正文

矩阵求逆基础例题详解从伴随矩阵到行变换法一步掌握可逆矩阵求解技巧

/0 浏览量
0904

哎呀，看到标题里带着“基础”、“详解”这些词，我就知道你可能正在啃线性代数这块硬骨头。别慌，我当年学的时候也是对着草稿纸发呆，觉得这玩意儿太抽象。但今天咱们不整那些虚头巴脑的定义堆砌，咱们直接上手，像拆积木一样，把矩阵求逆这事儿掰开了、揉碎了讲清楚。

你要记住，矩阵求逆，本质上就是在问：“谁能把我‘撤销’掉？” 如果有个矩阵 \(A\) 是个变换（比如旋转、拉伸），那它的逆矩阵 \(A^{-1}\) 就是把所有变化undo回去的操作。要是找不到这个undo操作，那这矩阵就是“不可逆”的，也就是我们常说的“奇异矩阵”。

咱们分两步走：先聊聊那个听起来很高大上的伴随矩阵法，再说说程序员和工程师最爱用的高斯消元法（行变换法）。

第一部分：伴随矩阵法 —— 几何直觉与代数技巧的碰撞

1. 核心公式长啥样？

很多同学看到公式就晕，其实它简单得令人发指：

\[ A^{-1} = \frac{1}{|A|} \text{adj}(A) \]

翻译成人话就是：

  1. 先算行列式 \(|A|\)（Determinant）。如果它是0，恭喜，直接宣告死亡，矩阵不可逆。
  2. 再算伴随矩阵 \(\text{adj}(A)\)。
  3. 把伴随矩阵的每个元素，都除以那个行列式。

2. “伴随矩阵”到底是个啥？

这是最容易搞混的地方。伴随矩阵不是简单的“转置”，也不是随便写的。它是由代数余子式组成的矩阵的转置。

步骤拆解：

  • 余子式 \(M_{ij}\)：划掉第 \(i\) 行、第 \(j\) 列，剩下的行列式。
  • 代数余子式 \(C_{ij}\)：\(M_{ij}\) 乘以 \((-1)^{i+j}\)。注意这个正负号的棋盘格分布！
  • 伴随矩阵：把代数余子式排好，然后转置（行列互换）。

3. 实战演练：二阶矩阵的秒杀

咱们先看个最简单的二阶矩阵，你会发现伴随矩阵法二阶时简直是艺术。

例题：求矩阵 \(A = \begin{pmatrix} 2 & 3 \\ 1 & 4 \end{pmatrix}\) 的逆。

第一步：算行列式 $\(|A| = (2 \times 4) - (3 \times 1) = 8 - 3 = 5\)\( 因为 \)5 \neq 0$，所以可逆。

第二步：找伴随矩阵 对于二阶矩阵 \(\begin{pmatrix} a & b \\ c & d \end{pmatrix}\)，有个超好用的口诀：

主对角线交换，副对角线变号。

所以，\(A\) 的伴随矩阵是： $\(\text{adj}(A) = \begin{pmatrix} 4 & -3 \\ -1 & 2 \end{pmatrix}\)$

（如果你不信，可以用上面复杂的定义验算一遍：\(C_{11}=4, C_{12}=-1, C_{21}=-3, C_{22}=2\)，转置后一样。看，口诀就是真理。）

第三步：乘以 \(1/|A|\) $\(A^{-1} = \frac{1}{5} \begin{pmatrix} 4 & -3 \\ -1 & 2 \end{pmatrix} = \begin{pmatrix} 0.8 & -0.6 \\ -0.2 & 0.4 \end{pmatrix}\)$

验证一下： $\(A A^{-1} = \begin{pmatrix} 2 & 3 \\ 1 & 4 \end{pmatrix} \begin{pmatrix} 0.8 & -0.6 \\ -0.2 & 0.4 \end{pmatrix} = \begin{pmatrix} 1.6-0.6 & -1.2+1.2 \\ 0.8-0.8 & -0.6+1.6 \end{pmatrix} = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}\)\( 完美！单位矩阵 \)I$ 出现了。

4. 进阶挑战：三阶矩阵的“痛”

二阶太简单，咱们来个三阶的。这时候，口诀不管用了，必须老老实实算代数余子式。

例题：求 \(B = \begin{pmatrix} 1 & 2 & -1 \\ 0 & 3 & 1 \\ 2 & -1 & 0 \end{pmatrix}\) 的逆。

第一步：算行列式 \(|B|\) 我习惯按第一行展开： $\(|B| = 1 \cdot \begin{vmatrix} 3 & 1 \\ -1 & 0 \end{vmatrix} - 2 \cdot \begin{vmatrix} 0 & 1 \\ 2 & 0 \end{vmatrix} + (-1) \cdot \begin{vmatrix} 0 & 3 \\ 2 & -1 \end{vmatrix}\)\( \)\(= 1(0 - (-1)) - 2(0 - 2) - 1(0 - 6)\)\( \)\(= 1(1) - 2(-2) - 1(-6)\)\( \)\(= 1 + 4 + 6 = 11\)$ 行列式是11，非零，可逆。

