建议收藏!!!微软的人工智能助手LEAN从零开始学大学数学就像玩游戏！人工智能完美解构了复杂数学定理的同时保证了准确性:[线性代数篇1]从零开始证明矩阵的逆

import Paperproof

import Mathlib.LinearAlgebra.Matrix.Adjugate

import Mathlib.Data.Real.Sqrt

-- 从零开始用数学AI形式化证明：“矩阵的逆”

namespace Matrix

def m2 : Type := ℕ

def n2 : Type := ℕ

def α2 : Type := ℝ

variable

[Fintype n2]

[DecidableEq n2]

[CommRing α2]

variable (A : Matrix n2 n2 α2) (B : Matrix n2 n2 α2)

-- 前置的知识

def matrix1 : Matrix (Fin 2) (Fin 2) ℝ :=

![![1, 2],

![3, 4]]

-- #eval matrix1 0 0 -- 1

-- #eval matrix1 1 0

def matrix2 : Matrix (Fin 2) (Fin 2) ℝ :=

![![5, 6],

![7, 8]]

def matrixUnit : Matrix (Fin 2) (Fin 2) ℝ :=

![![1, 0],

![0, 1]]

def matrix1_adjugate : Matrix (Fin 2) (Fin 2) ℝ := adjugate matrix1

-- #eval matrix1_adjugate

-- [ 4 -2

-- -3 1 ]

def matrix1_det := matrix1.det

-- #eval matrix1_det

-- (-2)

-- #eval (matrix1_adjugate * matrix1)

-- [ -2 0

-- 0 -2 ]

-- #eval matrix1_det • matrixUnit

-- [ -2 0

-- 0 -2 ]

-- (matrix1_adjugate * matrix1) = matrix1_det • matrixUnit 为什么相等？？？这集的终极问题

-- Finset.sum 的使用

def my_set := (Finset.univ : (Finset (Fin 2)))

-- #eval my_set -- {0, 1}

-- Finset.sum需要两个参数：

-- 1.一个有限集合，表示对该集合中的元素进行求和。

-- 2.一个返回可相加的类型（即带有has_add类型类）的函数表达式，用于指定如何将集合中的元素相加。

def sum_of_numbers : ℕ

:= Finset.sum (Finset.range 11) (fun x => x) -- 也就是x为0到10自然数，f(x)=x求和

-- #eval sum_of_numbers -- 55

def sum_of_numbers2 : ℕ

:= Finset.sum my_set (fun x => x) -- 也就是x为{0, 1}，f(x)=x求和

-- #eval sum_of_numbers2 -- 1

-- cramer 的使用 A*X=b

def matrixb : Fin 2 → ℝ :=

![5, 6]

-- #eval matrixb

def cramer001 := (cramer matrix1 matrixb)

-- 可以看成一个n*1维的矩阵；也可以看成Fin 2 → ℝ，类似于数列；相当于 A.det • x ； 比如这里![8 -9]里，8就是matrix1第一列换成matrixb之后的矩阵，计算出来的行列式；9就是第2列替换matrixb后计算的行列式

-- #eval cramer001

def solution := (matrix1_det) • (cramer matrix1 matrixb)

-- 如何表示除法要有理数才行的

#eval solution -- 解应该是x=![-4 4.5]

-- Pi.single 的使用

def matrixPiSingle : Matrix (Fin 3) (Fin 3) ℝ :=

![![1, 2, 3],

![4, 5, 6],

![7, 8, 9]]

-- #eval matrixPiSingle 0 0

-- #eval matrixPiSingle 0 1

-- #eval matrixPiSingle 2 0

def Single001 (i k j:Fin 3)

:Fin 3 → ℝ

:= Pi.single j (matrixPiSingle (i-1) (k-1)) -- 这里j是标志判断位，

-- #eval (Single001 3 1 2) 2 --最后一个输入2才是重点，如何和j相同，就输出预设好的(matrixPiSingle (i-1) (k-1))的值，否则输出0

