高等数学 / 系统课时

用对角化快速计算矩阵幂

用对角化快速计算矩阵幂

直接把矩阵连续相乘几十次既慢又看不出结构。只要矩阵能对角化,就可以先把线性变换切换到特征向量坐标系,在那里每个方向只做独立缩放,再一次性计算任意高次幂。

学习目标

  • 能由 A=PDP−1A=PDP^{-1} 推出 An=PDnP−1A^n=PD^nP^{-1}
  • 能用特征值和特征向量计算一个可对角化矩阵的高次幂
  • 能判断何时不能直接使用对角化公式

为什么对角化能简化矩阵幂

若矩阵 AA 有足够多的线性无关特征向量,就能写成

A=PDP−1A=PDP^{-1}

其中,PP 的列是特征向量,DD 是对应特征值组成的对角矩阵。于是

A2=(PDP−1)(PDP−1)=PD2P−1A^2=(PDP^{-1})(PDP^{-1})=PD^2P^{-1}

中间的 P−1P=IP^{-1}P=I 会抵消。重复这一过程得到

An=PDnP−1A^n=PD^nP^{-1}

真正困难的矩阵连乘,被转化为对角元素分别做幂:

Dn=diag⁡(λ1n,λ2n,…,λmn)D^n=\operatorname{diag}(\lambda_1^n,\lambda_2^n,\ldots,\lambda_m^n)

对角化计算矩阵幂的数据流

手算一个二阶矩阵

取

A=[3102]A=\begin{bmatrix}3&1\\0&2\end{bmatrix}

它的特征值是 33 和 22。可分别选择特征向量

v1=[10],v2=[−11]v_1=\begin{bmatrix}1\\0\end{bmatrix},\qquad v_2=\begin{bmatrix}-1\\1\end{bmatrix}

因此

P=[1−101],D=[3002],P−1=[1101]P=\begin{bmatrix}1&-1\\0&1\end{bmatrix},\qquad D=\begin{bmatrix}3&0\\0&2\end{bmatrix},\qquad P^{-1}=\begin{bmatrix}1&1\\0&1\end{bmatrix}

代入 An=PDnP−1A^n=PD^nP^{-1}:

An=[3n3n−2n02n]A^n=\begin{bmatrix}3^n&3^n-2^n\\0&2^n\end{bmatrix}

例如 n=2n=2 时,

A2=[9504]A^2=\begin{bmatrix}9&5\\0&4\end{bmatrix}

直接相乘原矩阵也会得到同样结果,但对角化公式在 nn 很大时仍只需要计算标量幂。

换基后的真正含义

对角化不只是计算技巧。P−1P^{-1} 把向量改写为特征向量坐标,DD 让每个特征方向互不干扰地缩放,PP 再把结果换回原坐标。

若向量在特征基下写成

x=c1v1+c2v2x=c_1v_1+c_2v_2

那么连续作用 nn 次后就是

Anx=c1λ1nv1+c2λ2nv2A^nx=c_1\lambda_1^nv_1+c_2\lambda_2^nv_2

因此高次迭代中哪个方向占主导,直接由各特征值幂的大小决定。

什么时候不能直接套公式

使用 A=PDP−1A=PDP^{-1} 的前提是矩阵可对角化,即 PP 必须可逆。对于 m×mm\times m 矩阵,需要找到 mm 个线性无关特征向量。

重复特征值并不自动意味着不能对角化;真正的问题是线性无关特征向量是否足够。如果不够,就不存在这样的可逆 PP,此时应改用 Jordan 形式等方法处理矩阵幂。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用对角化快速计算矩阵幂

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通