w wyl123ly 的博客
MD

6-3-微分方程组与矩阵指数

118 KB 2026.10.11 原文件

6-3-微分方程组与矩阵指数

一句话概括

一阶线性常微分方程组

的解是特征向量方向的指数函数的线性组合:

把这个组合写成矩阵形式,就得到矩阵指数(matrix exponential)

特征值 的实部决定系统的命运:全为负则衰减到零,有一个为正则发散,全为纯虚数则永远振荡。

本篇覆盖:解的结构及其推导、初值定常数、对角化解法的完整例题、 稳定性分类、矩阵指数的定义与性质、、二阶方程化一阶(弹簧振子)、数值求解代码,以及与第 12 章的呼应。

一、定义

1.1 一阶线性常微分方程组

定义 6.3.1(一阶线性齐次方程组) 设 是 阶常数矩阵, 是未知向量函数。称

为一阶线性常系数齐次微分方程组。若给定初值条件 ,则称

为初值问题(initial value problem)。

符号约定

本库统一用 表示对时间的导数,也常写作 。 是标量, 是 维向量; 不依赖 (常系数是这个理论成立的关键前提)。

1.2 矩阵指数

定义 6.3.2(矩阵指数,matrix exponential) 设 是 阶方阵。定义

(下文将说明这个级数对任何 、任何 都绝对收敛,所以定义是合法的。)

1.3 稳定性

定义 6.3.3(稳定、渐近稳定) 对系统 ,称零解 是稳定的(stable),若初值的小扰动不会使解无限增大;称它是渐近稳定(asymptotically stable)的,若对任意初值 都有 ()。判别准则完全由 的特征值决定(见第四节)。


二、几何直观

2.1 一维情形:先建立直觉

先看 的标量方程 。它的解是 ,行为完全由 的符号决定:

  • : 指数衰减到 0(稳定);
  • : 指数增长(不稳定);
  • : 保持常数(中性)。

高维问题希望"化归"到这个一维情形,而特征向量正是干这件事的工具。

2.2 高维情形:沿特征方向看,每个方向都是一维问题

关键观察:若 是 的特征向量,,那么当初始向量恰好落在 方向上时,解永远出不了这条直线:

也就是说:特征方向是运动的不变方向。沿着特征方向, 维系统退化成一维标量方程,解是简单的指数函数。

几何图像(相图,phase portrait) 在 的 维空间( 时就是平面)中,把每个点 处画一个箭头指向 ,得到方向场;解曲线(轨道)处处与箭头相切。特征方向是轨道"笔直进出原点"的四个方向(正负两个朝向)。一般初值不在特征方向上,其轨道是这些直线运动的叠加,表现为弯曲的曲线。

2.3 叠加原理

方程 是线性齐次的:若 与 都是解,则任何常数组合 也是解。因为

所以:只要拿到 个"基本解",就能通过线性组合拼出全部解。这正是下节构造通解的依据。


三、解的结构与推导

3.1 定理与推导

定理 6.3.1(通解的结构)

设 是 阶方阵,且 有 个线性无关的特征向量 (对应特征值 ,允许重复)。则初值问题

有唯一解,且可写成

其中常数 由初值条件 唯一确定。

推导(为什么这么构造)

第一步:把解写成特征向量方向的组合。 由于 是 的一组基( 个线性无关的向量构成基,见 3-4-线性无关基与维数),任何时刻的 都能唯一地写成它们的线性组合。关键是:让组合系数随时间变化:

这就是"把解写成特征向量方向的组合"这一步 —— 把未知的向量函数换成 个未知的标量函数。

第二步:代入方程,利用特征关系。 两边对 求导( 是常向量):

右边:

第三步:比较系数。 因为 线性无关,表示法唯一,逐项比较即得

耦合的高维方程组被彻底解耦成 个独立的一维方程!

第四步:逐个求解。 每个一维方程的解是 。记 ,代回第一步:

第五步(为什么 是"基本解") 上面的推导说明每个 都是方程的解,而"解空间的维数是 "保证了任何解都是它们的组合。这是常微分方程的标准结论: 个线性无关的解构成基本解组(fundamental system of solutions)。

3.2 用初值条件确定常数 令 ,所有 ,于是

其中 ,。因为 可逆,解唯一:

计算上的提醒

实际动手时不必求出 的显式表达式,只需解一次线性方程组 即可得到 。这通常比求逆矩阵快得多。


四、性质与定理:稳定性分析

4.1 一般判据

定理 6.3.2(稳定性判据)

设 , 可对角化,特征值为 (可为复数)。

1. 若所有 :对任意初值 ,零解渐近稳定。

2. 若至少存在一个 :存在初值使 ,零解不稳定。

3. 若所有 ,且 的特征值都是单根:解有界(振荡或趋于常数),但不趋于零,中性稳定。

4. 若存在 且该特征值的代数重数 > 几何重数:解中出现 的多项式因子,无界,不稳定。

证明 由通解 。记 ,则

(因为 对一切实数 成立 —— 这是 Euler 公式 的直接推论,见 9-1-复数与复向量)。于是各项的模长是 :

  • 若所有 :每一项都衰减,有限个项之和也衰减,故 。
  • 若某个 且 :该项指数增长,故无界。取 (即 ,其余为 0)即可构造出这样的初值。
  • 若所有 且 者都是单根: 的项形如 ,模长恒为 ,不增不减; 的项衰减。故整体有界。
  • 情形 4 见第四节 4.3 的说明(不可对角化时出现幂零部分,导致 型项)。

适用条件 情形 1、2、3 要求 可对角化。若 不可对角化,结论需按 Jordan 形修正: 时 (指数衰减最终压过多项式增长),所以渐近稳定性仍只要求所有实部为负;但 的情形会从"有界"变成"多项式增长"。

4.2 情形的完整分类

对 实矩阵 ,记 ,。特征值满足

判别式 的符号决定特征值是实根还是复根。把 平面分成几块,就得到完整的分类表:

名称条件特征值轨道形状稳定性
稳定结点(stable node),,两个负实根所有轨道切向进入原点渐近稳定
不稳定结点(unstable node),,两个正实根所有轨道切向离开原点不稳定
鞍点(saddle point)一正一负沿一方向进入、另一方向离开不稳定
稳定焦点(stable spiral / focus),,,螺旋线卷入原点渐近稳定
不稳定焦点(unstable spiral),,,螺旋线卷出不稳定
中心(center),纯虚数 封闭椭圆轨道中性稳定(振荡)
退化 / 星形结点,,重实根直线或螺旋式进出取决于 符号
退化(零特征值)有一个 一条直线上的平衡点非孤立平衡点

对照表:只要 且 就一定渐近稳定; 或 就一定不稳定。

几何图像( 平面) 画一条抛物线 。抛物线上方()是焦点/中心区,下方()是结点区。 轴以下()是鞍点区。 的左半平面配上 是稳定区, 的右半平面配上 是不稳定区。原点 是唯一的分界点, 轴上的点()是中心。

验证示例(每个都可用本篇代码复核):

矩阵 特征值类型
稳定结点
不稳定结点
鞍点
稳定焦点
不稳定焦点
中心

4.3 不可对角化时的修正(了解即可)

