矩阵求逆引理(Sherman-Morrison-Woodbury公式)详解

1. 前言

在电力系统分析、控制理论、数值计算中,我们经常会遇到形如 ( I + A B ) − 1 (I+AB)^{-1} (I+AB)−1或 A ( I + B A ) − 1 A(I+BA)^{-1} A(I+BA)−1的矩阵运算,尤其是在节点阻抗矩阵推导、系统等效建模、状态估计等场景中。矩阵求逆引理(Sherman-Morrison-Woodbury公式,简称SMW公式)是解决这类问题的核心工具,它可以将高维矩阵求逆转化为低维矩阵求逆,大幅降低计算复杂度,同时也为电力系统中等效阻抗的推导提供了理论支撑。

本文将从基础定义、核心恒等式、详细推导、电力系统应用实例、数值实现等方面,带你彻底掌握矩阵求逆引理。

2. 矩阵求逆引理的核心形式

2.1 通用形式(Sherman-Morrison-Woodbury公式)

设 A ∈ R n × n A \in \mathbb{R}^{n \times n} A∈Rn×n, U ∈ R n × k U \in \mathbb{R}^{n \times k} U∈Rn×k, C ∈ R k × k C \in \mathbb{R}^{k \times k} C∈Rk×k, V ∈ R k × n V \in \mathbb{R}^{k \times n} V∈Rk×n,且 A A A和 C − 1 + V A − 1 U C^{-1}+VA^{-1}U C−1+VA−1U均可逆,则:

( A + U C V ) − 1 = A − 1 − A − 1 U ( C − 1 + V A − 1 U ) − 1 V A − 1 (A+UCV)^{-1}=A^{-1}-A^{-1}U(C^{-1}+VA^{-1}U)^{-1}VA^{-1} (A+UCV)−1=A−1−A−1U(C−1+VA−1U)−1VA−1

这是最通用的形式,适用于任意矩阵维度的情况。

2.2 常用特例:单位矩阵形式

在电力系统和控制理论中,最常用的是 A = I A=I A=I(单位矩阵)的情况,此时公式简化为:

( I + U C V ) − 1 = I − U ( C − 1 + V U ) − 1 V (I+UCV)^{-1}=I-U(C^{-1}+VU)^{-1}V (I+UCV)−1=I−U(C−1+VU)−1V

进一步,当 C = I C=I C=I时,得到Sherman-Morrison-Woodbury公式的简化形式:

( I + U V ) − 1 = I − U ( I + V U ) − 1 V (I+UV)^{-1}=I-U(I+VU)^{-1}V (I+UV)−1=I−U(I+VU)−1V

其中 U ∈ R n × m U \in \mathbb{R}^{n \times m} U∈Rn×m, V ∈ R m × n V \in \mathbb{R}^{m \times n} V∈Rm×n。

此外,还有一个与矩阵求逆引理密切相关的矩阵恒等式 (常称为push-through恒等式):

( I + A B ) − 1 A = A ( I + B A ) − 1 (I+AB)^{-1}A=A(I+BA)^{-1} (I+AB)−1A=A(I+BA)−1

其中 A ∈ R n × m A \in \mathbb{R}^{n \times m} A∈Rn×m, B ∈ R m × n B \in \mathbb{R}^{m \times n} B∈Rm×n,且 I + A B I+AB I+AB和 I + B A I+BA I+BA均可逆。下面我们给出该恒等式从SMW公式出发的详细推导。

从SMW公式到push-through恒等式的推导

已知SMW简化形式(取 C = I C=I C=I):

( I + U V ) − 1 = I − U ( I + V U ) − 1 V (I+UV)^{-1}=I-U(I+VU)^{-1}V (I+UV)−1=I−U(I+VU)−1V

设 U = A , V = B U=A,\ V=B U=A, V=B,代入得:

( I + A B ) − 1 = I − A ( I + B A ) − 1 B (I+AB)^{-1}=I-A(I+BA)^{-1}B (I+AB)−1=I−A(I+BA)−1B

将等式两边同时右乘矩阵 A A A :

( I + A B ) − 1 A = I − A ( I + B A ) − 1 B A (I+AB)^{-1}A=\bigI-A(I+BA)\^{-1}B\\bigA (I+AB)−1A=I−A(I+BA)−1BA

右侧展开:

