嘿，朋友！今天咱们来聊聊线性代数里那个既经典又有点“折磨人”的知识点——矩阵求逆。
你是不是也经历过这种时刻：翻开课本，看到 \(A^{-1}\) 就头大？明明知道有那么多方法，真动手算的时候却不知道该用哪一个？别担心，我带你一步步拆解。我会用最直白的大白话，配合两个完整的例题，把初等行变换法和伴随矩阵法讲得明明白白。算完之后，你不仅会做题，还会明白背后的逻辑。
先搞清楚：什么叫“可逆矩阵”？
在动手算之前，咱们得先明白“可逆”到底是啥意思。
想象一下，你在解方程 \(2x = 6\)。为了求 \(x\)，你会两边同时除以 2，或者说乘以 \(\frac{1}{2}\)。这个 \(\frac{1}{2}\) 就是 2 的“倒数”。
对于矩阵来说，情况类似，但更复杂。如果有一个方阵 \(A\)，你能找到另一个方阵 \(B\)，使得： $\(AB = BA = I\)\( 其中 \)I\( 是单位矩阵（对角线上全是1，其余全是0的那个方阵），那么 \)B\( 就叫做 \)A\( 的**逆矩阵**，记作 \)A^{-1}$。
关键问题来了：不是所有方阵都有逆矩阵！
- 如果 \(A\) 有逆矩阵，叫可逆矩阵（或非奇异矩阵）。
- 如果 \(A\) 没有逆矩阵，叫不可逆矩阵（或奇异矩阵）。
怎么快速判断能不能求逆？ 最简单的判断标准：行列式 \(|A| \neq 0\)。
- 如果 \(|A| = 0\)，直接放弃，不可逆。
- 如果 \(|A| \neq 0\)，恭喜，可以求逆，而且方法有至少两种主流路子。
方法一：初等行变换法（高斯-若尔当消元法）
这是考试和实际计算中最常用的方法，尤其是对于高阶矩阵。它的核心思想是：把 \([A | I]\) 通过行变换变成 \([I | A^{-1}]\)。
原理图解
\[ \begin{bmatrix} A & I \end{bmatrix} \xrightarrow{\text{初等行变换}} \begin{bmatrix} I & A^{-1} \end{bmatrix} \]
为什么行变换能实现这个效果？因为每一次行变换，本质上都是在 \(A\) 的左边乘以一个初等矩阵。当 \(A\) 被变换成 \(I\) 时，这些初等矩阵的乘积恰好就是 \(A^{-1}\)，而这些变换同时也作用在了右边的 \(I\) 上，所以右边就变成了 \(A^{-1}\)。
例题演示
题目： 判断矩阵 \(A\) 是否可逆，若可逆，求 \(A^{-1}\)。 $\( A = \begin{bmatrix} 1 & 2 & 3 \\ 2 & 5 & 8 \\ 1 & 0 & 1 \end{bmatrix} \)$
第一步：构建增广矩阵 \([A | I]\)
我们要在 \(A\) 的右边拼上一个 3阶单位矩阵： $\( \left[ \begin{array}{ccc|ccc} 1 & 2 & 3 & 1 & 0 & 0 \\ 2 & 5 & 8 & 0 & 1 & 0 \\ 1 & 0 & 1 & 0 & 0 & 1 \end{array} \right] \)$
第二步：进行初等行变换，把左边变成单位矩阵
目标： 让第1列变成 \(\begin{bmatrix} 1 \\ 0 \\ 0 \end{bmatrix}\)。
- 消去第2行第1列的 2：\(R_2 \leftarrow R_2 - 2R_1\)
- 消去第3行第1列的 1：\(R_3 \leftarrow R_3 - R_1\)
计算过程：
- \(R_2\): \((2,5,8,0,1,0) - 2(1,2,3,1,0,0) = (0, 1, 2, -2, 1, 0)\)
- \(R_3\): \((1,0,1,0,0,1) - (1,2,3,1,0,0) = (0, -2, -2, -1, 0, 1)\)
得到： $\( \left[ \begin{array}{ccc|ccc} 1 & 2 & 3 & 1 & 0 & 0 \\ 0 & 1 & 2 & -2 & 1 & 0 \\ 0 & -2 & -2 & -1 & 0 & 1 \end{array} \right] \)$
目标： 让第2列变成 \(\begin{bmatrix} 0 \\ 1 \\ 0 \end{bmatrix}\)。
- 消去第1行第2列的 2：\(R_1 \leftarrow R_1 - 2R_2\)
- 消去第3行第2列的 -2：\(R_3 \leftarrow R_3 + 2R_2\)
计算过程：
- \(R_1\): \((1,2,3,1,0,0) - 2(0,1,2,-2,1,0) = (1, 0, -1, 5, -2, 0)\)
- \(R_3\): \((0,-2,-2,-1,0,1) + 2(0,1,2,-2,1,0) = (0, 0, 2, -5, 2, 1)\)
