約當標準形計算機

約當標準形計算機

約當標準形計算機可生成方陣 A 的約當標準形 J 以及滿足相似關係 P⁻¹AP = J 的可逆過渡矩陣 P。與對虧缺矩陣失效的對角化不同，代數閉域上的每個方陣都存在約當標準形 —— 它將對角線表示替換為一系列約當塊，每個塊都是一個準對角矩陣，其對角線上為特徵值，超對角線上為 1。此工具全程使用精確的有理算術進行計算，因此得到的 J 和 P 是可證明的正確 —— 不涉及浮點數捨入。

什麼是約當標準形？

給定複數域上的一個 n × n 矩陣 A，約當標準形 J 是一個塊對角矩陣

其中每個約當塊 J_k(λ) 是一個 k × k 矩陣，對角線上為 λ，超對角線上為 1，其餘位置為零：

特徵值 λ_i 在不同區塊中可能重複；關鍵在於區塊大小的模式，這是 A 的完全相似不變量。

既然有了對角化，為什麼還需要約當標準形？

並非所有的方陣都可以對角化。當某個特徵值的獨立特徵向量數量少於其代數重度時，矩陣就無法對角化 —— 我們稱該矩陣為虧缺矩陣。約當標準形通過引入廣義特徵向量來彌補這一差距，為每個矩陣提供了一種標準形式。

核心概念

代數重度 vs 幾何重度

特徵值 λ 的代數重度是 λ 作為特徵多項式 p_A(λ) = det(λI − A) 根的重度。幾何重度是特徵空間的維度，等價於 dim ker(A − λI)。與 λ 相關聯的約當塊數量等於其幾何重度，而這些區塊的總大小等於其代數重度。

廣義特徵向量與鏈

如果 (A − λI)^kv = 0 且 (A − λI)^k−1v ≠ 0，則向量 v 是特徵值 λ 的 k 階廣義特徵向量。將 N = (A − λI) 作用於 k 階廣義特徵向量會產生一個 k−1 階向量，依此類推得到約當鏈：

按 v₁, v₂, …, v_k 的順序將鏈作為 P 的列，會在 J 的相應行/列中產生一個大小為 k 的約當塊。

零度階梯與區塊計數

對於每個特徵值 λ，定義升序序列 d_k = dim ker((A − λI)^k)。該序列是非遞減的，並穩定在 λ 的代數重度處。每個大小的約當塊計數可從此階梯中提取：

這是一種楊氏矩陣計數，且是精確的 —— 無需猜測。計算機為每個特徵值打印此階梯，以便您逐步跟蹤分解過程。

最小多項式

最小多項式 m_A(λ) 是滿足 m_A(A) = 0 的最低次首一多項式。一旦有了約當標準形，讀取它就非常簡單：

當且僅當矩陣的最小多項式沒有重根（即每個約當塊的大小均為 1）時，矩陣可對角化。

此計算機的工作原理

1. 解析矩陣 — 接受整數、分數（如 1/2）或小數輸入，並將其轉換為精確的有理數（fractions.Fraction）。
2. 計算特徵多項式 — 使用 Faddeev–LeVerrier 演算法，該演算法避免了符號行列式展開，並在精確算術下以 O(n⁴) 時間運行。
3. 尋找有理特徵值 — 透過有理根定理尋找；本原整數多項式的每個有理根 p/q 都滿足 p ∣ 常數項且 q ∣ 首項係數。找到的每個根都會被除掉，然後重複搜尋。
4. 構建零度階梯 — 透過計算帶有理 RREF 的 dim ker((A − λI)^k)，直到序列在代數重度處穩定。
5. 選擇鏈頂向量 — 從最大核降序到最小核，每當需要新的約當塊時擴展基。然後將每個鏈頂向量重複乘以 (A − λI) 以獲取其鏈向量。
6. 組裝 J 和 P — 按特徵值對鏈進行分組（最大尺寸的塊優先），將鏈向量置於 P 的列中，並在 J 中填充特徵值和超對角線上的 1。
7. 驗證 — 使用整數算術精確驗證 P⁻¹ A P = J；由於所有中間計算均為有理數，因此結果是有保證的。

