征值AiX−XAj=0有唯一解⇒只有零解⇒Bij=0i=j
2.4 方程 AX - XB = 0 的解
首先把
A
\boldsymbol A
A 和
B
\boldsymbol B
B 分别化成 Jordan 标准形
J
A
\boldsymbol J_\mathrm{\mathrm{A}}
JA 和
J
B
\boldsymbol J_{\mathrm{B}}
JB,即有可逆方阵
S
\boldsymbol S
S 和
T
\boldsymbol T
T,使
S
−
1
A
S
=
J
A
=
(
λ
1
I
p
1
+
H
p
1
)
⊕
⋯
⊕
(
λ
u
I
p
u
+
H
p
u
)
(
p
1
+
⋯
+
p
u
=
m
)
,
T
−
1
B
T
=
J
B
=
(
μ
1
I
q
1
+
H
q
1
)
+
◯
⋯
+
◯
(
μ
v
I
q
v
+
H
q
v
)
(
q
1
+
⋯
+
q
v
=
n
)
,
因此
A
X
=
X
B
⇔
S
J
A
S
−
1
X
=
X
T
J
B
T
−
1
⇔
J
A
(
S
−
1
X
T
)
=
(
S
−
1
X
T
)
J
B
\begin{gathered} S^{-1}AS=J_{A} =(\lambda_{1}I_{p_{1}}\:+\:H_{p_{1}}\:)\:\oplus\:\cdots\:\oplus\:(\lambda_{u}I_{p_{u}}\:+\:H_{p_{u}}\:) \\ (\:p_1\:+\:\cdots\:+\:p_u\:=\:m\:)\:, \\ T^{-1}BT=J_B =(\mu_1I_{q_1}+H_{q_1})\textcircled{+}\cdots\textcircled{+}(\mu_vI_{q_v}+H_{q_v}) \\ (\:q_1\:+\:\cdots\:+\:q_v\:=\:n\:)\:, \\ \text{因此~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~}\\ \begin{aligned}AX&=\:XB\quad\Leftrightarrow\quad\mathbf{S}J_AS^{-1}X\:=\:XTJ_BT^{-1}\\&\Leftrightarrow\quad J_A(S^{-1}XT)\:=\:(S^{-1}XT)J_B\end{aligned} \end{gathered}
S−1AS=JA=(λ1Ip1+Hp1)⊕⋯⊕(λuIpu+Hpu)(p1+⋯+pu=m),T−1BT=JB=(μ1Iq1+Hq1)+◯⋯+◯(μvIqv+Hqv)(q1+⋯+qv=n),因此 AX=XB⇔SJAS−1X=XTJBT−1⇔JA(S−1XT)=(S−1XT)JB若记
S
−
1
X
T
=
Y
S^{-1}XT=Y
S−1XT=Y,则只要讨论方程
J
A
Y
=
Y
J
B
J_AY=YJ_B
JAY=YJB 。
现将 m × n m\times n m×n 矩阵 Y Y Y 的行按 J A J_\mathrm{A} JA 的分法,列按 J B J_{B} JB 的分法作分块,记所得分块矩阵为 Y = ( Y i j ) Y=(Y_{ij}) Y=(Yij),其中 Y i j Y_{ij} Yij 是 p i × q j p_i\times q_j pi×qj 矩阵,则方程 J A Y = Y J B J_AY=YJ_B JAY=YJB 等价于 u v uv uv 个方程 ( λ i I p i + H p i ) Y i j = Y i j ( μ j I q j + H q j ) ( i = 1 , ⋯ , u ; j = 1 , ⋯ , v ) . (\lambda_{i}I_{p_{i}}\:+\:H_{p_{i}}\:)\:Y_{ij}\:=\:Y_{ij}\:(\:\mu_{j}I_{q_{j}}\:+\:H_{q_{j}}\:)\quad(\:i\:=\:1,\cdots,u\:;j\:=\:1,\cdots,v\:)\:. (λiIpi+Hpi)Yij=Yij(μjIqj+Hqj)(i=1,⋯,u;j=1,⋯,v).当 λ i ≠ μ j \lambda_i\neq\mu_j λi=μj 时, A A A, B B B 没有公共特征值,方程只有唯一解,可知 Y i j = 0. Y_{ij}=\mathbf{0}. Yij=0.