若 不可对角化,例如 (),则

解里出现了因子 ,这是"特征向量不够"在连续情形留下的痕迹(对照 6-2-矩阵的对角化 例 6.2.4 中 出现的因子 )。注意:

  • 若 ,则 ,仍然渐近稳定(指数衰减最终压过多项式增长);
  • 若 ,则 因子使解无界,从"中性稳定"变成"不稳定"。

这解释了定理 6.3.2 中情形 3 为何要附加"单根"的条件。


五、矩阵指数:定义、性质与计算

5.1 定义与收敛性

为什么级数收敛? 对矩阵的任何范数(例如取 的某种相容范数,或谱范数),有 ,故

绝对收敛(因右边是收敛的标量级数),所以 对一切 、一切 都有定义。这也说明 的每一个元素都是 的整函数(可逐项求导)。

5.2 与解的关系

定理 6.3.3( 给出基本解矩阵)

是初值问题 、 的解。

证明 逐项求导(级数绝对收敛,可逐项求导):

注意 ( 与自己的幂可交换),把 提到求和号外并令 :

同理(把 提到右边也成立)。于是

初值:,故 ✓。

一句话总结

这就是线性常微分方程组的"通解公式",地位等同于标量情形的 。矩阵 把初值"搬运"到时刻 ,所以它也叫状态转移矩阵(state transition matrix)。

5.3 性质清单

定理 6.3.4(矩阵指数的基本性质)

设 是同阶方阵,。

1. 。

2. 可逆,且 。

3. 半群性质:。特别地, 与 总是可交换。

4. 求导:。

5. 若 与 可交换(),则 ;一般情形下不成立。

6. 相似变换:若 ,则 。

7. 行列式:。

8. 特征值: 的特征值是 ,其中 是 的特征值;相应地, 的特征向量与 的相同。

证明(挑最关键的几条)

性质 2(可逆性) 由性质 3 取 :,故 是 的逆。顺便得到一个重要结论: 永远可逆,无论 是否可逆、是否奇异。 (几何解释: 是"演化",演化过程可以反向追踪,故没有信息丢失。)

性质 3(半群性质) 这是最值得理解的一条。思路是"两边都是同一个初值问题的解"。

固定 ,考察矩阵函数 与 。两者都满足同一个矩阵微分方程 :

在 处两者取值相同:。由矩阵微分方程初值问题解的唯一性,,即 。

直接验证(用级数) 也可用 Cauchy 乘积(绝对收敛级数可以逐项相乘)来算:

这里用到 ,而这正是因为 与自己的幂总是可交换。 若把 换成 (),第二步就变成 ,无法合并成 ,二项式定理失效。这就是性质 5 中"可交换"条件的来源。

性质 5 的反例 取

因为 ,级数只有两项:,。于是

另一方面 ,这是一个对称矩阵且 ,所以

两者明显不同()。原因:, 与 不可交换。

性质 7(行列式) 由性质 8, 的特征值是 ,故

这个公式的几何意义: 作为线性变换,其体积伸缩率是 。若 ,相空间的体积指数收缩(耗散系统);若 ,体积守恒(如无阻尼振子、Hamilton 系统)。这也说明 始终可逆(行列式恒为正)。

性质 8(特征值) 设 ,则 (对 归纳),于是

特征向量不变,特征值取指数 —— 这句话是理解 的关键。

5.4 用对角化计算

定理 6.3.5(对角化公式)

若 (),则

证明 由 得 (见 6-2-矩阵的对角化),代入级数:

(中间可以提出 与 ,是因为求和对每个元素逐项进行、 与 无关。)而对角矩阵的指数就是逐元素取指数:。

这也与定理 6.3.1 完全一致:把 代入

两条路线给出同一个答案。

5.5 计算步骤汇总

计算 的五步法

1. 求特征值:解 。

2. 求特征向量:对每个 解 ,得 。

3. 判可对角化并拼出 。

4. 对特征值取指数:。

5. 乘回去:。

若 不可对角化:写出 Jordan 形 (, 幂零),则 ,其中级数因 幂零而只有有限项。

若 是对称矩阵:用 ( 正交),则 ,不必求逆。见 6-4-对称矩阵与正定矩阵。


六、例题

例 6.3.1(对角化解法的完整过程) 题目 求解初值问题

解

第一步:求特征值。

故 ,。(自检: ✓, ✓。)

第二步:求特征向量。

:解 ,

取 。

:解 ,

取 。

(自检:,两特征向量正交 —— 因为 是对称矩阵。)

第三步:拼 与 。

第四步:用初值确定常数。 令 :

(这就是解 ;两式相加得 ,相减得 。)

第五步:写出解。

第六步:验证。

检查初值: ✓。

检查微分方程:。而

数值抽查: 时

与数值求解结果一致 ✓。

答 。因为两个特征值都是负的( 与 ),:这是稳定结点。

顺便写出 : 由 ,先求 :,

(可写成双曲函数形式 ,因为 、。)

用 复核: ,第一分量 ✓,与上面的结果完全一致。

例 6.3.2(含零特征值:趋于非零稳态) 题目 求解三点网络(三个节点串成一条链)的扩散方程

并求 的极限。

解

第一步:求特征值。 这个 是对称矩阵(),它的结构来自一条 3 个节点的链:对角元是各节点的度数取负,非对角元在相连节点处为 1(这是图的 Laplacian 矩阵,见 10-1-图与网络)。注意 的每一行元素之和都是 0:

所以 ,其中 。这说明 是一个特征值, 是对应特征向量! 这是"行和为 0 在零空间中 "的标准技巧。

再求另外两个。由 ,得 。直接算特征多项式(按对称性可猜出 ):考察 ,

第二行 第一行 第三行,故 ,于是 ,即 是特征值。再由 与 得 。所以

(验算: ✓。)

第二步:求特征向量。 可直接从 解,注意到 时 。

:取 。

:解 ,即

取 。

:解 ,

取 。

(自检:三个特征向量两两正交 —— ,, ✓。对称矩阵的特征向量正交,见 6-4-对称矩阵与正定矩阵。)

第三步:用初值确定常数。 令 :

写成方程组:

由第二式 。由第三式 。代入第一式:,故

用正交性秒杀系数

因为三个特征向量两两正交,可以直接用内积公式算系数,不用解方程组:

验证: ✓; ✓; ✓。这就是 Fourier 展开的思想(见 10-4-傅里叶级数与函数空间):正交基下的系数就是"投影除以模长平方"。

第四步:写出解。

第五步:验证。 :第一分量 ✓,第二分量 ✓,第三分量 ✓。

:,与数值求解一致 ✓。

第六步:长时间行为。 因为 、,只有 的项存活:

答 如上; 时三个节点的值都趋于 ,即初始总量 1 被平均分配到三个节点上。

这个例题的物理意义与一般规律

的每一行和为 0 意味着总量守恒:,所以 。这正是"扩散/热传导"的特征:总量不变,只是重新分配。

一般规律:若 的零空间非平凡( 是特征值),系统不会衰减到零,而会收敛到 在零空间上的投影。这里投影就是 ,因为 在 方向的系数是 。

如果 是 Markov 矩阵的转置(列和为 1),情况完全平行, 代替 ,稳态就是 Markov 链的极限分布,见 10-2-Markov矩阵与稳态。

例 6.3.3(弹簧振子:二阶方程化为一阶组)

