求解Ax=0
消元法求解零空间
那么我们如何求解
呢？还是使用消元法，之前我们说使用消元法求解方程
时，我们对一种情况是无法处理的，那就是矩阵
不可逆的情况，之前对这种情况的解释是求出的解不唯一，这其实正好对应了现在我们所认识到的“空间”的概念。我们从最简单的零空间(
)的计算谈起。
例1：
，求
中的
构成的零空间
先将方程写出，如下
首先观察矩阵
我们发现，第三行是前两行的和，这意味着即使主元为
，我们也得继续消元下去。那么按部就班，有
在消元的过程中，我们发现矩阵
的主元(Pivot)数量为
(
和
)，主元的个数称为矩阵的秩(Rank)，因此在本题中矩阵
的秩为
。
接下来就是回代求解了，由于消元得到的
不是一个严格的上三角矩阵，对角线上的
给我们造成了解不唯一的麻烦，所以这里我们先来声明几个概念
中，列
和
被称为主列(Pivot Columns，主元所在的列)，其余两列
和
被称为自由列(Free Columns)，所谓自由列就是表示其对应的未知变量
(
表示自由列是第
列)可以被任意分配值。因为回代求解时，只有主列对应的未知数的解有确定值。因此矩阵
中的主变量(主元)为
和
，
和
为自由变量。
(1)我们假设，令
，代入方程
解得
因此当
时，解向量为
，这只是零空间中的一个解，这个解表示
倍的列
倍的列
，如果想找出更多零向量中的解，我们只需要求它的倍数，所以
，这是一条在四维空间中无限延伸的直线，但它不是整个零空间。
(2)我们再令
，代入方程
解得
因此当
时，解向量为
，因此另一条在四维空间中的直线为
那么还能为
赋其他值吗？很明显其他情况都可以被
和
的线性组合所涵盖，所以这两个解向量足够代表空间的特征了，我们称这两个解向量为特解，其特殊之处在于我们给自由变量赋值为
和
。通过特解的任意倍的线性组合，可以构造出整个零空间。因此便得出了矩阵
的零空间
算法总结
对于一个
的矩阵A，若其秩为
，那么意味着其主变量为
个，而自由变量为
个。也就是说，只有
列起作用。我们需要先对矩阵
进行消元，得到
个主元，由于有
个变量
，我们再将其中的
个自由变量依次赋值为
。接着求解方程的特解，将特解的任意倍进行线性组合即可得到矩阵
的零空间。
简化阶梯形式
尽管上面的消元法看上去已经很完美了，但事实上仍有化简的余地，最后得到的
矩阵仍可以被进一步化简。我们以上文中的
为例，继续化简的目标是令对角线上的主元为1，并且通过列交换将主元放在一起，把自由列放在一起来构成新的矩阵，操作如下
也就是说最终我们能将上三角矩阵
化简成矩阵
，矩阵
的一般形式为
其中，
表示主列，由于
个主列的主元被化简成了
，因此这部分变成了
维单位矩阵，
表示自由列，共有
个自由列。有了矩阵
我们可以改写
的表达形式
这里的
为零空间矩阵，即各列向量由特解组成的矩阵
需要注意的是，这里的单位矩阵和矩阵
中的有所不同，这里的
是
维的，是将
个自由变量分别赋值为
或
得到的。将上文中的示例代入到
和
，得到
由于
和
是主列，
和
是自由列，因此只需交换零空间矩阵中的第2、3行即可得到特解
和
。因此将矩阵
化简称矩阵
可以直接求解零空间。我们用下面一个例题来试验一下：
例
，求解
中
构成的零空间。
(1)将
消元为
：
(2)将
化简为
：
(3)得到零空间矩阵
：
(4)得到零空间：
求解Ax=b
Ax=b的可解性
对于
我们知道这个方程不一定有解，在之前的章节中说明了
是否有解取决于
是否在
的列空间中，我们再通过一个例子来说明一下
例 求方程
的可解条件。
在这个方程中，观察矩阵A，发现矩阵中第三行为第一行和第二行的和。根据之前的Gauss-Jordan消元法，我们可以得到
代入方程，会发现最后一行
，这一行方程必须成立，因此这一行就是方程的可解条件。同时，它还反映了