得到： $\( \left[ \begin{array}{ccc|ccc} 1 & 0 & -1 & 5 & -2 & 0 \\ 0 & 1 & 2 & -2 & 1 & 0 \\ 0 & 0 & 2 & -5 & 2 & 1 \end{array} \right] \)$
目标： 让第3列变成 \(\begin{bmatrix} 0 \\ 0 \\ 1 \end{bmatrix}\)。
- 先将第3行主元化为1：\(R_3 \leftarrow \frac{1}{2}R_3\)
- 消去第1行第3列的 -1：\(R_1 \leftarrow R_1 + R_3\)
- 消去第2行第3列的 2：\(R_2 \leftarrow R_2 - 2R_3\)
计算过程：
- \(R_3\): \((0, 0, 1, -2.5, 1, 0.5)\)
- \(R_1\): \((1, 0, -1, 5, -2, 0) + (0, 0, 1, -2.5, 1, 0.5) = (1, 0, 0, 2.5, -1, 0.5)\)
- \(R_2\): \((0, 1, 2, -2, 1, 0) - 2(0, 0, 1, -2.5, 1, 0.5) = (0, 1, 0, 3, -1, -1)\)
最终得到： $\( \left[ \begin{array}{ccc|ccc} 1 & 0 & 0 & 2.5 & -1 & 0.5 \\ 0 & 1 & 0 & 3 & -1 & -1 \\ 0 & 0 & 1 & -2.5 & 1 & 0.5 \end{array} \right] \)$
第三步：读出结果
左边已经变成了单位矩阵 \(I\)，所以右边就是 \(A^{-1}\)： $\( A^{-1} = \begin{bmatrix} 2.5 & -1 & 0.5 \\ 3 & -1 & -1 \\ -2.5 & 1 & 0.5 \end{bmatrix} = \frac{1}{2}\begin{bmatrix} 5 & -2 & 1 \\ 6 & -2 & -2 \\ -5 & 2 & 1 \end{bmatrix} \)$
第四步：验证（非常重要！）
很多人算完就不验算了，结果错了一半。咱们花10秒钟验一下： $\( A \cdot A^{-1} = \begin{bmatrix} 1 & 2 & 3 \\ 2 & 5 & 8 \\ 1 & 0 & 1 \end{bmatrix} \cdot \frac{1}{2}\begin{bmatrix} 5 & -2 & 1 \\ 6 & -2 & -2 \\ -5 & 2 & 1 \end{bmatrix} \)$
算第一个元素 \((1\times5 + 2\times6 + 3\times(-5))/2 = (5+12-15)/2 = 0/2 = 0\)… 等等，这里我手动算一下，应该是1才对。 \((1\times5 + 2\times6 + 3\times(-5)) = 5 + 12 - 15 = 2\)。\(2/2 = 1\)。对的。 对角线元素都是1，非对角线元素都是0。验证通过！
初等行变换法小结：
- 优点：逻辑统一，适合编程实现，不容易出现“转置”这种容易搞错的细节。
- 缺点：计算量稍大，容易在行变换过程中算错数，需要细心。
- 适用场景：任何可逆矩阵，尤其是3阶及以上的矩阵。
方法二：伴随矩阵法
这个方法理论性强，公式简单，但计算量巨大（尤其是高阶矩阵）。它的核心公式是： $\( A^{-1} = \frac{1}{|A|} \cdot A^* \)\( 其中 \)A^*$ 是 伴随矩阵。
伴随矩阵是什么？ 它是代数余子式矩阵的转置。
- 先求出 \(A\) 的每个元素的代数余子式 \(A_{ij}\)。
- 把它们排成一个矩阵（注意位置！）。
- 把这个矩阵转置，就是 \(A^*\)。
例题演示（用同一个矩阵 A）
\[ A = \begin{bmatrix} 1 & 2 & 3 \\ 2 & 5 & 8 \\ 1 & 0 & 1 \end{bmatrix} \]
第一步：计算行列式 \(|A|\)
如果 \(|A|=0\)，直接结束，不可逆。 按第3行展开（因为有个0，计算简单）： $\( |A| = 1 \cdot \begin{vmatrix} 2 & 3 \\ 5 & 8 \end{vmatrix} - 0 \cdot (\dots) + 1 \cdot \begin{vmatrix} 1 & 2 \\ 2 & 5 \end{vmatrix} \)\( \)\( = 1 \cdot (16 - 15) + 1 \cdot (5 - 4) = 1 + 1 = 2 \)\( \)|A| = 2 \neq 0\(，所以 \)A$ 可逆。
第二步：计算每个元素的代数余子式 \(A_{ij}\)
代数余子式 \(A_{ij} = (-1)^{i+j} M_{ij}\)，其中 \(M_{ij}\) 是划掉第 \(i\) 行第 \(j\) 列后剩下的行列式。