当
λ
i
=
μ
j
\lambda_i=\mu_j
λi=μj 时,方程成为
H
p
i
Y
i
j
=
Y
i
j
H
q
j
H_{p_i}Y_{ij}=Y_{ij}H_{q_j}
HpiYij=YijHqj.这时,若记
Y
i
j
=
(
y
k
l
)
Y_{ij}=(y_{kl})
Yij=(ykl),则
H
p
i
Y
i
j
=
(
y
21
⋯
y
2
q
j
⋮
⋮
y
p
i
1
⋯
y
p
i
q
j
0
⋯
0
)
,
Y
i
j
H
q
j
=
(
0
y
11
⋯
y
1.
q
j
−
1
0
y
21
⋯
y
2.
q
j
−
1
⋮
⋮
⋮
0
y
p
i
1
⋯
y
p
i
⋅
q
j
−
1
)
.
\begin{gathered}\boldsymbol{H}_{p_{i}}\boldsymbol{Y}_{ij}=\left(\begin{array}{cccc}y_{21}&\cdots&y_{2q_{j}}\\\vdots&&\vdots\\y_{p_{i}1}&\cdots&y_{p_{i}q_{j}}\\0&\cdots&0\end{array}\right),\boldsymbol{Y}_{ij}\boldsymbol{H}_{q_{j}}=\left(\begin{array}{cccc}0&y_{11}&\cdots&y_{1.q_{j}-1}\\0&y_{21}&\cdots&y_{2.q_{j}-1}\\\vdots&\vdots&&\vdots\\0&y_{p_{i}1}&\cdots&y_{p_{i}\cdot q_{j}-1}\end{array}\right).\end{gathered}
HpiYij=
y21⋮ypi10⋯⋯⋯y2qj⋮ypiqj0
,YijHqj=
00⋮0y11y21⋮ypi1⋯⋯⋯y1.qj−1y2.qj−1⋮ypi⋅qj−1
.
这两个
p
i
×
q
j
p_i\times q_j
pi×qj 矩阵相等,当且仅当
Y
i
j
Y_{ij}
Yij有下列形式:
当
p
i
=
q
j
p_i=q_j
pi=qj 时,
Y
i
j
=
[
y
0
y
1
⋯
y
p
i
−
1
y
0
⋱
⋮
0
⋱
y
1
y
0
]
;
\boldsymbol{Y}_{ij}=\begin{bmatrix}y_0&y_1&\cdots&y_{p_i-1}\\&y_0&\ddots&\vdots\\&\mathbf{0}&\ddots&y_1\\&&&y_0\end{bmatrix};
Yij=
y0y1y00⋯⋱⋱ypi−1⋮y1y0
;
当 p i < q j p_i<q_j pi<qj 时, Y i j = [ 0 0 y 0 y 1 ⋯ y p i − 1 0 0 0 y 0 ⋯ y p i − 2 0 0 0 0 ⋯ y 0 ] ; \boldsymbol{Y}_{ij}=\begin{bmatrix}0&0&y_0&y_1&\cdots&y_{p_i-1}\\0&0&0&y_0&\cdots&y_{p_i-2}\\0&0&0&0&\cdots&y_0\end{bmatrix}; Yij= 000000y000y1y00⋯⋯⋯ypi−1ypi−2y0 ;
当 p i > q j p_i>q_j pi>qj 时, Y i j = [ y 0 y 1 ⋯ y q j − 1 0 y 0 ⋯ y q j − 2 ⋮ ⋮ ⋯ ⋮ 0 0 ⋯ y 0 0 0 ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ 0 ] , \boldsymbol{Y}_{ij}=\begin{bmatrix}y_0&y_1&\cdots&y_{q_j-1}\\0&y_0&\cdots&y_{q_j-2}\\\vdots&\vdots&\cdots&\vdots\\0&0&\cdots&y_0\\0&0&\cdots&0\\\vdots&\vdots&&\vdots\\0&0&\cdots&0\end{bmatrix}, Yij= y00⋮00⋮0y1y0⋮00⋮0⋯⋯⋯⋯⋯⋯yqj−1yqj−2⋮y00⋮0 ,
其中 min { p i , p j } \min\{p_i,p_j\} min{pi,pj} 个参数 y 0 , y 1 , . . . y_0,y_1,... y0,y1,... 可任取.