向量的第三个分量是前两个分量之和，这也与矩阵
的特点一致，这也印证了
是否有解取决于
是否在
的列空间中。
结合之前的章节总结出
有解条件：
列空间角度：当且仅当
属于
的列空间时成立
线性组合角度：当且仅当
是
各列的线性组合时成立
矩阵变换角度：如果
各行线性组合后得到零行，那么
取相同运算方式也必将得到
求解Ax=b
接下来介绍通解和特解，通解就是满足方程所有的解，将“无穷解”用一种形式表达出来，对于
这个方程
因为矩阵零空间向量代入方程最后结果等于
，所以它不会影响等式，而是把方程的解向量扩展到一个类似子空间上，使我们求出的解更具有普遍意义，而求解零空间我们在上文也已经介绍，下面我们只需要关注如何求特解即可。在之前求解
方程的特解时，我们分别将自由变量赋值为
或
，得到
观察这个表达式会发现，只要将系数
和
定为
就可以得到零空间中的零向量，而且我们不能在求解
时将自由变元都赋为
。但是在
中，只要
不是
，我们就可以将自由变元全部赋为
，使用此方法即可得到特解。
接下来补充上述例题中方程的条件
Gauss-Jordan消元后得到
将
回代方程得到
解得特解为
利用上一节的知识我们很容易求出
的零空间为
因此
的解为
这个解集在几何角度的解释是
上的一个不过原点的二维平面，显然这个解集无法构成一个向量空间，因为解集中不包含零向量。
矩阵的秩与解的关系
我们在消元求
的过程中会发现，矩阵的秩对最后解的形式有着重要的影响，下面我们来总结一下其中的规律。
列满秩
对于
的矩阵
，列满秩时，意味着没有自由列，
，此时零空间中只有零向量(不需要求零空间)，
的解要么有解且唯一(特解
)，要么无解。例如
消元，由于两列线性无关，因此只有两个主元，逐行减去第一行的若干倍，行三和行四清零，得到第二个主元，然后各行都减去第二个主元的若干倍，最终第二个主元化为
的得到矩阵
行满秩
对于
的矩阵
，行满秩时，意味着有
个主元(每一行各一个)，
，此时自由变元有
个，必然有解而且有无穷多解，例如
最后我们会消元得到
行列满秩
对于
的矩阵
，行列满秩时，意味着矩阵可逆，
，此时自由变元有
个，经过消元，最终矩阵可化为单位矩阵
，即一个全是主元的方程组，最终只能有一个唯一解。例如
最后消元得到
不满秩
对于
的矩阵
，不满秩时，意味着通过消元最终会得到
，因此方程的解要么无解，要么无穷多解(特解+零空间所有向量)
小结
综上所述，会发现自由变量总为
个，所以通过判断自由变元的个数可以初步判断
的解的结构：如果没有自由变元，意味着方程的解唯一或者无解；如果存在自由变元，意味着方程的解有无穷多解或者无解。也就是说，自由变元是否存在决定了方程的解是否唯一。另一点是，可以通过观察消元后矩阵
是否存在
行来进一步判断方程是否有解：如果矩阵
中没有零行时，意味着方程一定有解；如果存在零行，则需要考虑方程是否满足可解条件。
除此之外，我们还发现了零空间实际上就是用来判断矩阵
的各列向量是否是线性无关的，如果各列向量是线性无关的，那么零空间中只有零向量，如果各列向量是线性相关的，那么零空间中除了零向量还有其他向量。因此零空间反映的就是
各列向量的线性组合。
关于Ax=b的另一种解释
当我们求解方程时，例如
矩阵表达如下
除了使用消元法或判断矩阵是否满秩以外，我们还可以从列空间的角度来看这个方程，改写一些这个矩阵表达如下
那么我们判断这个方程是否有解的条件实际上就是判断向量
是否在以向量
和向量
构成的列空间中，换句话说，向量
是否可以表达成向量
和向量
的线性组合。由于向量
和向量
是线性相关的，因此可以张成一个二维平面，而向量
只是其中的一个二维向量，因此可以推断出方程一定有解。
3542
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
