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
小陈工17 小时前
Python Web开发入门(十八):跨域问题解决方案——从“为什么我的请求被拦了“到“我让浏览器乖乖听话“
开发语言·python·机器学习·架构·数据挖掘·回归·状态模式
AI科技星17 小时前
全维度相对论推导、光速螺旋时空与北斗 GEO 钟差的统一理论
开发语言·线性代数·算法·机器学习·数学建模
Chef_Chen17 小时前
Agent学习--LLM--推理熵
人工智能·学习·机器学习
ECT-OS-JiuHuaShan17 小时前
科学的本来意义,是基于规范的共识逻辑,而非共识方法
人工智能·科技·学习·算法·生活
木子墨51617 小时前
LeetCode 热题 100 精讲 | 动态规划进阶篇:最大子数组和 · 分割等和子集 · 最长公共子序列 · 打家劫舍 III
数据结构·c++·算法·leetcode·动态规划·力扣
知识分享小能手17 小时前
MongoDB入门学习教程,从入门到精通,MongoDB的了解应用程序的动态(18)
数据库·学习·mongodb
li16709027017 小时前
第十章:list
c语言·开发语言·数据结构·c++·算法·list·visual studio
kishu_iOS&AI17 小时前
机器学习 —— 线性回归(实例)
人工智能·python·机器学习·线性回归
Z1Jxxx17 小时前
C++ P1150 Peter 的烟
数据结构·c++·算法
CheerWWW17 小时前
C++学习笔记——函数指针、Lambda表达式、谨慎使用using namespace std、命名空间
c++·笔记·学习