线性代数拾遗(4)—— 非齐次线性方程组通解的结构
- 本文说明以下重要结论
nnn 元 mmm 维非齐次线性方程组 Am×nxn×1=bm×1\pmb{A}_{m\times n}\pmb{x}_{n\times 1}=\pmb{b}_{m\times 1}AAAm×nxxxn×1=bbbm×1 的通解为 kξ+ηk\pmb{\xi} + \pmb{\eta}kξξξ+ηηη,其中
- kξ=k1ξ1+k2ξ2+...+kn−rξn−r\pmb{k\xi} = k_1\pmb{\xi}_1+k_2\pmb{\xi}_2+...+k_{n-r}\pmb{\xi}_{n-r}kξkξkξ=k1ξξξ1+k2ξξξ2+...+kn−rξξξn−r 是齐次线性方程组 Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的通解
- η\pmb{\eta}ηηη 是非齐次线性方程组 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的一个特解
- 参考:非齐次线性方程组通解的结构如何理解? - 破魔之箭的回答 - 知乎
1. 有解的条件
当系数矩阵的秩和增广矩阵的秩相等时,即 r(A)=r(A∣b)r(\pmb{A}) = r(\pmb{A}|\pmb{b})r(AAA)=r(AAA∣bbb) 时,非齐次线性方程组 Am×nxn×1=bm×1\pmb{A}_{m\times n}\pmb{x}_{n\times 1}=\pmb{b}_{m\times 1}AAAm×nxxxn×1=bbbm×1 有解,具体而言
- r(A)=r(A∣b)=nr(\pmb{A}) = r(\pmb{A}|\pmb{b}) =nr(AAA)=r(AAA∣bbb)=n 时,有唯一解
- r(A)=r(A∣b)<nr(\pmb{A}) = r(\pmb{A}|\pmb{b}) <nr(AAA)=r(AAA∣bbb)<n 时,有无穷多解
这意味着,为了保证有解,方程组中有效方程个数 rrr 必须少于等于未知数个数 nnn。
注意到,可以通过以下两步变换得到同解方程组
- 通过初等行变换把增广矩阵 [A∣b][\pmb{A}|\pmb{b}][AAA∣bbb] 化阶梯型得到同解方程组 Bm×nxn×1=bm×1′\pmb{B}_{m\times n}\pmb{x}_{n\times 1}=\pmb{b}'_{m\times 1}BBBm×nxxxn×1=bbbm×1′
- 再取出其中非零的前 rrr 行(保留有效方程组),得到同解方程组 Br×nxn×1=br×1′\pmb{B}_{r\times n}\pmb{x}_{n\times 1}=\pmb{b}'_{r\times 1}BBBr×nxxxn×1=bbbr×1′
注意 r≤mr\leq mr≤m,当方程组有解时 r≤nr\leq nr≤n 也成立
2. 从代数角度考虑
当 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 有解时,假设一个特解是 x0′\pmb{x}_0'xxx0′
- 对于 Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的任意特解 x0\pmb{x}_0xxx0,有和它唯一对应的 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的特解 x0+x0′\pmb{x_0}+\pmb{x_0}'x0x0x0+x0x0x0′,因为
A(x0+x0′)=Ax0+Ax0′=0+b=b\pmb{A}(\pmb{x_0}+\pmb{x_0}') = \pmb{Ax}_0 + \pmb{Ax}_0' = \pmb{0}+\pmb{b} = \pmb{b} AAA(x0x0x0+x0x0x0′)=AxAxAx0+AxAxAx0′=000+bbb=bbb - 对于 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的任意特解 x0′′\pmb{x}_0''xxx0′′,有和它唯一对应的 Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的特解 x0′′−x0′\pmb{x_0}''-\pmb{x_0}'x0x0x0′′−x0x0x0′,因为
A(x0′′−x0′)=Ax0′′−Ax0′=b−b=0\pmb{A}(\pmb{x_0}''-\pmb{x_0}') = \pmb{Ax}_0'' - \pmb{Ax}_0' = \pmb{b} - \pmb{b} = \pmb{0} AAA(x0x0x0′′−x0x0x0′)=AxAxAx0′′−AxAxAx0′=bbb−bbb=000
- 对于 Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的任意特解 x0\pmb{x}_0xxx0,有和它唯一对应的 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的特解 x0+x0′\pmb{x_0}+\pmb{x_0}'x0x0x0+x0x0x0′,因为
这意味着
- Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 和 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 解空间中的解向量是一一对应的,二者解空间大小一致
- Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的任意解向量,只要沿着 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的任意特解 x0′\pmb{x}_0'xxx0′ 的方向平移,就能得到 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 解空间中的对应解向量(反之也成立)
