线性代数 - 齐次线性方程组的样子

线性代数 - 齐次线性方程组的样子

flyfish

齐次线性方程组是"等号右边全为0",两种表达,矩阵形式+代数形式

1. 代数形式

{a11x1+a12x2+⋯+a1nxn=0a21x1+a22x2+⋯+a2nxn=0⋮am1x1+am2x2+⋯+amnxn=0 \begin{cases} a_{11}x_1 + a_{12}x_2 + \dots + a_{1n}x_n = 0 \\ a_{21}x_1 + a_{22}x_2 + \dots + a_{2n}x_n = 0 \\ \vdots \\ a_{m1}x_1 + a_{m2}x_2 + \dots + a_{mn}x_n = 0 \end{cases} ⎩ ⎨ ⎧a11x1+a12x2+⋯+a1nxn=0a21x1+a22x2+⋯+a2nxn=0⋮am1x1+am2x2+⋯+amnxn=0

每个方程左边是未知数 x1,x2,...,xnx_1, x_2, ..., x_nx1,x2,...,xn 的线性组合(无平方、乘积项);

每个方程右边固定为0(这是"齐次"的关键,非齐次方程组右边是非零常数)。

齐次线性方程组的关键是所有方程等号右边必须为0 。若左边减去一个非零常数(比如把 a11x1+a12x2=0a_{11}x_1 + a_{12}x_2 = 0a11x1+a12x2=0 改成 a11x1+a12x2−5=0a_{11}x_1 + a_{12}x_2 - 5 = 0a11x1+a12x2−5=0),等价于等号右边变成该常数(即 a11x1+a12x2=5a_{11}x_1 + a_{12}x_2 = 5a11x1+a12x2=5),不再是0,就失去了"齐次性",属于非齐次线性方程组。

只有减去的常数是0时,才仍是齐次线性方程组(相当于没变化)。

必然存在解:零向量(所有未知数都取 0)一定是它的解(即 "零解")。

简单说满足 "线性 + 右边全为 0" 的方程组,就是齐次线性方程组。

2. 矩阵形式

Ax=0 A\mathbf{x} = \mathbf{0} Ax=0
AAA:m×nm \times nm×n 矩阵(mmm 个方程,nnn 个未知数),即系数矩阵:
A=a11a12...a1na21a22...a2n⋮⋮⋱⋮am1am2...amn A = \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mn} \end{bmatrix} A= a11a21⋮am1a12a22⋮am2......⋱...a1na2n⋮amn
x\mathbf{x}x:nnn 维列向量(未知数向量):x=x1x2⋮xn\mathbf{x} = \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix}x= x1x2⋮xn
0\mathbf{0}0:mmm 维零向量(等号右边全为0):0=00⋮0\mathbf{0} = \begin{bmatrix} 0 \\ 0 \\ \vdots \\ 0 \end{bmatrix}0= 00⋮0

齐次线性方程组的解只有 两种可能 :要么仅1个解(零解),要么 无穷多个解 (含零解+无数非零解),不存在"只有2个、3个或有限多个解"的情况。

只有1个解(零解):{x+y=0x−y=0\begin{cases} x + y = 0 \\ x - y = 0 \end{cases}{x+y=0x−y=0,唯一解 (0,0)(0,0)(0,0);

无穷多解:{x+y=02x+2y=0\begin{cases} x + y = 0 \\ 2x + 2y = 0 \end{cases}{x+y=02x+2y=0,解为 (t,−t)(t, -t)(t,−t)(ttt 是任意常数),t取1、2、3、0.1、-5等无数值,对应无数个解。

类型1:唯一解(仅零解)

方程组只有 零向量这一个解 (所有未知数都取0),无任何非零解。

系数矩阵的秩 = 未知数个数(n阶矩阵需满足 det⁡(A)≠0\det(A) \neq 0det(A)=0,即满秩)。

例子(二元):
{x+3y=02x+5y=0 \begin{cases} x + 3y = 0 \\ 2x + 5y = 0 \end{cases} {x+3y=02x+5y=0

求解:由第一个方程得 x=−3yx = -3yx=−3y,代入第二个方程得 −6y+5y=−y=0  ⟹  y=0-6y + 5y = -y = 0 \implies y = 0−6y+5y=−y=0⟹y=0,故 x=0x = 0x=0,唯一解为 00\begin{bmatrix} 0 \\ 0 \end{bmatrix}00。

类型2:无穷多解(含零解+非零解)

除零解外,还存在 无数个非零解 (非零解可通过线性组合生成),解的总数无穷。

系数矩阵的秩 < 未知数个数(n阶矩阵需满足 det⁡(A)=0\det(A) = 0det(A)=0,即降秩)。

例子(三元):
{x+y−z=02x+2y−2z=03x+3y−3z=0 \begin{cases} x + y - z = 0 \\ 2x + 2y - 2z = 0 \\ 3x + 3y - 3z = 0 \end{cases} ⎩ ⎨ ⎧x+y−z=02x+2y−2z=03x+3y−3z=0

求解:三个方程等价于 x+y=zx + y = zx+y=z,无穷多解。

相关推荐
涉密IT资质笔记3 小时前
2026 涉密资质三类硬性条件对照:军工 / 集成 / 印制参数矩阵与易错点
服务器·线性代数·矩阵·创业创新
BSD_HY3 小时前
薄膜开关矩阵按键的GPIO扩展芯片选型与中断响应延迟
单片机·线性代数·矩阵
数智工坊4 小时前
视觉SLAM第11讲|回环检测:词袋模型、字典构建与相似度计算全解析
人工智能·深度学习·线性代数
数智工坊5 小时前
视觉SLAM第4讲|李群与李代数:位姿优化的数学基石
人工智能·深度学习·线性代数·cnn
数智工坊6 小时前
视觉SLAM第10讲|后端优化(下):位姿图优化、滑动窗口与图优化工程实践
人工智能·深度学习·线性代数·矩阵
数智工坊6 小时前
视觉SLAM第13讲|工程落地:双目视觉里程计系统架构设计与性能优化
人工智能·深度学习·线性代数·性能优化·矩阵·系统架构·机器人
李日华大战鸡红17 小时前
FOC状态空间方程模型推导(学习记录)
python·学习·线性代数
for_ever_love__3 天前
线性代数入门——向量、矩阵与点积,Transformer 的运算本质
线性代数·矩阵·transformer
打工仔折腾 AI3 天前
从零写一个CAD 05:以鼠标为中心的滚轮缩放矩阵顺序不能反
后端·python·线性代数·性能优化·矩阵·计算机外设·ai agent 实战
黑妹天下第一乖4 天前
第 04 讲:阿加犀 AIMO 模型优化平台与 Model Farm 模型广场实战
人工智能·嵌入式硬件·矩阵·架构·iot