题目 无阻尼弹簧振子(简谐振子,simple harmonic oscillator)满足二阶方程

取 、初值 、,化为一阶方程组并求 。说明特征值为什么是纯虚数。

解

第一步:化为一阶方程组。 引入速度变量 ,令

由 与 得

初值 。这就是"二阶方程化一阶方程组"的标准手法:把 阶标量方程变成 维一阶向量方程。一般的 阶方程 对应矩阵

(称为友矩阵,companion matrix),其第 行是方程系数的相反数。它的特征多项式恰好就是原方程的特征方程 —— 这就是"常系数线性方程用特征根法求解"的线性代数解释。

第二步:求特征值。 取 :

特征值是纯虚数,模长 。

第三步:求特征向量。

:解 ,

取 。

:同理取 。

第四步:用初值确定常数。 令 :

第五步:写出解并化简为实形式。

第一分量:

用到了欧拉公式 。第二分量:

(用 ,即 。)

第六步:验证。 ✓, ✓, ✓。数值抽查 : ✓, ✓,与数值求解一致。

答 ,周期 。一般地,,其中 是固有角频率。

为什么纯虚特征值对应振荡(而不是增长或衰减)

设 ( 为实数)。则

模长恒为 1,既不增长也不衰减,所以解在复平面单位圆上匀速转圈;转到实轴上就表现为正弦、余弦的往复振动。相应地:

- 实部为负():,振幅指数衰减 → 阻尼振动;

- 实部为正():振幅指数增长 → 自激振荡 / 失稳;

- 实部为零():振幅恒定 → 无阻尼持续振荡。

这就是"特征值的实部决定稳定性,虚部决定振荡频率"的完整含义。物理上,纯虚数特征值来自能量守恒:无阻尼振子的总能量 沿轨道不变。用本篇的语言也能验证:,由性质 7 有 ,即相平面上的面积(体积)守恒 —— 这正是 Hamilton 系统的标志。

对照 6-2-矩阵的对角化:那里是" 收敛"的离散判据,这里是" 收敛"的连续判据。两者通过 相互对应:离散系统的演化算子是 (乘 ),连续系统的是 (乘 )。

例 6.3.4(用矩阵指数解非对称系统)

题目 求初值问题 ,,。

解

第一步:特征值。 ,故 ,。 ✓, ✓。

第二步:特征向量。

:,方程 。取 。

:,方程 。取 。

第三步:定常数。 ,即

第四步:解。

第五步:验证。 ✓。

:,与数值求解一致 ✓。

第六步:。 ,,故 。于是

验算行列式:由性质 7,。直接算:

答 ,两个特征值均为负,故 (稳定结点)。


七、应用

7.1 为什么矩阵指数是理解线性动力系统的钥匙

三个理由

1. 它把一个"微分"问题变成了"代数"问题。

解 本应做积分,但 的计算完全不需要积分 —— 只需特征值与特征向量(纯代数运算),再加上 这一个标量函数。线性代数的全部机器(特征值、对角化、相似)都能直接作用在这类微分方程上。

2. 它是"状态转移"的完整描述,与初值无关。

把"初值"和"演化"彻底分离: 只依赖系统(矩阵 ),不依赖初始状态。所以一次算出 ,就能回答关于任意初值的所有问题。这与工程中的"传递函数""状态转移矩阵"是同一个对象。

3. 指数衰减与振荡是最基本的两种行为,一切线性系统都是它们的叠加。

中 的实部管增长/衰减、虚部管振荡。任意复杂的线性系统行为,都分解成若干"指数 × 三角"的模式之和(若不可对角化,再加多项式因子 )。这正是 Fourier 分析、模态分析、Laplace 变换的理论内核。

在工程上,这套语言的具体化身是:

- 控制理论:状态方程 ,稳定性由 的特征值("极点")决定;

- 电路分析:RLC 网络的瞬态响应是 的元素,特征值对应"时间常数"与"谐振频率";

- 结构力学:多自由度振动系统的模态就是特征向量,固有频率是特征值的平方根;

- 化学反应动力学、种群动力学、经济系统的线性化分析,同样是这套框架。

7.2 二阶微分方程化为一阶方程组(一般手法)

原问题转化后的一阶组特征值含义
(无阻尼振子):纯虚数,持续振荡
(阻尼振子)实部 :衰减振荡
(受迫)(非齐次)齐次部分决定瞬态,特解决定稳态
自由度振动系统 广义特征值问题 固有频率 与模态

非齐次情形的一句话提示: 的解是

即"齐次解 + 卷积形式的特解"。这与标量情形的常数变易法完全平行。

7.3 数值求解与可视化(可运行代码)

对一般矩阵,手工求特征值不现实,这时用数值方法。下面给出两条路线:直接用 计算精确解,以及用数值积分求解(两者应当吻合)。

"""
求解 du/dt = A u 的两种方法,并对照解析解。
依赖: numpy, scipy, matplotlib
"""
import numpy as np
import matplotlib.pyplot as plt
from scipy.linalg import expm            # 矩阵指数
from scipy.integrate import solve_ivp    # 常微分方程数值积分

# ---------- 1. 定义系统 ----------
A = np.array([[-2.0, 1.0],
              [ 1.0, -2.0]])          # 对称矩阵,特征值 -1 与 -3
u0 = np.array([3.0, 1.0])             # 初值

print("A 的特征值:", np.linalg.eigvals(A))          # [-3. -1.]
print("A 的特征向量:\n", np.linalg.eig(A)[1])

# ---------- 2. 方法一:用矩阵指数(推荐)----------
t = np.linspace(0, 5, 200)
# expm(A * s) 给出 e^{A s};对每个时刻计算 e^{At} u0
U_expm = np.array([expm(A * s) @ u0 for s in t]).T   # shape (2, len(t))

# ---------- 3. 方法二:数值积分 ----------
def rhs(_t, y):
    """右端函数 f(t, y) = A y"""
    return A @ y

sol = solve_ivp(rhs, [0, 5], u0, t_eval=t, rtol=1e-10, atol=1e-12)
U_ivp = sol.y                                          # shape (2, len(t))

# ---------- 4. 解析解对照 ----------
# u(t) = 2 e^{-t} x1 + 1 e^{-3t} x2, x1=(1,1), x2=(1,-1)
U_exact = np.array([2 * np.exp(-s) * np.array([1.0, 1.0])
                    + np.exp(-3 * s) * np.array([1.0, -1.0]) for s in t]).T

# ---------- 5. 误差检查 ----------
print("expm  与解析解的最大偏差:", np.abs(U_expm - U_exact).max())
print("solve_ivp 与解析解的最大偏差:", np.abs(U_ivp - U_exact).max())

# ---------- 6. 可视化 ----------
fig, axes = plt.subplots(1, 2, figsize=(11, 4.2))

# 左图:两个分量随时间的衰减
axes[0].plot(t, U_exact[0], "C0-",  label=r"$u_1(t)$")
axes[0].plot(t, U_exact[1], "C1--", label=r"$u_2(t)$")
axes[0].plot(t[::15], U_ivp[0, ::15], "k.", ms=6, label="solve_ivp")
axes[0].set_xlabel(r"$t$")
axes[0].set_ylabel(r"$u$")
axes[0].set_title("分量随时间衰减 (稳定结点)")
axes[0].legend()
axes[0].grid(alpha=0.3)