-- #eval (Single001 3 1 2) 0

-- #eval (Single001 3 1 2) 1

 

-- 证明正式开始：

-- 四个领域 1.adjugate 2.cramer 3.det 4.Pi.single

-- 1↔2,4

-- 2↔3,4

-- 1↔3

-- 1↔2,4的桥梁

lemma mul_adjugate_apply2 (A : Matrix n2 n2 α2) (i j k) :

(A i k) * (adjugate A k j) = (cramer Aᵀ) (Pi.single k (A i k)) j

:= by

have test: (cramer Aᵀ) (A i k • Pi.single k 1) j

= (A i k • (cramer Aᵀ) (Pi.single k 1)) j

:= by

simp only [SMulHomClass.map_smul]---我知道了，你要知道f代表什么，f代表(cramer Aᵀ) (参数一) j

rw [

← smul_eq_mul,

adjugate, -- 1↔2,4 伴随矩阵的定义来的。伴随矩阵即每一项先变余子式行列式，再加正负号(定义为-1的i+j次方)，再转置

-- asfsadf,

of_apply,

← Pi.smul_apply,

← test,

]

rw [← Pi.single_smul',

smul_eq_mul,

mul_one]

done

-- 1↔3 的桥梁(由1↔2,4 和 2↔3,4 和 4↔null 得到)

lemma mul_adjugate2

(A : Matrix n2 n2 α2)

: A * adjugate A = A.det • (1 : Matrix n2 n2 α2)

:= by

-- have h1:= A * adjugate A -- : Matrix n n α

-- have h2:= A.det • (1 : Matrix n2 n2 α2) -- : Matrix n2 n2 α2

ext i k

rw [

mul_apply, -- 作用：(M * N) i k = Finset.sum Finset.univ fun j ↦ M i j * N j k

-- 将 (A * adjugate A) i k

-- 其中 M=>A, N=>adjugate A

-- 变成了等号右边 (Finset.sum Finset.univ fun j ↦ A i j * adjugate A j k)

Pi.smul_apply, -- 作用：(b • x) i = b • (x i)

-- 将 (det A • 1) i k

-- 其中 b=>det A,x=>1,i=>i

-- 变成了 ( det A • (1 i) ) k

-- * 暂时理解成OfNat.ofNat 1 就是 1的单位矩阵(1 : Matrix n n α)

Pi.smul_apply,

-- 再作用一次 (b • x) i = b • (x i)

-- 其中 b=>det A,x=>(1 i),i=>k

-- 变成了det A • (1 i k)

one_apply,

smul_eq_mul,

mul_boole]

simp only [mul_adjugate_apply2] -- 1↔2,4的桥梁

simp only [sum_cramer_apply]

-- have :sorry:=sorry

simp only [Finset.sum_pi_single] -- Pi.single就是一个按特定索引得到单值，其他索引得到0 ； 这里理解是：

-- 首先对于Finset.sum Finset.univ fun x ↦ Pi.single x (A i x) j 我们知道x会进行遍历n2，其实只有x=j时有值，其余为0，所以j是否属于n2就决定了一切

simp only [Finset.mem_univ]

simp only [ite_true]

-- simp only [ne_eq, Finset.sum_pi_single, Finset.mem_univ, ite_true]

simp only [cramer_transpose_row_self] --好像是这么一回事，这就是行列式有两列相等，行列式就是0 -- 2↔3,4的桥梁 --单独cramer Aᵀ是再穿一个系数矩阵b，就得到由行列式组成的n*1维矩阵或看成数列

simp only [Pi.single_apply] -- 4↔null的桥梁

simp only [eq_comm]

done

-- 1↔3 的桥梁

theorem MainGoal [Invertible A.det] : (A) * (⅟(det A) • adjugate A) = (1 : Matrix n2 n2 α2)

:= by

rw [

mul_smul_comm,

mul_adjugate2,

smul_smul,

invOf_mul_self,

one_smul]

done

 

end Matrix