线性方程组、齐次与非齐次的基本概念(线性代数基础)

线性方程组、齐次与非齐次的基本概念(线性代数基础)

线性方程

一个线性方程是指其变量的每项都是线性的,即每个变量的最高次方为1。一般形式如下:
a 1 x 1 + a 2 x 2 + ⋯ + a n x n = b a_1x_1+a_2x_2+⋯+a_nx_n=b a1x1+a2x2+⋯+anxn=b

其中:

  • a 1 , a 2 , ... , a n a_1,a_2,...,a_n a1,a2,...,an 是常数系数
  • x 1 , x 2 , ... , x n x1,x2,...,xn x1,x2,...,xn 是未知数
  • b b b 是常数项(自由项)

线性方程组

当多个线性方程共同求解时,称为一个线性方程组。一般形式如下:
{ a 11 x 1 + a 12 x 2 + ⋯ + a 1 n x n = b 1 a 21 x 1 + a 22 x 2 + ⋯ + a 2 n x n = b 2 ⋮ a m 1 x 1 + a m 2 x 2 + ⋯ + a m n x n = b m \left\{\begin{array}{l} a_{11} x_{1}+a_{12} x_{2}+\cdots+a_{1 n} x_{n}=b_{1} \\ a_{21} x_{1}+a_{22} x_{2}+\cdots+a_{2 n} x_{n}=b_{2} \\ \vdots \\ a_{m 1} x_{1}+a_{m 2} x_{2}+\cdots+a_{m n} x_{n}=b_{m} \end{array}\right. ⎩ ⎨ ⎧a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮am1x1+am2x2+⋯+amnxn=bm

其中:

  • 每个方程的形式与上面的线性方程相同
  • 系数 a i j a_{ij} aij 代表第 i i i 个方程中第 j j j 个未知数的系数
  • b i b_i bi 是第 i i i 个方程的常数项
  • m m m 是方程的数量, n n n 是未知数的数量

线性方程组解的类型

  • 唯一解:只有一个解。
  • 无解:没有解,方程组不相容。
  • 无穷多解 :有无穷多个解,通常发生在齐次方程组或当方程组的系数矩阵 A A A 的秩 r ( A ) r(A) r(A) 小于未知数的总数 n n n 时。

齐次 (Homogeneous)与非齐次(Non-Homogeneous)

英文单词 Homogeneous 的含义是"同质的"。在数学中,齐次(Homogenous)往往代表一个数学概念/表达式,在具有某方面++同质或对称特性++。

在多项式领域,一个齐次多项式是指每一项的所有变量的指数之和相同。

例如二元齐次多项式(两个变量的齐次多项式):
P ( x , y ) = a x 3 + b x y 2 + c y 3 P(x,y)=ax^3 +bxy^2 +cy^3 P(x,y)=ax3+bxy2+cy3

其中每一项的变量指数之和都等于 3。

而非齐次(Non-Homogeneous)则是一个数学概念/表达式不具有++同质或对称特性++。


齐次的线性方程组

对于方程组来说,齐次线性方程组的定义是所有常数项都为零,可以写作
{ a 11 x 1 + a 12 x 2 + ⋯ + a 1 n x n = 0 a 21 x 1 + a 22 x 2 + ⋯ + a 2 n x n = 0 ⋮ a m 1 x 1 + a m 2 x 2 + ⋯ + a m n x n = 0 \left\{\begin{array}{l} a_{11} x_{1}+a_{12} x_{2}+\cdots+a_{1 n} x_{n}=0 \\ a_{21} x_{1}+a_{22} x_{2}+\cdots+a_{2 n} x_{n}=0 \\ \vdots \\ a_{m 1} x_{1}+a_{m 2} x_{2}+\cdots+a_{m n} x_{n}=0 \end{array}\right. ⎩ ⎨ ⎧a11x1+a12x2+⋯+a1nxn=0a21x1+a22x2+⋯+a2nxn=0⋮am1x1+am2x2+⋯+amnxn=0

或简洁的矩阵表达为
A x = 0 Ax=0 Ax=0

  • 这种形式表明,每个方程的右边都是零,这就意味着方程组具有一种"齐次性",方程组的解 x x x 具有特殊的比例特性,即

对于任何标量 λ \lambda λ , λ x \lambda x λx 也是方程组的解:
A ( λ x ) = λ ( A x ) = λ 0 ⃗ = 0 ⃗ A(\lambda x)=\lambda(Ax)=\lambda\vec{0}=\vec{0} A(λx)=λ(Ax)=λ0 =0


非齐次的线性方程组

相对地,当线性方程组包含非零的常数项时,它们被称为非齐次方程组:
{ a 11 x 1 + a 12 x 2 + ⋯ + a 1 n x n = b 1 a 21 x 1 + a 22 x 2 + ⋯ + a 2 n x n = b 2 ⋮ a m 1 x 1 + a m 2 x 2 + ⋯ + a m n x n = b m \left\{\begin{array}{l} a_{11} x_{1}+a_{12} x_{2}+\cdots+a_{1 n} x_{n}=b_{1} \\ a_{21} x_{1}+a_{22} x_{2}+\cdots+a_{2 n} x_{n}=b_{2} \\ \vdots \\ a_{m 1} x_{1}+a_{m 2} x_{2}+\cdots+a_{m n} x_{n}=b_{m} \end{array}\right. ⎩ ⎨ ⎧a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮am1x1+am2x2+⋯+amnxn=bm

或简洁的矩阵表达为
A x = b Ax=b Ax=b

在这种情况下,方程组右边的常数向量不为零,这破坏了齐次性。这意味着方程组的解不再具有简单的比例性质,解向量 x x x 不再能够简单地通过比例缩放来获得其他解。

相关推荐
leobertlan2 小时前
痛苦系列 | DSP-04 截断时空的“窗”:FIR 滤波器设计与线性相位
算法
秋天的怀念_David3 小时前
算法一千零一夜 · 第三十五夜 · 恢复风暴
java·程序人生·算法
泯泷5 小时前
别再“裸聊”大模型了!你家的 AI 为什么总胡说八道?根子在 RAG
人工智能·算法·架构
硅谷秋水5 小时前
面向精确到达任务的机器人-对齐3D高斯溅射方法——基于腕部-相机VLA策略
数码相机·机器学习·计算机视觉·3d·机器人
fly_sunnn6 小时前
机械狗的前置学习(python与Linux基础操作)
学习
2601_967980116 小时前
Python中heapq模块的各种用法实例
数据结构·python·算法·应用实例·heapq模块
龙腾AI白云6 小时前
数字孪生与计算机视觉:让机器看懂现场
大数据·数据库·机器学习·知识图谱·pygame
漂流瓶jz7 小时前
UVA-1615 高速公路 题解答案代码 算法竞赛入门经典第二版
数据结构·算法·贪心算法·贪心·aoapc·算法竞赛入门经典·uva
Rabitebla8 小时前
【Linux】文件篇(六):Shell 实战——从系统调用到命令行重定向
linux·服务器·c++·笔记·学习