# 右图:相平面轨道(相图)
axes[1].plot(U_exact[0], U_exact[1], "C2-", lw=1.8)
axes[1].plot(u0[0], u0[1], "ko")
axes[1].annotate(r"$\mathbf{u}(0)$", u0, textcoords="offset points", xytext=(8, 6))
for a in (1.0, -1.0):                                  # 两个特征方向
    xx = np.linspace(-4, 4, 2)
    axes[1].plot(xx, a * xx, ":", color="gray", lw=1)
axes[1].set_xlabel(r"$u_1$")
axes[1].set_ylabel(r"$u_2$")
axes[1].set_title("相平面轨道(虚线为特征方向)")
axes[1].set_aspect("equal")
axes[1].grid(alpha=0.3)

plt.tight_layout()
plt.savefig("ode_solution.png", dpi=130)
plt.show()

输出示例(真实运行结果)

A 的特征值: [-3. -1.]
expm  与解析解的最大偏差: 4.440892098500626e-16
solve_ivp 与解析解的最大偏差: 1.0325074129013955e-14

两条路线与解析解完全吻合(误差在 量级,纯属浮点舍入)。左图显示两个分量都单调衰减到零(稳定结点);右图的轨道是一条曲线,最终沿特征方向 进入原点 —— 因为 衰减得比 慢,慢模式决定了长时间的方向。

数值求解的两个坑

1. scipy.linalg.expm 用 Padé 逼近 + 缩放平方算法,与"特征值对角化"是两条完全不同的计算路线。它的优点是对不可对角化的矩阵也稳定可靠(官档指出它对 改用 1-范数估计来决定逼近阶数)。不要自己用级数求和来实现 :当 稍大时级数会因大项相消而损失精度(这正是 expm 要用缩放平方的原因)。

2. solve_ivp 对刚性(stiff)系统会失效。如果 的特征值实部相差好几个数量级(例如 与 ),显式 Runge–Kutta 方法必须用极小的步长,此时应改用隐式方法:solve_ivp(..., method="Radau") 或 method="BDF"。官档明确建议:"显式 Runge–Kutta 方法('RK23'、'RK45'、'DOP853')用于非刚性问题,隐式方法('Radau'、'BDF')用于刚性问题。"

7.4 与第 12 章的呼应(预告)

本篇的 描述的是确定性演化。若把随机性引入,同样的线性代数结构会以新的面貌出现:

  • Markov 链:离散时间的随机演化,, 的列和为 1。稳态是 的特征值 1 对应的特征向量。连续时间的版本就是主方程 ,此时 对应稳态,其余特征值的实部为负 —— 与例 6.3.2 完全同构。见 10-2-Markov矩阵与稳态。
  • 协方差矩阵: 是对称半正定矩阵(见 12-2-协方差矩阵),由本篇的谱定理可正交对角化,特征值就是各主成分的方差,特征向量就是主方向。这正是 PCA 的理论基础,见 7-3-主成分分析PCA。
  • 多元高斯分布:密度函数 中的二次型 是正定的,其等值面是以特征向量为主轴的椭球 —— 矩阵指数与二次型在同一套特征值语言下统一起来。见 12-3-多元高斯与加权最小二乘、6-4-对称矩阵与正定矩阵。

八、易错点

十个高频错误

1. 把 当成逐元素取指数。 。矩阵指数是级数定义,只有对角矩阵才恰好等于逐元素取指数。一般情形必须用 。

2. 写出 。 这个等式只在 时成立。反例见 5.3 节(、 给出 而 )。

3. 把 误写成 或忘了 。 完整式子是 ,三个因子缺一不可。若 是对称矩阵且有正交对角化,则 (用转置代替逆,见 6-4-对称矩阵与正定矩阵)。

4. 用"特征值实部为负"判断稳定性时忘了 必须可对角化(或至少要看 Jordan 形)。 对 的重根,必须先查 是否等于 :若不等,解里会出现 因子而无界(见 4.3 节)。 的情形则不受影响。

5. 把离散判据 与连续判据 混用。 离散系统 的判据是 ;连续系统 的判据是 。两者的关系是 。 与 是完全不同的量: 的模是 1(离散情形"临界"),实部是 0(连续情形"临界")—— 巧合地都临界,但 的模是 1(离散不稳定!)而实部是 (连续稳定!)。

6. 忽略复数特征值对应的解必须是实向量。 实矩阵的复特征值成对出现( 与 ),对应的系数也共轭( 与 ),两项相加后虚部抵消,结果是实的。例 6.3.3 中 正是这种共轭配对。若算出的"解"有虚部,一定是漏用了共轭配对。

7. 初值定常数时忘记 。 正是因为 时所有指数因子都是 1,才能把 写成简单的线性方程组 。这也说明常数 就是 在特征向量基下的坐标。

8. 把 与 的特征值/特征向量搞混。 的特征向量与 相同,特征值是 。所以 的特征向量不随时间变化,只有特征值在变 —— 这是"特征方向是不变方向"的另一种表述。

9. 认为 可能是奇异的。 由 , 永远可逆,逆是 ,无论 是否可逆。例如 奇异,但 可逆。

10. 二阶方程化为方程组时写错矩阵。 关键是变量顺序与符号: 取 时应得 ( 带负号,因为 )。若写成 ,特征值会变成 (一正一负,鞍点),物理上完全错误。


九、练习题

练习 6.3.1(基础) 求解 ,,其中

写出 与 ,并判断稳定性。

练习 6.3.2(基础) 判断下列系统的稳定性(只写结论并说明理由):

(提示: 要算特征值才能判断;注意 是三角矩阵,可直接读对角元。)

练习 6.3.3(进阶) 设 (即例 6.3.4 的矩阵)。

(a)验证 的表达式(见例 6.3.4);

(b)直接验证 (对元素逐个求导);

(c)验证 。

练习 6.3.4(进阶) 二阶方程 ,初值 、。

(a)化为一阶方程组,写出矩阵 ;

(b)求 的特征值,判断这是过阻尼、欠阻尼还是临界阻尼;

(c)求 并验证初值;

(d)说明 时 的行为,并解释 的行列式与迹的符号如何决定这一行为。

练习 6.3.5(思考) 设 是 阶方阵,。

(a)证明:若 ,则 可能无界,但 (提示: 只反映"体积",不反映"形状";考虑 )。

(b)证明: 对一切 有界不蕴含 ,也不蕴含 是周期的。举例说明。

(c)若 满足 (反对称矩阵),证明 是正交矩阵(即 ),从而 恒定。(提示:先证 。)


十、常见问题 FAQ Q1:为什么解里会出现 ?能不能换个函数试试?

A: 不是"猜"出来的,它是唯一可能的形式。推理如下:既然把解写成 后,每个系数满足一维方程 ,而一维方程 的解(由存在唯一性定理)就是 ,没有别的选择。"指数函数是微分算子 的特征函数" —— 这句话是整件事的本质: 之于 ,正如 之于 。所以本篇内容可以概括为:"求解线性微分方程 = 求微分算子的特征函数 + 求矩阵的特征向量"。

Q2: 与 的特征值/特征向量到底是什么关系?