所以,Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的解空间(通解 kξk\pmb{\xi}kξξξ)只要沿着 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的任意特解(η\pmb{\eta}ηηη)方向平移,即得到 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的解空间(通解 kξ+ηk\pmb{\xi} +\pmb{\eta}kξξξ+ηηη)
3. 从几何角度考虑
从几何角度看,矩阵代表对向量的一种空间变换。Am×nxn×1=bm×1\pmb{A}_{m\times n}\pmb{x}_{n\times 1}=\pmb{b}_{m\times 1}AAAm×nxxxn×1=bbbm×1,它的同解方程组是 Br×nxn×1=br×1′\pmb{B}_{r\times n}\pmb{x}_{n\times 1}=\pmb{b}'_{r\times 1}BBBr×nxxxn×1=bbbr×1′(见第1节),本质是将 nnn 维空间变换为 r≤nr\leq nr≤n 维空间,空间中的向量随着空间变换而变换(随着基向量变换而变换)
- Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的解向量都变换为 0\pmb{0}000 向量,也就是解空间被压缩到原点
- Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的解向量都变换为向量 b\pmb{b}bbb,也就是解空间被压缩到 b\pmb{b}bbb 点处
因此 Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的解空间(通解 kξk\pmb{\xi}kξξξ)沿着 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的任意特解(η\pmb{\eta}ηηη)方向平移,就能被 A\pmb{A}AAA 空间变换后压缩到 b\pmb{b}bbb 点处,即得 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的解空间(通解 kξ+ηk\pmb{\xi} +\pmb{\eta}kξξξ+ηηη)
从解空间性质看
- Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的解空间是 nnn 维空间中一个过原点的 n−rn-rn−r 维子空间,并且此子空间是 A\pmb{A}AAA 的行空间的正交补空间(A\pmb{A}AAA 的每个行向量都和解空间正交)
- Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的解空间是 nnn 维空间中过其所有特解的 n−rn-rn−r 维子空间,和 Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的解空间平行
对于 m=3,r=1m=3,r=1m=3,r=1 的某个特殊情况,可以图示为
图中显示了 Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的特解 x0\pmb{x}_0xxx0 沿着 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的特解 x0′\pmb{x}_0'xxx0′ 平移成 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 对应特解 x0+x0′\pmb{x}_0+\pmb{x}_0'xxx0+xxx0′ 的情形。图中还显示了 Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的另一个特解 x1\pmb{x}_1xxx1,将 Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的通解 kξk\pmb{\xi}kξξξ 沿着 x1\pmb{x}_1xxx1 平移同样能得到相同的解空间,只是两个解空间中一一对应的方式不同最后举一个具体的例子,设 A=[100010],b=[12]\pmb{A} = \begin{bmatrix}1 &0 &0\\0 &1 &0\end{bmatrix},\pmb{b} = \begin{bmatrix}1 \\ 2\end{bmatrix}AAA=[100100],bbb=[12]
- A\pmb{A}AAA 的行空间可以看作 x 轴和 y 轴,因此 Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的解空间作为过原点且和 xoy 平面正交的 n−r=3−2=1n-r = 3-2 = 1n−r=3−2=1 维空间,只能是 z 轴。形式化地将,Ax=0\pmb{Ax}=\pmb{0}AxAxAx=000 的通解为 kξk\pmb{\xi}kξξξ,其中 ξ=[0,0,1]⊤\pmb{\xi} =[0,0,1]^\topξξξ=[0,0,1]⊤,
- Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的两个特解分别为 [1,2,0]⊤[1,2,0]^\top[1,2,0]⊤ 和 [1,2,1]⊤[1,2,1]^\top[1,2,1]⊤,Ax=b\pmb{Ax}=\pmb{b}AxAxAx=bbb 的通解就是 z 轴沿 [1,2,0]⊤[1,2,0]^\top[1,2,0]⊤ 或 [1,2,1]⊤[1,2,1]^\top[1,2,1]⊤平移所得,可见二者是重合的。
线性代数拾遗(4)—— 非齐次线性方程组通解的结构相关推荐
- 线性代数学习笔记(二十九)——方程组解的结构(一)
停更2年多了,做事得有始有终,继续更新... 本篇笔记回顾了线性方程组解的三种情况,并讨论了齐次线性方程组解的结构,并介绍了齐次线性方程组解的相关性质.其中重点讨论了基础解系定义,以及基础解系的求法和 ...
- 线性代数03 齐次/非齐次线性方程组的解(行列式与解的关系)
上一篇文章介绍了关于矩阵的秩与线性方程组的解之间的关系.现在我们可以探究另一个非常重要的概念(行列式)与线性方程组的解的情况之间的关系. 1 行列式 首先,我们需要了解什么是行列式. 行列式,是一个相 ...
