约当标准形计算器

计算方阵的约当标准形 J，以及满足 P^(-1)AP = J 的过渡矩阵 P。支持通过广义特征向量处理亏缺（不可对角化）矩阵，包含逐步的核链分析和直观的约当块图表。

约当标准形计算器

约当标准形计算器可以求出方阵 A 的约当标准形 J，以及满足相似关系 P⁻¹AP = J 的可逆过渡矩阵 P。对于亏损矩阵，传统的对角化方法会失效，但约当标准形在代数封闭域上的任何方阵中都存在 —— 它将对角表示替换为一系列约当块的组合，每个块是一个准对角矩阵，其对角线上是特征值，上对角线上是 1。本工具使用精确的有理算术进行所有计算，因此生成的 J 和 P 在数学上是完全正确的，不涉及浮点舍入误差。

什么是约当标准形？

给定复数域上的 n × n 矩阵 A，约当标准形 J 是一个分块对角矩阵：

J = diag( J_k₁(λ₁), J_k₂(λ₂), …, J_kₛ(λₛ) )

其中每个约当块 J_k(λ) 是一个 k × k 矩阵，对角线上为 λ，上对角线上为 1，其余位置为零：

$$J_k(\lambda) = \begin{bmatrix} \lambda & 1 & 0 & \cdots & 0 \\ 0 & \lambda & 1 & \cdots & 0 \\ 0 & 0 & \lambda & \cdots & 0 \\ \vdots & \vdots & \vdots & \ddots & 1 \\ 0 & 0 & 0 & \cdots & \lambda \end{bmatrix}$$

特征值 λ_i 在不同块中可能会重复；重要的是块大小的模式，它是 A 的完全相似不变量。

既然有了对角化，为什么还需要约当标准形？

并非所有方阵都可以对角化。当某些特征值的独立特征向量数量少于其代数重数时，矩阵无法对角化 —— 我们称这种矩阵为亏损矩阵。约当标准形通过引入广义特征向量弥补了这一差距，从而为每个矩阵提供了一个标准的典型形式。

情况	特征值表现	典型形式
n 个互异特征值	每个 λ 的代数重数 = 几何重数 = 1	完全对角形（无需特征链）
有重特征值，代数重数 = 几何重数	λ 的特征向量与其重数一样多	对角形 —— 所有约当块的大小均为 1
有重特征值，代数重数 > 几何重数	λ 是亏损的	包含阶数 ≥ 2 的约当块的约当形

核心概念

代数重数 vs 几何重数

特征值 λ 的代数重数是 λ 作为特征多项式 p_A(λ) = det(λI − A) 的根的重数。几何重数是特征空间的维数，等价于 dim ker(A − λI)。与 λ 相关的约当块数量等于其几何重数，而这些块的总大小等于其代数重数。

广义特征向量与约当链

如果 (A − λI)^kv = 0 但 (A − λI)^k−1v ≠ 0，则向量 v 是特征值 λ 的 k 阶广义特征向量。将 N = (A − λI) 应用于 k 阶广义特征向量会产生一个 k−1 阶向量，依此类推，我们得到一条约当链：

v_k → v_k−1 = Nv_k → v_k−2 = N²v_k → ⋯ → v₁ = N^k−1v_k (普通特征向量)

按 v₁, v₂, …, v_k 的顺序将链作为 P 的列，会在 J 的相应行/列中产生一个 k 阶约当块。

核阶梯 (Kernel Ladder) 与块计数

对于每个特征值 λ，定义升序序列 d_k = dim ker((A − λI)^k)。该序列是非递减的，并稳定在 λ 的代数重数处。每个大小的约当块数量可以从这个阶梯中提取：