A:三条简单对应,全部来自 5.3 节性质 8 与 5.4 节定理 6.3.5:

特征值 特征值
特征向量 相同的
可对角化 (同一个 )

直观理解:沿特征方向 ,系统退化为一维方程 ,解是 。方向不变(特征向量不变),只在这个方向上按指数伸缩(特征值取指数)。

Q3:特征值是复数时,"解"是复的还是实的?

A:实矩阵 + 实初值 解一定是实的。因为实矩阵的复特征值成共轭对出现:若 ,则 。若初值 是实的,它在 与 方向的系数必然共轭( 与 ),于是

是实数。展开后就是 与 的组合()。所以复数特征值不意味着"非物理的解",它只是"振荡"的数学语言:实部 是衰减率,虚部 是角频率。例 6.3.3 中 就是最干净的例证。

Q4:为什么二阶方程的特征根法()和矩阵特征值算出来一样?

A:因为"化为一阶方程组"用的矩阵 是友矩阵,它的特征多项式恰好是原方程的特征方程。以 为例, 给出

而常微分方程课上的特征方程正是 。所以"特征根法"不是另一套技巧,它就是对角化在友矩阵上的特例。 一般 阶常系数线性方程都如此:友矩阵的特征多项式就是原方程的特征方程,因此有 个(计重数的)特征根,对应 个基本解。这个统一视角也解释了"重根时要乘 "的规则:重根意味着友矩阵在该特征值处几何重数小于代数重数(不可对角化),于是 中出现 的多项式因子(见 4.3 节)。


十一、用对角化计算 :两道完整例题

本节定位

5.4 节给出了定理 6.3.5()与五步法,但只做了结构性的推导。本节把这条路线完整算到底:求出 的每一个元素、解出初值问题、用三条独立的方式验算,并读出相图与稳定性。这一节的两个例题覆盖了 实矩阵的全部"可对角化"情形(互异实根与共轭复根);不可对角化的情形放在第十二节。

例 6.3.5(互异实特征根:完整算出 并解初值问题)

题目

设 ,。求矩阵指数 ,求解初值问题 、,判断稳定性并描述相图。

第 1 步:求特征值。

故

自检: ✓; ✓。

第 2 步:求特征向量。

对 :

取 ,得

对 :

取

(特征值互异,由定理 6.2.3 知 必可对角化,无需再检查几何重数。)

第 3 步:拼出 、 并求 。

第 4 步:对特征值取指数,再乘回去。

逐元素计算(第一步已经把 与 合并):

第 5 步:验算(三条独立的检查)。

检查一( 应为单位矩阵):

检查二(行列式应为 ):

除以 前面的系数 ,得 ✓(与性质 7 一致)。

检查三(求导应为 ): 对 元素:;而 的 元素为 ✓。

第 6 步:用初值确定常数。 令 :

第 7 步:写出解。

第 8 步:验证。 初值: 给出 ✓。

用 复核: ✓ —— 两条路线完全一致。

代入方程:,而

数值抽查 :,,故

第 9 步:稳定性与相图。 、,特征值一正一负,由 4.2 节的分类表,零解是鞍点,不稳定。

  • 沿 方向: 增长,轨道沿这条直线远离原点;
  • 沿 方向: 衰减,轨道沿这条直线趋近原点;
  • 一般初值: 时 项主导,故轨道最终平行于 方向离开原点;反向时间 时 项主导,轨道平行于 方向进入原点。

答 ;;零解是鞍点,不稳定。

三个"必须会自己算"的环节

1. 一定要自己求一遍( 用伴随矩阵公式最快),不要凭记忆写。

2. 是逐元素取指数,只有对角矩阵才能这样"偷懒"。

3. 验算顺序:先验 得 (抓符号错),再验 (抓系数错),最后验 (抓整体错)。这三条全部通过, 基本不可能错。

例 6.3.6(共轭复特征值: 的实形式与螺旋轨道)

题目

设 ,。求 (写成实矩阵)与 ,并描述相图与稳定性。

第 1 步:求特征值。

自检: ✓; ✓。特征值成共轭对出现,实部 、虚部 。

第 2 步:求特征向量。 对 :

(第二行 第一行,故消成零行。)取 :

对 ,取共轭即得

第 3 步:用初值确定常数。 令 :

(:实初值使共轭特征值对应的系数也共轭,这正是解为实数的原因。)

第 4 步:写出解并化为实形式。

第一个分量(用 ):

第二个分量(用 ,即 ):

所以

第 5 步:求 的实形式(两条路线)。

路线一:对角化 + 合并共轭。 取 ,,

为免符号出错,逐元素算一遍(记 、):

位置计算( 的第 行乘 的第 列)结果

(用到了两个恒等式: 与 。)于是

其中 是旋转矩阵。

路线二:拆成"数量矩阵 旋转生成元"(更快)。 注意

与 可交换,故 。又 使 的级数按奇偶拆成两个标量级数:

代入 得 ,取 即得同一结果 ✓。

第 6 步:验算。

: ✓。

行列式: ✓()。注意这里 恒为正,说明 保持定向(旋转的 为 )。

求导:,其中 。另一方面

而 ✓,两式一致。

用 复核初值问题: ✓,与第 4 步一致。

数值抽查 (,,):

第 7 步:几何意义与稳定性。

、、,由 4.2 节的分类表,零解是稳定焦点(stable spiral):轨道是向内旋转的对数螺旋线。

  • 旋转:角速度为 每单位时间(虚部 ),故每转过 时间转一圈;
  • 收缩:半径按 衰减(实部 ),转一圈后半径只剩 倍;
  • 单调趋零:本题初值给出 ,故 单调递减,轨道绝不会"向外鼓包";
  • 面积收缩:,相平面面积指数收缩,这是耗散系统的标志(与例 6.3.3 的无阻尼振子形成对照,那里 、面积守恒)。

答 (旋转 并整体缩小 ),,零解是稳定焦点。

复特征值的三条"读法"

1. 实部 管衰减/增长,虚部 管振荡频率。 的模是 (幅值),幅角是 (相位)。本题 、,就是"每单位时间缩小 、转过 弧度"。

2. 的实形式 = 旋转 缩放。 当 形如 时,,这是复数的矩阵化身:。这也解释了为什么复特征值一定成共轭对出现。

3. 解一定是实的。 共轭的两项相加后虚部抵消(第 3 步 ,第 4 步合并共轭)。若算出的解带虚部,一定是漏用了共轭配对,见本篇 FAQ 的 Q3 与 9-1-复数与复向量。


十二、不可对角化情形:重根与「乘 」的来源

12.1 一个关键恒等式:可交换时的指数加法

定理 6.3.6(可交换情形的指数加法公式)

若 是同阶方阵且 ,则对一切 有

证明 见例 6.3.10(那里给出完整的级数证明)。这里先用它处理重根情形。

为什么它可以用于 ? 因为数量矩阵 与任何矩阵都可交换,所以

而对幂零矩阵 (存在 使 ),级数 只有有限项( 的项全为零):