- 线性代数拾遗(四):线性方程组的应用
线性代数拾遗(一):线性方程组.向量方程和矩阵方程 线性代数拾遗(二):线性方程组的解集及其几何意义 线性代数拾遗(三):线性变换以及矩阵的意义 前面几章,我们回顾了一遍线性方程组和矩阵的一些概 ...
- 线性代数拾遗(二):线性方程组的解集及其几何意义
我们解决现实问题时可以自由选取其中任意一个作为模型.我个人认为,线性方程组是最"质朴"的形式:向量方程则是与几何建立了关系,这将方便我们进行更直观的推理:矩阵方程则是向量方程 ...
- 线性代数基础2--齐次线性方程组的解及方程组解的总结
什么是齐次线性方程组,什么是非齐次线性方程组? 齐次线性方程组(homegeneous linear equations): 一般的,如果线性方程组中所有方程的 ...
- MATLAB求解非齐次线性方程组
根据线性代数中求解方程组的基本知识,首先应判断系数矩阵的秩是否和增广矩阵的秩相等,若不等,则无解:若有解,根据秩和未知量个数的关系,判断是唯一解还是无穷多解:若为无穷多解,其通解为齐次方程组的通解加非 ...
- 矩阵分解 (特征值/奇异值分解+SVD+解齐次/非齐次线性方程组)
,#1. 用途# 1.1 应用领域 最优化问题:最小二乘问题 (求取最小二乘解的方法一般使用SVD) 统计分析:信号与图像处理 求解线性方程组: Ax=0或Ax=b Ax = 0 或 Ax =b 奇异 ...
- 第二十八讲 解非齐次线性方程组
一,关于二阶方程组x⃗′=Ax⃗{\vec{x}}'=A\vec{x}x′=Ax的理论(对n阶方程也成立): (假设A是常数矩阵) 定理A:x⃗′=Ax⃗{\vec{x}}'=A\vec{x}x′=A ...
- 线性代数拾遗(五):矩阵变换的应用
线性代数拾遗(一):线性方程组.向量方程和矩阵方程 线性代数拾遗(二):线性方程组的解集及其几何意义 线性代数拾遗(三):线性变换以及矩阵的意义 线性代数拾遗(四):线性方程组的应用 上一章用了 ...
- 三阶齐次线性方程求通解_非齐次线性方程通解求法------常数变易法.ppt
非齐次线性方程通解求法------常数变易法 高阶线性微分方程 小结.思考题 降阶法与常数变易法 线性微分方程的解的结构 概念的引入 解 受力分析 一.概念的引入 物体自由振动的微分方程 强迫振动的方 ...
最新文章
- 【中文】Joomla1.7扩展介绍之Googlemaps Plugin
- JAVA String之contains方法使用
- 最前沿的科学, 寻找最聪明的你—“宏基因组”公众号编辑招募
- HDU 4411 Arrest(费用流)
- LM3S1138驱动函数SysCtlPeripheralEnable解析
- MPAndroidChart——饼图
- 男生给女生最牛B的告白
- c#namespace
- php添加gd库,linux下为php添加GD库(重新编译php)
- Promise解决回调地狱写法
- 我在看着你呢——shiro学习
- [luogu3198] 玩具装箱
- SpringBoot整合Jersey2.x实现文件上传API
- 创建图片mat_OPENCV(二)——Mat类与几个函数的简介
- 算法整理(二)---高速排序的两种实现方式:双边扫描和单边扫描
- 不注册使用 .NET Reactor
- R语言实现行为特征分析(Behavioral Profile,BP)+层次聚类分析(hierarchical agglomerative cluster analysis,HAC)
- 03-Kubernetes中的Deployment
- 【信息安全技术】RSA算法的研究及不同优化策略的比较
- python测试驱动开发pdf_python 测试驱动开发的简单例子
热门文章
- 西安电子科技大学超级计算机,西安电子科技大学超级计算机投入使用
- 中兴手机怎么与计算机连接网络连接不上,ZTE中兴为什么wifi连接上却不能上网...
- 第54课作业实战成功:用phpMyAdmin等数据库可视化软件操作MySQL,并且通过远程操作MySQL;
- 可以在电脑上刷微信朋友圈啦-微信 mac最新版
- 市场调查大赛全保姆教程(经验分享)
- python socketserver实现tcp post,get请求
- [导入]WAP常见问题问答大全---七、关于WAP浏览器的常见问答
- UVM-1.1学习(一)——uvm代码的分类
- Apollo 算法阅读之Public Road轨迹规划算法--路径规划(含源代码)
- ubuntu_linux命令TX2学习总结