第二步：计算每个位置的代数余子式 这里要细心，错一个符号全完蛋。

  • \(C_{11} = +\begin{vmatrix} 3 & 1 \\ -1 & 0 \end{vmatrix} = 1\)
  • \(C_{12} = -\begin{vmatrix} 0 & 1 \\ 2 & 0 \end{vmatrix} = -(-2) = 2\)
  • \(C_{13} = +\begin{vmatrix} 0 & 3 \\ 2 & -1 \end{vmatrix} = -6\)
  • \(C_{21} = -\begin{vmatrix} 2 & -1 \\ -1 & 0 \end{vmatrix} = -(0-1) = 1\)
  • \(C_{22} = +\begin{vmatrix} 1 & -1 \\ 2 & 0 \end{vmatrix} = (0 - (-2)) = 2\)
  • \(C_{23} = -\begin{vmatrix} 1 & 2 \\ 2 & -1 \end{vmatrix} = -(-1-4) = 5\)
  • \(C_{31} = +\begin{vmatrix} 2 & -1 \\ 3 & 1 \end{vmatrix} = (2 - (-3)) = 5\)
  • \(C_{32} = -\begin{vmatrix} 1 & -1 \\ 0 & 1 \end{vmatrix} = -(1-0) = -1\)
  • \(C_{33} = +\begin{vmatrix} 1 & 2 \\ 0 & 3 \end{vmatrix} = 3\)

第三步：组成余子式矩阵并转置 余子式矩阵 \(C = \begin{pmatrix} 1 & 2 & -6 \\ 1 & 2 & 5 \\ 5 & -1 & 3 \end{pmatrix}\)

伴随矩阵 \(\text{adj}(B) = C^T = \begin{pmatrix} 1 & 1 & 5 \\ 2 & 2 & -1 \\ -6 & 5 & 3 \end{pmatrix}\) （注意看，原来的 \(C_{12}=2\) 跑到了第2行第1列，这就是转置的作用。）

第四步：写出结果 $\(B^{-1} = \frac{1}{11} \begin{pmatrix} 1 & 1 & 5 \\ 2 & 2 & -1 \\ -6 & 5 & 3 \end{pmatrix}\)$

第二部分：行变换法（高斯-若尔当消元） —— 程序员的真爱

伴随矩阵法有个致命缺点：计算量爆炸。如果你要算一个 \(10 \times 10\) 的矩阵，用伴随法你要算100个代数余子式，算到怀疑人生。

而行变换法，逻辑简单粗暴，最适合编程实现，也适合手算大矩阵。

1. 核心思想

我们要构造一个增广矩阵 \([A | I]\)，其中 \(I\) 是单位矩阵。 然后通过初等行变换，把左边的 \(A\) 变成单位矩阵 \(I\)。 这时候，右边的 \(I\) 就变成了 \(A^{-1}\)。

\[[A | I] \xrightarrow{\text{行变换}} [I | A^{-1}]\]

2. 实战演练：用同一个三阶矩阵

咱们还用刚才那个 \(B\) 来算一遍，看看是不是更爽。

\[ \left[ \begin{array}{ccc|ccc} 1 & 2 & -1 & 1 & 0 & 0 \\ 0 & 3 & 1 & 0 & 1 & 0 \\ 2 & -1 & 0 & 0 & 0 & 1 \end{array} \right] \]

Step 1：处理第一列 第一行第一列已经是1了，很好。我们要把下面的2变成0。 操作：\(R_3 = R_3 - 2R_1\) $\( \left[ \begin{array}{ccc|ccc} 1 & 2 & -1 & 1 & 0 & 0 \\ 0 & 3 & 1 & 0 & 1 & 0 \\ 0 & -5 & 2 & -2 & 0 & 1 \end{array} \right] \)$

Step 2：处理第二列 现在 pivot（枢轴）在第二行第二列，是3。我们想把它变成1，方便计算。 操作：\(R_2 = R_2 / 3\) $\( \left[ \begin{array}{ccc|ccc} 1 & 2 & -1 & 1 & 0 & 0 \\ 0 & 1 & 1/3 & 0 & 1/3 & 0 \\ 0 & -5 & 2 & -2 & 0 & 1 \end{array} \right] \)$

接下来消掉上面的2和下面的-5。 操作：\(R_1 = R_1 - 2R_2\)， \(R_3 = R_3 + 5R_2\)

  • \(R_1\): \((1, 2, -1 | 1, 0, 0) - 2(0, 1, 1/3 | 0, 1/3, 0) = (1, 0, -5/3 | 1, -2/3, 0)\)
  • \(R_3\): \((0, -5, 2 | -2, 0, 1) + 5(0, 1, 1/3 | 0, 1/3, 0) = (0, 0, 11/3 | -2, 5/3, 1)\)