\(A_{11} = + \begin{vmatrix} 5 & 8 \\ 0 & 1 \end{vmatrix} = 5 - 0 = 5\)
\(A_{12} = - \begin{vmatrix} 2 & 8 \\ 1 & 1 \end{vmatrix} = -(2 - 8) = 6\)
\(A_{13} = + \begin{vmatrix} 2 & 5 \\ 1 & 0 \end{vmatrix} = 0 - 5 = -5\)
\(A_{21} = - \begin{vmatrix} 2 & 3 \\ 0 & 1 \end{vmatrix} = -(2 - 0) = -2\)
\(A_{22} = + \begin{vmatrix} 1 & 3 \\ 1 & 1 \end{vmatrix} = 1 - 3 = -2\)
\(A_{23} = - \begin{vmatrix} 1 & 2 \\ 1 & 0 \end{vmatrix} = -(0 - 2) = 2\)
\(A_{31} = + \begin{vmatrix} 2 & 3 \\ 5 & 8 \end{vmatrix} = 16 - 15 = 1\)
\(A_{32} = - \begin{vmatrix} 1 & 3 \\ 2 & 8 \end{vmatrix} = -(8 - 6) = -2\)
\(A_{33} = + \begin{vmatrix} 1 & 2 \\ 2 & 5 \end{vmatrix} = 5 - 4 = 1\)
第三步：写出伴随矩阵 \(A^*\)
注意！这里是很多同学的坑点！ 代数余子式矩阵是： $\( \begin{bmatrix} 5 & 6 & -5 \\ -2 & -2 & 2 \\ 1 & -2 & 1 \end{bmatrix} \)\( 但伴随矩阵 \)A^*\( 是它的**转置**！也就是说，第 \)i\( 行第 \)j\( 列的元素是 \)A_{ji}$。
\[ A^* = \begin{bmatrix} 5 & -2 & 1 \\ 6 & -2 & -2 \\ -5 & 2 & 1 \end{bmatrix} \]
你看，是不是和刚才初等行变换法里算出的那个矩阵（去掉系数1/2后）一模一样？
第四步：代入公式
\[ A^{-1} = \frac{1}{|A|} A^* = \frac{1}{2} \begin{bmatrix} 5 & -2 & 1 \\ 6 & -2 & -2 \\ -5 & 2 & 1 \end{bmatrix} \]
结果一致！
伴随矩阵法小结：
- 优点：公式简洁，理论意义强，对于2阶矩阵特别快（交换主对角线，副对角线变号，再除以行列式）。
- 缺点：对于3阶及以上矩阵，需要计算9个代数余子式，计算量大，容易算错符号，而且转置这一步容易忘。
- 适用场景：2阶矩阵，或者理论推导、证明题。
两种方法对比：怎么选？
| 特性 | 初等行变换法 | 伴随矩阵法 |
|---|---|---|
| 计算核心 | 行变换 | 求行列式 + 求代数余子式 |
| 计算量 | 中等，主要是加减乘除 | 大，要算 \(n^2\) 个 \(n-1\) 阶行列式 |
| 出错风险 | 主要是算术错误 | 符号错误、转置遗漏 |
| 2阶矩阵 | 可用，但略显繁琐 | 最快，公式记忆容易 |
| 3阶及以上 | 推荐，逻辑清晰 | 不推荐，除非为了练习概念 |
| 编程实现 | 容易 | 困难（需要递归求行列式） |
给小朋友的建议： 如果你是小学生或初中生，听到“矩阵”、“逆”这些词可能觉得有点难。没关系，我们可以用一个生活中的例子来理解： 想象你有一台加密机器（矩阵 \(A\)），你把原始信息 \(X\) 放进去，出来的是密文 \(Y\)（\(Y=AX\)）。 求逆矩阵 \(A^{-1}\)，就相当于造一台解密机器。你把密文 \(Y\) 放进解密机器，就能得到原始信息 \(X\)（\(X = A^{-1}Y\)）。 如果这台加密机器是个“黑洞”（行列式为0，不可逆），那信息进去就出不来了，你就永远解不开密文。所以，判断能不能求逆，就是看这台机器是不是“单向死胡同”。
常见错误提醒（避坑指南）
- 忘了检查行列式是否为0：如果 \(|A|=0\)，还硬算，最后会得到除以零的错误，或者发现怎么算都算不对。
- 伴随矩阵忘了转置：这是伴随矩阵法最大的陷阱！算完代数余子式矩阵后，一定要记得转置。你可以记口诀：“伴随矩阵，行换位”。
- 初等行变换时只左乘，没右乘：在 \([A|I]\) 中，你对左边 \(A\) 做的每一次行变换，右边 \(I\) 必须同步做同样的变换。不能只变一边。
- 符号搞错：代数余子式的 \((-1)^{i+j}\) 符号，像棋盘一样黑白相间，要细心。
总结一下
今天咱们讲了：
- 可逆矩阵的定义：存在 \(B\) 使得 \(AB=BA=I\)。
- 判断方法：\(|A| \neq 0\)。
- 两种求逆方法：