大小 ≥ k 的块数 = d_k − d_k−1 大小 = k 的块数 = 2·d_k − d_k−1 − d_k+1

这是一种 Young 图计数 且是精确的 —— 无需猜测。计算器会打印每个特征值的阶梯，以便您可以逐步跟踪分解过程。

最小多项式

最小多项式 m_A(λ) 是满足 m_A(A) = 0 的最低次数首一多项式。一旦求得约当形，读取它就变得非常简单：

m_A(λ) = ∏_i (λ − λ_i)^r_i, 其中 r_i 是 λ_i 的指标（其最大约当块的大小）

当且仅当矩阵的最小多项式没有重根（即每个约当块的大小均为 1）时，该矩阵是可对角化的。

此计算器的工作原理

解析矩阵 — 接受整数、分数（如 1/2）或小数条目，并将其转换为精确的有理数（使用 fractions.Fraction）。
计算特征多项式 — 使用 Faddeev–LeVerrier 算法，该算法避免了符号行列式展开，并在精确算术下以 O(n⁴) 时间运行。
寻找有理特征值 — 通过有理根定理寻找根。每个找到的根都会被除掉，然后重复搜索。
构建核阶梯 — 通过使用有理 RREF 计算 dim ker((A − λI)^k) 来为每个特征值 λ 构建核阶梯，直到序列稳定。
选择链顶向量 — 从最大的核空间向下搜索到最小的，每当需要新的约当块时就扩展基。然后每个链顶向量反复乘以 (A − λI) 以获得其链向量。
组装 J 和 P — 按特征值对链进行分组（最大尺寸的块优先），将链向量作为 P 的列，并在 J 中填入特征值和上对角线上的 1。
验证 — 使用整数算术精确验证 P⁻¹ A P = J —— 结果是有保证的，因为所有中间计算都是有理数。

计算示例

考虑如下 3 × 3 亏损矩阵：

$$A = \begin{bmatrix} 5 & 4 & 2 \\ 0 & 5 & -1 \\ 0 & 0 & 5 \end{bmatrix}$$

特征多项式：$p_A(\lambda) = (\lambda - 5)^3$。单一特征值 λ = 5，代数重数为 3。
λ = 5 的核阶梯：$d_1 = 1$，$d_2 = 2$，$d_3 = 3$。增量为 1, 1, 1 → 一个 3 阶约当块。
约当形：$J = \begin{bmatrix} 5 & 1 & 0 \\ 0 & 5 & 1 \\ 0 & 0 & 5 \end{bmatrix}$，几何重数为 1，指标为 3。
最小多项式：$m_A(\lambda) = (\lambda - 5)^3$ —— 与特征多项式相同，因为只有一个约当块。

约当标准形的应用

矩阵指数与线性常微分方程 (ODE) — 对于常系数系统 x′ = Ax，其闭式解为 $e^{tA}x_0$，一旦 A 写成约当形，$e^{tA}$ 的计算就变得非常简单。
矩阵的幂 — $A^k = P J^k P^{-1}$，约当块的幂有显式计算公式。
泛函演算 (Functional Calculus) — $f(A) = P f(J) P^{-1}$ 可以推广到任意解析函数 f。
控制理论 — 线性系统的稳定性由特征值和约当块的大小共同决定。
线性算子的分类 — 两个矩阵相似当且仅当它们具有相同的约当形，因此该形式是一个完全不变量。

常见问题

什么是矩阵的约当标准形？

约当标准形（也称为约当典型形）是一个与原始矩阵 A 相似的准对角矩阵 J，即存在可逆矩阵 P 使得 P⁻¹AP = J。J 的对角线包含 A 的特征值，对角线上方的 1 出现在约当块中。每个复数方阵都有约当标准形。

矩阵何时不可对角化？

当至少一个特征值的特征向量数量少于其代数重数时。这相当于最小多项式有重根。此类矩阵被称为亏损矩阵。

广义特征向量是如何定义的？

秩为 k 的广义特征向量 v 满足 (A − λI)^kv = 0 但 (A − λI)^k−1v ≠ 0。应用 (A − λI) 会产生一个秩低一级的向量，形成约当链。

代数重数和几何重数有什么区别？

代数重数是作为特征多项式根的次数。几何重数是特征空间的维数（即独立特征向量的数量）。几何重数等于约当块的数量。

此计算器如何找到约当块的大小？

它通过计算 (A − λI) 的各次幂的核维度序列来实现。大小至少为 k 的块数由维度的差值决定。这种计算是精确的。

计算器可以处理具有无理数或复特征值的矩阵吗？

本计算器使用精确的有理算术，因此要求特征值为有理数。如果特征多项式在有理数域上无法分解，它将显示数值近似值，但无法完成完整的约当分解。

什么是最小多项式，它是如何计算的？

最小多项式 m(λ) 是消去 A 的最低次数首一多项式。它由特征值及其最大约当块的大小（指标）决定。

延伸阅读

引用此内容、页面或工具为：

"约当标准形计算器" 于 https://MiniWebtool.com/zh-cn/约当标准形计算器/，来自 MiniWebtool，https://MiniWebtool.com/

由 miniwebtool 团队提供。更新时间：2026年4月23日

开发者 API 可用: 用一次 JSON HTTP 请求，把这个工具接入你的应用、自动化流程或智能体。查看 API 文档

您还可以尝试我们的 AI数学解题器 GPT，通过自然语言问答解决您的数学问题。

约当标准形计算器