这两步合起来,就是"重根要乘 "的全部秘密。

例 6.3.7(不可对角化:从 到 )

题目

(a)设 ,。判断 是否可对角化,求 ,解初值问题,并讨论稳定性。

(b)设 ,。求 与 ,并解释结果中 因子的来源。

(a)第 1 步:特征值与几何重数。

唯一特征值 ,代数重数 。

由定理 6.2.7, 不可对角化:全部特征向量都形如 ,只有一条直线,凑不出两个线性无关的特征向量。

(a)第 2 步:拆成"数量部分 幂零部分"。 记

是幂零矩阵(),而 与 可交换,于是

(这里幂零级数只有两项,因为 使 及更高次项全部消失。)

(a)第 3 步:验算。

: ✓。

✓()。

求导:,;而

与逐元素求导的结果完全一致。

(a)第 4 步:解初值问题。

验证: ✓;且

(a)第 5 步:稳定性。 ,尽管解里含因子 ,仍有

( 的最大值在 处取得,为 。)所以 ,零解仍然渐近稳定。这与定理 6.3.2 的适用条件一致:只要所有特征值的实部为负,不可对角化也不影响渐近稳定性(指数衰减最终压过多项式增长)。

对照组:若把 换成 (特征值 二重,),则 ,解 无界 —— 这正是定理 6.3.2 情形 4 中" 且重数不足则不收敛"的实例。

(b)第 1 步:特征值与几何重数。

唯一特征值 ,。而

故 不可对角化(它整个就是一个 的 Jordan 块)。

(b)第 2 步:幂零部分的各次幂。 记 。逐步算:

( 的作用是"把每个分量往后挪一格":、、,所以三次之后必然归零。)

(b)第 3 步:写出 。 幂零级数在 之后截断:

(b)第 4 步:验算。

得 ✓。 ✓()。

求导检查 元素:,而 (只有第一列的 项贡献)✓。

求导检查 元素:;而

(b)第 5 步:解初值问题。

第 6 步:验证。 初值: 给出 ✓。

代入方程检查第一个分量:;而

数值抽查 :,

第 7 步: 因子从哪里来? 把答案拆成三部分:

三项分别来自 、、,而 的幂之所以出现,是因为特征向量不够:

几何重数状况解的形态出现的原因
(可对角化)只有 特征向量够用,
缺 1 个特征向量( Jordan 块)多出 、
缺 2 个特征向量( Jordan 块)多出 与 、

这就是国内教材" 重根依次乘 "规则的矩阵解释:重根的代数重数为 时,对应的 Jordan 块最大阶数不超过 ,,于是解里最高出现 。注意规则里的 指的是该特征值的代数重数(Jordan 块的大小),而不是"重数 就一定出现到 ":若重根但几何重数足够(可对角化,如例 6.3.8),则一个 因子都不会出现。

第 8 步:稳定性。 ,、 都趋于 ,故 :渐近稳定。 的最大值在 处取得,值为 ,因此解在初期会先"鼓"一下(瞬态放大),随后单调衰减 —— 这一点在工程上很重要:不可对角化的系统虽然最终稳定,但瞬态峰值可能远大于初值。

答 (a) 不可对角化(),,,渐近稳定;(b) 不可对角化(),,,渐近稳定。

关于"乘 "的三个纠错

1. "重根就乘 "是错的。 只有几何重数不足时才乘。反例: 有 重根,但 ,没有 。判断依据必须回到 是否成立(6-2-矩阵的对角化 的例 6.2.4 与例 6.2.8 是同一件事的离散版本)。

2. "乘 就一定发散"是错的。 时 ,稳定性不受影响。只有 时多项式因子才会导致无界(定理 6.3.2 情形 4)。

3. 幂零矩阵的 不是"随便取"的。 在 中, 必须是幂零的,这只有在对 的全部 Jordan 块都有相同特征值、且 只有一个特征值时才成立。若 有多个特征值,必须按特征空间分解后逐块处理,不能整体写成 。


十三、基解矩阵与特征根法

13.1 基解矩阵与标准基解矩阵

定义 6.3.4(基解矩阵) 设 是 阶常数矩阵。若 阶矩阵函数 满足

则称 为方程组 的一个基解矩阵(fundamental matrix)。若进一步有 ,则称之为标准基解矩阵(standard fundamental matrix)。

定理 6.3.7(三个基本事实)

1. 标准基解矩阵就是矩阵指数: 是唯一满足 的基解矩阵。

2. 通解:若 是任一基解矩阵,则方程组的全部解为

而初值问题 的解为 。

3. Liouville 公式(Wronski 行列式):对任一基解矩阵,

证明

(1) 5.2 节已证 、;再由性质 7,,故 可逆,是标准基解矩阵。唯一性来自线性微分方程组初值问题解的唯一性。

(2) 设 。则 ,故它是解;反之任一解 都满足 ,而 可逆(因 处处非零),故 唯一确定。特别地,把 代入(由 (1) 与解的唯一性, 与 满足同一个矩阵初值问题),即得

(3) 由 取行列式,并用 :

几何读法 Liouville 公式说:解组张成的"体积"按 伸缩。 这与性质 7 中" 的体积伸缩率"是同一件事,也正是 6-4-对称矩阵与正定矩阵 中"行列式是体积伸缩率"的思想在动力系统里的化身。

推论(判线性无关) 对 个解 ,把它们按列拼成 ,则「 的列线性无关」这一性质只要在某个 处成立,就在一切 处成立:

证明 由 Liouville 公式,,而 永远不为零,故 要么处处为零、要么处处非零 ✓。这条推论的实际用途:判断解组是否线性无关,只需在 处看一眼。

13.2 特征根法:三种情形一览

定理 6.3.8(常系数线性方程组的三种特征根情形)

设 是实矩阵,特征值为 。

| 特征根情形 | 对应的基本解 | 解中的典型形态 | 本篇例题 |

|---|---|---|---|

| 互异实根 两两不同 | | 纯指数 | 例 6.3.5 |

| 共轭复根 | 与 | 指数 三角(振荡) | 例 6.3.6 |

| 重根(几何重数 代数重数) | ( 为广义特征向量) | | 例 6.3.7 |

| 重根(几何重数 代数重数) | 仍是 ( 遍历该特征空间的基) | 纯指数,不出现 | 例 6.3.8 |

其中复根情形的 、( 是 的特征向量),取实部与虚部即可把复解化为两个实解。

与二阶方程"特征根法"的对应关系(把物理名称也补齐):

二阶方程 矩阵 的特征值名称解的行为
两个互异负实根过阻尼(overdamped)无振荡地衰减,慢根主导
重根 (,不可对角化)临界阻尼(critically damped)出现 ,是最快的无振荡衰减
共轭复根 欠阻尼(underdamped)衰减振荡(稳定焦点)
纯虚根 无阻尼等幅振荡(中心)

注意临界阻尼这一行:它恰好是"重根 + 不可对角化"的物理化身, 因子就是从 Jordan 块里长出来的。这也是为什么临界阻尼在工程上既"回得快"又"不振荡"——它走在振荡与过阻尼的分界线上。

13.3 非齐次方程组:常数变易法与稳态 对非齐次方程组

有常数变易公式

另一写法是 ,其中 。两者等价,因为 。特别地,当 为常向量且 的所有特征值实部为负时,解趋于唯一的平衡点:

