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
聚客AI15 小时前
🙋‍♀️Transformer训练与推理全流程:从输入处理到输出生成
人工智能·算法·llm
大怪v17 小时前
前端:人工智能?我也会啊!来个花活,😎😎😎“自动驾驶”整起!
前端·javascript·算法
惯导马工19 小时前
【论文导读】ORB-SLAM3:An Accurate Open-Source Library for Visual, Visual-Inertial and
深度学习·算法
骑自行车的码农21 小时前
【React用到的一些算法】游标和栈
算法·react.js
博笙困了21 小时前
AcWing学习——双指针算法
c++·算法
moonlifesudo21 小时前
322:零钱兑换(三种方法)
算法
NAGNIP2 天前
大模型框架性能优化策略:延迟、吞吐量与成本权衡
算法
美团技术团队2 天前
LongCat-Flash:如何使用 SGLang 部署美团 Agentic 模型
人工智能·算法
AI小云2 天前
【机器学习与实战】回归分析与预测:线性回归-03-损失函数与梯度下降
机器学习
Fanxt_Ja2 天前
【LeetCode】算法详解#15 ---环形链表II
数据结构·算法·leetcode·链表