（2）线性代数基础

1.本征值分解与最大本征值问题

1.1 本征向量与本征值（又称特征向量与特征值）

给定$D\times D$的矩阵$M$（方阵），设$D$维归一向量$v$(一阶张量或向量)与标量$\gamma$（0阶张量）,当满足$Mv=\gamma v$时，称$v$与$\gamma$(本征向量对应的本征值)分别为$M$的本征向量与本征值

1.2 本征值分解（又称特征值分解，eigenvalue decomposition）

$M=U\Gamma U^{†}$($†$：转置共轭)
$U$被称为变换矩阵，其每一列为$M$的本征向量，且满足正交归一性即：$U{U}^{†}=I$
$\Gamma$为对角矩阵，称为本征谱
注： $U$中的每一列向量为其本征向量（满足1.1），且对应的本征值为$\Gamma$中对应的元素。
注：厄密矩阵：$M=M^{†}$
注：不是任何矩阵都存在本征值分解，但是厄密矩阵一定存在本征值分解，且本征谱为实数
注：接下来的矩阵没有说明的情况下，都假设是厄密矩阵（哈密顿量，量子物理里面都是厄密矩阵）

1.3 最大本征值问题

最大本征值问题：假设矩阵本征值为实数（厄密矩阵），求解给定矩阵的最大本征值及其本征态（本征向量）
——最大本征值问题对应于如下优化问题：
给定矩阵$M$，求解归一化向量$v$，使得函数:
$$f=|v^{T}Mv|$$
的值极大化（$v$为（$d\times 1$）向量，$M$为（$d\times d$）矩阵）
——该最优化问题的解为$M$的(绝对值)最大本征态（最大本征向量），对应的$f$值为最大本征值

1.3.1 代码实例

本征值分解：

dim = 4
M = np.random.randn(dim,dim)##任意生成一个4*4的实矩阵
M = M +M.T#对称化以保证本征分解存在   .T等价于.transpose(1,0)
lm,u = np.linalg.eig(M) #对M进行本征值分解 lm为本征值 u为本征向量

$M=U\Gamma U^{†}$：

M1 = u.dot(np.diag(lm)).dot(u.T) #其中np.diag(lm) 当lm是一个1维数组时，结果形成一个以一维数组为对角线元素的矩阵；lm是一个二维矩阵时，结果输出矩阵的对角线元素
err = np.linalg.norm(M-M1)#计算M与M1之间的误差

注：小于$10^{-15}$可以忽略不计

使用$scipy$中的$eigs$仅求最大几个本征值与本征向量，节省计算量：

import scipy.sparse.linalg as la 

lm1,v1 =la.eigs(M,k = 1,which = 'LM') #M为待分解的矩阵，k为求几个本征值（向量），whick为求哪一个 LM（绝对值最大的）

1.4 最大本征值问题的幂级数求解法

考虑实对称矩阵$M$,设${\Gamma }_0$和$u^{(0)}$为其绝对值最大的唯一本征值及本征向量，则：
$$\underset{k\to \infty }{\lim }$$