矩阵变为： $\( \left[ \begin{array}{ccc|ccc} 1 & 0 & -5/3 & 1 & -2/3 & 0 \\ 0 & 1 & 1/3 & 0 & 1/3 & 0 \\ 0 & 0 & 11/3 & -2 & 5/3 & 1 \end{array} \right] \)$

Step 3：处理第三列 先把第三个枢轴变成1。 操作：\(R_3 = R_3 \times (3/11)\) $\( \left[ \begin{array}{ccc|ccc} 1 & 0 & -5/3 & 1 & -2/3 & 0 \\ 0 & 1 & 1/3 & 0 & 1/3 & 0 \\ 0 & 0 & 1 & -6/11 & 5/11 & 3/11 \end{array} \right] \)$

现在消掉上面两行的第三列元素。 操作：\(R_1 = R_1 + \frac{5}{3}R_3\)， \(R_2 = R_2 - \frac{1}{3}R_3\)

  • \(R_1\) 右边部分： \((1, -2/3, 0) + \frac{5}{3}(-6/11, 5/11, 3/11) = (1 - 30/33, -2/3 + 25/33, 0 + 15/33)\) \(= (3/33, -21/33, 15/33) = (1/11, -7/11, 5/11)\) 等一下，让我重新算一下 \(R_1\) 的第一个元素对应的原始值 原始 \(R_1\) 右边是 \((1, 0, 0)\)。 \(1 + \frac{5}{3}(-\frac{6}{11}) = 1 - \frac{30}{33} = \frac{3}{33} = \frac{1}{11}\) \(0 + \frac{5}{3}(\frac{5}{11}) = \frac{25}{33}\) … 哎不对，我上面写的 \(R_1\) 初始右边是 \((1, -2/3, 0)\) 吗？ 回退一下，\(R_1\) 在Step 2后的右边是 \((1, -2/3, 0)\)。 计算： \(1 + \frac{5}{3}(-\frac{6}{11}) = 1 - \frac{10}{11} = \frac{1}{11}\) \(-\frac{2}{3} + \frac{5}{3}(\frac{5}{11}) = -\frac{22}{33} + \frac{25}{33} = \frac{3}{33} = \frac{1}{11}\) \(0 + \frac{5}{3}(\frac{3}{11}) = \frac{15}{33} = \frac{5}{11}\) 所以 \(R_1\) 右边是 \((1/11, 1/11, 5/11)\)。

  • \(R_2\) 右边部分（初始是 \((0, 1/3, 0)\)）： \(0 - \frac{1}{3}(-\frac{6}{11}) = \frac{6}{33} = \frac{2}{11}\) \(\frac{1}{3} - \frac{1}{3}(\frac{5}{11}) = \frac{11}{33} - \frac{5}{33} = \frac{6}{33} = \frac{2}{11}\) \(0 - \frac{1}{3}(\frac{3}{11}) = -\frac{3}{33} = -\frac{1}{11}\) 所以 \(R_2\) 右边是 \((2/11, 2/11, -1/11)\)。

最终结果： $\( \left[ \begin{array}{ccc|ccc} 1 & 0 & 0 & 1/11 & 1/11 & 5/11 \\ 0 & 1 & 0 & 2/11 & 2/11 & -1/11 \\ 0 & 0 & 1 & -6/11 & 5/11 & 3/11 \end{array} \right] \)$

提取出来： $\(B^{-1} = \frac{1}{11} \begin{pmatrix} 1 & 1 & 5 \\ 2 & 2 & -1 \\ -6 & 5 & 3 \end{pmatrix}\)$

哇！发现和伴随矩阵法的结果一模一样！ 但你会发现，行变换法虽然步骤多，但每一步都很机械化，不容易出现“符号看花眼”的错误，只要计算仔细，稳得很。

第三部分：Python代码实战 —— 让计算机替你算

手算是为了理解原理，但现实中咱们肯定用代码。下面给你两个版本的Python代码。

方案一：使用 NumPy（生产环境首选）

NumPy 的 linalg.inv 底层用的是 LAPACK 库，基于 LU 分解，效率极高。

”`python import numpy as np

定义矩阵

A = np.array([[1, 2, -1],

          [0, 3, 1],
          [2, -1, 0]])

try:

# 计算逆矩阵
A_inv = np.linalg.inv(A)

print("原矩阵 A:")
print(A)
print("\n逆矩阵 A_inv:")
print(A_inv)

# 验证：A * A_inv 应该等于单位矩阵
identity_check = np.dot(A, A_inv)
print("\n验证 A * A_inv:")
print(identity_check)
print("(上面应该接近单位矩阵，可能有微小浮点误差)")

except np.linalg.LinAlgError:

-- 展开阅读全文 --