計算示例

考慮虧缺 3 × 3 矩陣

• 特徵多項式：\(p_A(\lambda) = (\lambda - 5)^3\)。單一特徵值 λ = 5，代數重度為 3。
• λ = 5 的零度階梯：\(d_1 = 1\)，\(d_2 = 2\)，\(d_3 = 3\)。增量為 1, 1, 1 → 單一的大小為 3 的約當塊。
• 約當形：\(J = \begin{bmatrix} 5 & 1 & 0 \\ 0 & 5 & 1 \\ 0 & 0 & 5 \end{bmatrix}\)，幾何重度為 1，指標為 3。
• 最小多項式：\(m_A(\lambda) = (\lambda - 5)^3\) —— 與特徵多項式相同，因為只有一個約當塊。

約當標準形的應用

• 矩陣指數與線性常微分方程 (ODE) — 對於常係數系統 x′ = Ax，閉式解為 \(e^{tA}x_0\)，一旦 A 寫成約當形，\(e^{tA}\) 的計算就非常直接。
• 矩陣的冪 — \(A^k = P J^k P^{-1}\)，約當塊的冪有明確的顯式公式。
• 函數演算法 (Functional calculus) — 只要 f 在譜的鄰域上有定義，\(f(A) = P f(J) P^{-1}\) 可推廣到任意解析函數 f。
• 控制理論 — 線性系統的穩定性由特徵值以及約當塊大小決定（臨界情況需要查看臨界特徵值的最大區塊）。
• 線性算子的分類 — 兩個矩陣相似若且唯若它們共享相同的約當形，因此該形式是一個完全不變量。

常見問題解答

什麼是矩陣的約當標準形？

約當標準形（也稱為約當典型形）是一個與原始矩陣 A 相似的準對角矩陣 J，這意味著存在一個可逆矩陣 P 使得 P⁻¹AP = J。J 的對角線包含 A 的特徵值，而在對角線上方，每當 A 不可對角化時，約當塊內部會出現 1。每個複數域上的方陣都有約當標準形，且在忽略區塊排列順序的情況下是唯一的。

矩陣在什麼時候不可對角化？

當至少一個特徵值的線性獨立特徵向量數量少於其代數重度時，矩陣不可對角化 —— 這個缺口由大小為 2 或更大的約當塊填補。等價地，當矩陣的最小多項式具有重根時，該矩陣不可對角化。這類矩陣被稱為虧缺矩陣。

廣義特徵向量是如何定義的？

特徵值 λ 的 k 階廣義特徵向量是一個非零向量 v，使得 (A − λI)^kv = 0 但 (A − λI)^k−1v 是非零的。將 (A − λI) 作用於 k 階廣義特徵向量會得到一個 k−1 階向量，從而產生一個鏈。這些鏈構成了約當分解中過渡矩陣 P 的列。

代數重度和幾何重度有什麼區別？

特徵值 λ 的代數重度是它作為特徵多項式根的出現次數。幾何重度是其特徵空間的維度 —— 即線性獨立特徵向量的數量。幾何重度等於 λ 的約當塊數量，而代數重度等於所有這些區塊的總大小。重度相等意味著該特徵值僅貢獻大小為 1 的區塊。

此計算機如何找到約當塊的大小？

對於每個特徵值 λ，計算機計算維度 d_k = dim ker((A − λI)^k) 對於 k = 1, 2, … 直到序列在代數重度處穩定。大小至少為 k 的約當塊數量等於 d_k − d_k−1。減去連續項即可得出每個大小區塊的精確計數。這種楊氏矩陣計演算法是精確的，並且全程使用有理算術。

計算機可以處理具有無理數或複數特徵值的矩陣嗎？

此計算機使用精確的有理算術，這要求特徵值為有理數。當特徵多項式具有無法在有理數域上分解的因子時，工具會顯示剩餘因子的數值近似複數特徵值，但不會生成完整的約當形，因為精確算術對於正確確定區塊大小至關重要。請縮放或修改您的矩陣，使所有特徵值均為有理數，以獲得完整的約當分解。

什麼是最小多項式，它是如何在計算機中計算的？

最小多項式 m(λ) 是使 A 湮滅（即 m(A) = 0）的最低次首一多項式。它等於不同特徵值 λ 之積 (λ − λ_i)^index_i，其中 index 是特徵值 λ_i 的最大約當塊大小。此計算機直接從計算出的區塊結構中讀取指標，因此最小多項式是約當分解的副產品。

進階閱讀

• 約當標準形 — 維基百科
• 廣義特徵向量 — 維基百科
• 最小多項式 — 維基百科
• Faddeev–LeVerrier 演算法 — 維基百科