( I + A B ) − 1 A = I A − A ( I + B A ) − 1 B A (I+AB)^{-1}A=IA-A(I+BA)^{-1}BA (I+AB)−1A=IA−A(I+BA)−1BA

利用单位矩阵性质 I A = A IA=A IA=A,整理得:

( I + A B ) − 1 A = A − A ( I + B A ) − 1 B A (I+AB)^{-1}A=A-A(I+BA)^{-1}BA (I+AB)−1A=A−A(I+BA)−1BA

提取公因子 A A A:

( I + A B ) − 1 A = A I − ( I + B A ) − 1 B A (I+AB)^{-1}A=A\BigI-(I+BA)\^{-1}BA\\Big (I+AB)−1A=AI−(I+BA)−1BA

对括号内做恒等变形,凑出 ( I + B A ) − 1 (I+BA)^{-1} (I+BA)−1:

I − ( I + B A ) − 1 B A = ( I + B A ) − 1 ( I + B A ) − ( I + B A ) − 1 B A = ( I + B A ) − 1 ( I + B A − B A ) = ( I + B A ) − 1 I = ( I + B A ) − 1 \begin{aligned} I-(I+BA)^{-1}BA &=(I+BA)^{-1}(I+BA)-(I+BA)^{-1}BA \\ &=(I+BA)^{-1}\big(I+BA-BA\big) \\ &=(I+BA)^{-1}I \\ &=(I+BA)^{-1} \end{aligned} I−(I+BA)−1BA=(I+BA)−1(I+BA)−(I+BA)−1BA=(I+BA)−1(I+BA−BA)=(I+BA)−1I=(I+BA)−1

代回上式,最终得到:

( I + A B ) − 1 A = A ( I + B A ) − 1 \boldsymbol{(I+AB)^{-1}A=A(I+BA)^{-1}} (I+AB)−1A=A(I+BA)−1

至此,由Sherman-Morrison-Woodbury公式推导出push-through恒等式。

3. 总结

矩阵求逆引理(Sherman-Morrison-Woodbury公式)是电力系统分析、控制理论和数值计算中的重要工具,它的核心价值在于:

  • 实现了 ( I + A B ) − 1 A (I+AB)^{-1}A (I+AB)−1A与 A ( I + B A ) − 1 A(I+BA)^{-1} A(I+BA)−1的等价转换;
  • 大幅降低高维矩阵求逆的计算复杂度,尤其是设备数远小于网络节点数的场景;
  • 为电力系统中等效阻抗推导、控制器设计提供了简洁的理论支撑。
相关推荐
苏打豆3 小时前
CRISP源码阅读——基于ROS2力矩反馈控制器与速度加速度零空间
c++·线性代数·算法·矩阵·机器人
梦帮科技8 小时前
LoRA / QLoRA 低秩矩阵流形更新:SVD 分解、秩与缩放因子 α 的物理意义与梯度稳定性保障
网络·深度学习·神经网络·线性代数·矩阵·架构·数据挖掘
苏打豆1 天前
Pinocchio源码阅读——刚体运动物理量空间变换及求导
c++·线性代数·算法·矩阵·机器人
梦帮科技1 天前
量子张量网络破局大模型:从矩阵乘积态 (MPS) 到张量列 (TT-SVD) 低秩收缩全推导
网络·数据结构·数据库·线性代数·矩阵·架构·模拟退火算法
xailorliu1 天前
矩阵定性-正定负定不定半正定半负定
c++·opencv·线性代数·计算机视觉·矩阵
代数狂人2 天前
机器学习数学基础──第 4 章 矩阵:数据的仓库与批量计算的引擎
人工智能·机器学习·矩阵
梦帮科技2 天前
领域认知知识库图谱注入:从双式记账图网络到高质量问答对自动化合成流水线
运维·网络·数据库·人工智能·矩阵·架构·自动化
wzdark2 天前
矩阵快速幂算法在图路径计算中的应用4
线性代数·算法·矩阵
轻口味2 天前
HarmonyOS 7 新特性5:平行视界——轻视界文集的两栏阅读与窗口状态边界矩阵真机实测
华为·矩阵·harmonyos·鸿蒙·平行视界
麦豆GEO3 天前
GEO信源布局策略:看懂大模型信源偏好,搭建动态可迭代的全域信源矩阵
大数据·人工智能·矩阵