由此可知 J A Y − Y J B = 0 J_AY-YJ_B=0 JAY−YJB=0 的线性无关解的个数等于 ∑ min { p i , q i } \sum\min\{p_i,q_i\} ∑min{pi,qi},这里 ∑ \sum ∑ 是对所有满足 λ i = μ j ( 1 ⩽ i ⩽ u ; 1 ⩽ j ⩽ v ) \lambda_i=\mu_j(1\leqslant i\leqslant u;1\leqslant j\leqslant v) λi=μj(1⩽i⩽u;1⩽j⩽v) 的整数对( i , j i,j i,j )求和。这个结论也可以表述如下:
定理 2.3 设 A A A 的初等因子是 { ( λ − λ i ) p i ∣ i = 1 , ⋯ , μ } \left\{(\lambda-\lambda_i)^{p_i}\mid i=1,\cdots,\mu\right\} {(λ−λi)pi∣i=1,⋯,μ} , B B B 的初等因子是 { ( λ − μ j ) q j ∣ j = 1 , ⋯ , v } \{(\lambda-\mu_j)^{q_j}\mid j=1,\cdots,v\} {(λ−μj)qj∣j=1,⋯,v},则方程 A X − X B = 0 AX-XB=0 AX−XB=0 的线性无关解的个数是 ∑ i = 1 u ∑ i = 1 v d i j \sum_{i=1}^u\sum_{i=1}^vd_{ij} ∑i=1u∑i=1vdij, 这里 d i d_i di 表示 ( λ − λ i ) p i ( \lambda-\lambda_i)^{p_i} (λ−λi)pi 和 ( λ − μ j ) q i (\lambda-\mu_j)^{q_i} (λ−μj)qi 的最大公因式的次数.
例 2.4 设 A A A 的初等因子是 { ( λ − 1 ) 2 , ( λ − 1 ) 3 , ( λ − 2 ) 3 } \{(\lambda-1)^2,(\lambda-1)^3,(\lambda-2)^3\} {(λ−1)2,(λ−1)3,(λ−2)3} , B B B 的初等因子是
{ ( λ − 1 ) 2 , ( λ − 1 ) 2 , ( λ − 2 ) 4 } \{(\lambda-1)^2,(\lambda-1)^2,(\lambda-2)^4\} {(λ−1)2,(λ−1)2,(λ−2)4} , 则方程 J A Y − Y J B = 0 J_AY-YJ_B=0 JAY−YJB=0 的一般解是
Y = ( a b c d 0 a 0 c 0 e f g h 0 e 0 g 0 0 0 0 0 0 i j k 0 0 i j 0 0 0 0 0 i ) \left.\boldsymbol{Y}=\left(\begin{array}{cc:cc:ccc} a&b&c&d&&\\ 0&a&0&c&&\mathbf{0}\\ \hdashline e&f&g&h&&\\0&e&0&g&&\mathbf{0}\\ 0&0&0&0&&\\ \hdashline&&&&0&i&j&k\\ &&&&0&0&i&j\\ \mathbf{0}&&\mathbf{0}&&0&0&0&i\\ \end{array}\right.\right) Y= a0e000bafe0c0g000dchg000000i00ji0kji