(证明见例 6.3.9。)这条结论是控制与电路里「稳态响应」的数学表述。

例 6.3.8(三阶方程组:重根但可对角化,含守恒量)

题目

求解

并求 的极限,说明总量的变化。

第 1 步:识别矩阵结构。 是实对称矩阵(),对称矩阵的特殊之处立刻可用:

  • 特征值全为实数(谱定理,见 6-4-对称矩阵与正定矩阵);
  • 属于不同特征值的特征向量自动正交;
  • 一定可正交对角化,不必检查几何重数。

再看结构:,其中 是全 矩阵。更本质的说法是 , 是完全图 的 Laplacian 矩阵(),所以这是一个三节点完全图上的扩散方程(见 10-1-图与网络)。每一行元素之和为 :

行和为 立刻给出 是特征值、 是对应特征向量 —— 这是线性代数里最省事的一个观察。

第 2 步:求全部特征值。 由 : 的特征值是 (特征向量 )与 (二重,特征空间是 ),故

自检: ✓; ✓(奇异矩阵,与 一致)。

第 3 步:确认可对角化并求特征向量。

:即 ,因为 且 当且仅当 平行于 ,故

:,其零空间是 ,维数为 。取一组两两正交的基(不必再做 Gram–Schmidt,因为 里可以直接挑):

自检: ✓(因为 );同理 ✓。

几何重数检查: ✓, ✓。这是"有重根但可对角化"的标准例子: 是二重根,但它的特征空间是一整张平面,特征向量完全够用,解里不会出现 。三个特征向量两两正交(、、)✓,这正是对称矩阵的特征。

第 4 步:把初值分解到正交特征向量上(用投影公式,不解方程组)。 因为三个特征向量两两正交,系数可以直接用内积算:

验算分解是否成立:

第 5 步:写出解。

第 6 步:验证。 : ✓。

代入方程检查第一个分量:,而

检查第二个分量:,而 ✓。

数值抽查 ():

第 7 步:守恒量与极限。 因为 的每一行和为 ,有 ,于是总量守恒:

验算: ✓(与 无关)。

又 ,故

即初值被平均分配到三个节点。这也正是" 在零空间( 的特征空间)上的投影":投影方向是 ,系数 。

答 ,总量恒为 ,极限为 。

这道题为什么值得单独做一遍

1. 它是"重根但可对角化"的样板。 是二重根,但 ,解里没有 因子。把它与例 6.3.7 对照,就能真正理解"乘 "的条件是几何重数不足,而不是"有重根"。

2. 它示范了对称矩阵的三大便利:特征值实、特征向量正交、系数可用投影公式直接算。这条捷径在 6-4-对称矩阵与正定矩阵 里有系统讨论,在 10-4-傅里叶级数与函数空间 里升级为 Fourier 展开。

3. 它示范了"行和为 "这一结构观察的威力:不用算特征多项式就知道 是特征值、 是特征向量,还免费得到守恒量。图上的扩散方程(10-1-图与网络)全部具有这个结构。

4. 注意对称性的物理含义:初始时第 、 个节点完全对称(都为 ,且它们在图中的地位相同),于是它们的值永远保持相等。这种"对称性导致不变量"的推理在物理与工程中极其常用。


十四、两道证明题

例 6.3.9( 的积分与稳态:稳定系统的"总响应")

题目

设 是 阶实矩阵,且所有特征值的实部都小于零。证明:

(1)(积分按元素理解,且积分收敛);

(2)非齐次方程组 ( 为常向量)的任意解都满足 ;

(3)用 、 验证(2)的结论。

(1)证明

第 1 步:先说明 可逆。 若 奇异,则 是特征值,与"所有特征值实部小于零"矛盾,故 , 存在 ✓。

第 2 步:把积分化简。 取 在 上的对角化(若 不可对角化,用 Jordan 形;下面的论证只需把 换成 Jordan 基,结论不变):,,则 (定理 6.3.5)。对 到 逐元素积分:

(这里用到 ,以及"提出与 无关的矩阵 、"。)

第 3 步:取极限。 记 ,则 。由假设 ,故 ()。于是

(收敛性:每个元素的绝对值被 型函数控制,而 保证 收敛,故积分绝对收敛 ✓。)

(2)证明

第 1 步:写出解的显式表达式。 由常数变易公式(13.3 节)

第二个等号是换元 ( 是常向量,可以提到积分号外)。

第 2 步:取极限。 由定理 6.3.2,所有实部为负 (不可对角化时结论仍成立,因为 )。再由(1):

(3)验证

的特征值是 与 (都小于零 ✓)。求逆:

所以平衡点是 。直接验证它是平衡点:

再用本篇例 6.3.1 已算出的 与积分表达式核对(取 ):

(用 、)。令 :

而 —— 两者完全一致 ✓。取 ,得极限 ✓。

答 (1);(2)任意解收敛到平衡点 ;(3)本题的平衡点为 ,与积分公式吻合。

这个结论的三重意义

1. 它把"求解微分方程"变成了"求矩阵的逆"。 稳态不需要积分,只需要解一次线性方程组 。这是工程里"求稳态响应"的标准做法,也是电路、传热、扩散问题的通用套路。

2. 它是 Lyapunov 理论的入口。 由 型的积分可以构造 Lyapunov 函数,用于判断(甚至设计)稳定性;对称正定的语言在这里与 6-4-对称矩阵与正定矩阵 汇合。

3. 它要求"所有实部为负"这一条不能减弱。 若存在实部为零的特征值(如纯虚根),积分 会因振荡而不收敛,此时系统只有"有界"而非"收敛",平衡点可能存在但不唯一(见例 6.3.2 的 情形:那里收敛到投影而非 ,因为 不可逆)。

例 6.3.10(何时 :完整的证明与反例)

题目

(1)设 是同阶方阵且 。用级数定义证明 ;

(2)证明辅助引理:若 ,则 与 可交换;

(3)说明当 时公式失效,并给出二阶修正项。

(1)证明

第 1 步:把 展开。 因为 ,二项式定理对矩阵成立(这一点是关键:展开 时 、 的次序可以任意调整,故可以把所有同类的项合并):

(归纳证明: 显然;若对 成立,则 ,而 ,故 ,合并同类项即得杨辉三角的递推 ✓。)

第 2 步:代入级数。

第 3 步:重排求和(这一步要用绝对收敛)。 把 代入, 与前面的 相消:

令 ,把双重和改写为对所有 的非负整数对求和(因为 与 构成的标量级数收敛,绝对收敛级数可以任意重排):

取 即得 ✓。

(2)证明

。由 可归纳得 (对 归纳: ✓)。于是对级数的每一项,

求和(级数绝对收敛,可以逐项操作)得 ✓。同理 、。

(3)反例与二阶修正

取 5.3 节的反例

,故 、,而 ;另一方面 满足 ,故

二阶修正项。 把两个乘积都展开到 :

两者之差的一阶项为零,二阶项为

其中 是交换子(commutator)。"一阶项相同、二阶项由交换子控制" 就是矩阵指数非交换性的定量刻画(更完整的形式称为 Baker–Campbell–Hausdorff 公式)。用它检查上面的反例:,二阶项确实不为零,故两个指数不可能相等 ✓。

答 (1) 时 成立,证明依赖"二项式定理可用 + 级数绝对收敛可重排";(2) 与 可交换;(3) 时公式失效,偏差的二阶项是 。

使用指数公式时的四条纪律

1. 必须先查 。 这是最容易"想当然"的一步; 与任何矩阵可交换,所以拆 时永远安全。

2. 可逆、、 对所有 都成立(这三条只用到 与自己的幂可交换),不需要任何附加条件。

3. 不要把 的二项式展开用在不可交换的矩阵上。 ,只有当 时才能写成 。

4. 即使 , 与 仍可能"偶然"可交换(例如 、 是同一个矩阵的多项式)。判断时看结论是否可证,不要靠猜。


本篇小结

一条主线:把"微分"翻译成"代数"

一阶线性常微分方程组

的全部内容可以浓缩成两个公式:

第一个公式说明"解 = 状态转移矩阵作用于初值",第二个公式说明"状态转移矩阵 = 特征值取指数、特征向量不变"(第二个公式要求 可对角化,否则改用 Jordan 形)。求解微分方程被彻底化归为求特征值与特征向量 —— 纯代数运算。

三张速查表

表 1: 的算法

| 的类型 | 计算方式 | 备注 |

|---|---|---|

| 可对角化 | , 逐元素取指数 | 最常用;特征值互异时必然可用 |

| 实对称 | ( 正交) | 不必求逆,见 6-4-对称矩阵与正定矩阵 |

| 单特征值 , 幂零 | | 只有有限项,见例 6.3.7 |

| 的一般重根 | 先按特征值分块,再逐块用上式 | 不能对多个特征值整体套用 |

| 数值计算 | Padé 逼近 + 缩放平方法(scipy.linalg.expm) | 不要自己写级数求和 |

表 2:稳定性判据(连续 vs 离散)

| | 连续 | 离散 |

|---|---|---|

| 渐近稳定 | (全部) | (全部) |

| 临界(有界不收敛) | 且实部为零者几何重数够 | 且模为 者为单根 |

| 不稳定 | 存在 | 存在 |

| 收敛速率 | 由 决定 | 由谱半径 决定 |

| 体积变化 | | |

| 对应关系 | 对应 :离散特征值 | 例 6.2.5 与例 6.3.1 |

表 3: 相图分类(、、)

| 条件 | 特征值 | 类型 | 稳定性 |

|---|---|---|---|

| | 一正一负 | 鞍点 | 不稳定 |

| ,, | 两个负实根 | 稳定结点 | 渐近稳定 |

| ,, | , | 稳定焦点(螺旋) | 渐近稳定 |

| , | 纯虚根 | 中心 | 中性稳定 |

| ,, | , | 不稳定焦点 | 不稳定 |

| ,, | 两个正实根 | 不稳定结点 | 不稳定 |

| | 含 | 非孤立平衡点 | — |

一句话记忆:" 且 就稳定"," 或 就不稳定"。

与前后的衔接(本篇在库里的位置)

- 向上:6-1-特征值引论 给出特征值与特征向量;6-2-矩阵的对角化 给出 ,本篇的 是它的"连续版"。两个公式的唯一差别是把 换成 。

- 对称化:矩阵对称时 升级为正交矩阵 ,,见 6-4-对称矩阵与正定矩阵;这也解释了为什么对称系统的模态分解如此干净。

- 复数与酉矩阵:复特征值的振荡行为在 9-1-复数与复向量 与 9-2-Hermitian矩阵与酉矩阵 中被系统化( 是全部振荡现象的根源)。

- 图与网络:( 为 Laplacian)就是图上的扩散/共识过程,行和为 给出 与守恒量,见 10-1-图与网络、例 6.3.2 与例 6.3.8。

- 随机过程:离散版 的稳态与收敛速度见 10-2-Markov矩阵与稳态;连续版的主方程与例 6.3.2 同构。

- 数值与工程:刚性系统的隐式解法、Padé 逼近与缩放平方见 7.3 节与 11-1-数值稳定性与LU、11-2-范数与条件数;迭代法收敛性由谱半径控制,见 11-3-迭代方法与预条件。

- 概率与统计:协方差矩阵的谱分解给出 PCA,多元高斯的密度含正定二次型,见 12-2-协方差矩阵、12-3-多元高斯与加权最小二乘、7-3-主成分分析PCA。

- 全局对照:、、 的统一对比见 附录-矩阵分解总览,公式汇总见 常用公式速查。

自测清单(能全部答出来才算掌握)

1. 为什么 永远可逆,即使 奇异?它的逆是什么?

2. 的特征值与特征向量分别和 有什么关系?为什么特征向量"不随时间变化"?

3. 什么情况下解里会出现 或 因子?出现 因子是否意味着不稳定?

4. 为什么"所有特征值实部为负"能保证任意初值都趋于平衡点?平衡点在哪里?

5. 国内教材说的"基解矩阵"与本篇的 是什么关系?Liouville 公式的几何含义是什么?


相关笔记

  • 6-1-特征值引论:特征值与特征向量的定义与求法,是本篇全部结论的前提。
  • 6-2-矩阵的对角化: 与 的计算,是连续情形 的离散对应物。
  • 6-4-对称矩阵与正定矩阵:对称矩阵可正交对角化 ,于是 ;相空间的"能量"就是正定二次型。
  • 附录-矩阵分解总览:、 与其他分解的统一视图。
  • 9-2-Hermitian矩阵与酉矩阵:复数情形下"正交"升级为"酉",实对称升级为 Hermitian,稳定性理论随之推广。
  • 10-2-Markov矩阵与稳态:离散随机演化的稳态分析,与本篇的 稳态(例 6.3.2)同构。
  • 12-3-多元高斯与加权最小二乘:矩阵指数与正定二次型在概率论中的汇合。

参考来源

  • MIT OpenCourseWare 18.06 Linear Algebra(Gilbert Strang),Lecture 23: Differential equations and exp(At):<https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/resources/lecture-23-differential-equations-and-exp-at/>
  • SciPy 官方文档 scipy.linalg.expm(矩阵指数的 Padé 逼近与缩放平方算法,含 Euler 公式的矩阵版本示例):<https://docs.scipy.org/doc/scipy/reference/generated/scipy.linalg.expm.html>
  • SciPy 官方文档 scipy.integrate.solve_ivp(初值问题数值求解;显式方法用于非刚性问题、隐式方法用于刚性问题;含 的矩阵示例):<https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.solve_ivp.html>
  • Strang, Gilbert. Introduction to Linear Algebra, 5th ed. Wellesley-Cambridge Press, 2016, ISBN 9780980232776,第 6.3 节 "Differential Equations"、第 6.4 节 "Symmetric Matrices" 开头关于 的讨论。教材主页:<https://math.mit.edu/~gs/linearalgebra/>
  • MIT OpenCourseWare 18.06 课程主页(视频、习题与考试题):<https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/>
  • 同济大学数学系《线性代数》第六版,高等教育出版社,第五章第 2 节(特征值与特征向量的应用);另见《常微分方程》教材「一阶线性微分方程组」一章。