当前位置：首页 > news >正文

别再死记硬背了！用Python（NumPy/SymPy）动手验证Hamilton-Cayley定理，理解矩阵的‘宿命’

news 2026/6/13 16:28:51

用Python验证Hamilton-Cayley定理：让矩阵的‘宿命’可视化

线性代数中那些抽象定理常常让人望而生畏，尤其是当面对满篇的数学符号和严谨证明时。Hamilton-Cayley定理就是这样一个典型——它告诉我们每个矩阵都是自己特征多项式的"根"。听起来很神奇，但传统的证明方式往往让人陷入细节而失去对定理本质的把握。今天，我们将用Python的NumPy和SymPy库，通过几行代码让这个定理"活"起来，亲眼见证矩阵如何"命中注定"地满足自己的特征方程。

1. 准备工作：理解定理与工具

在开始编码之前，我们需要明确几个关键概念：

特征多项式：对于一个n×n矩阵A，其特征多项式定义为det(λI - A)，其中λ是变量，I是单位矩阵。
Hamilton-Cayley定理：任何方阵A都满足其自身的特征方程，即如果特征多项式是φ(λ)，那么φ(A) = 0（零矩阵）。

我们将使用两个Python库：

NumPy：用于数值计算，可以处理具体的数值矩阵
SymPy：用于符号计算，能够处理带有变量的矩阵

安装所需库：

pip install numpy sympy

2. 数值验证：用NumPy体验定理

让我们先从一个具体的数值矩阵开始，通过计算来验证定理。这种方法特别适合那些喜欢"看到数字结果"的学习者。

2.1 创建示例矩阵

我们选择一个3×3矩阵作为例子：

import numpy as np A = np.array([[2, -1, 0], [-1, 2, -1], [0, -1, 2]])

2.2 计算特征多项式

NumPy提供了计算特征值的函数，我们可以利用它来构建特征多项式：

eigenvalues = np.linalg.eigvals(A) print("特征值:", eigenvalues)

2.3 构建特征多项式并验证

根据特征值，我们可以构建特征多项式，然后将矩阵A代入：

# 计算特征多项式的系数 coeffs = np.poly(eigenvalues) # 将矩阵A代入特征多项式 result = np.zeros_like(A) # 初始化结果矩阵 n = len(coeffs) - 1 for i, coeff in enumerate(coeffs): result += coeff * np.linalg.matrix_power(A, n - i) print("验证结果(应接近零矩阵):\n", result)

你会看到一个非常接近零矩阵的结果（存在微小误差是因为浮点计算）。

3. 符号计算：用SymPy进行精确证明

对于追求数学精确性的读者，我们可以使用SymPy进行符号计算，这相当于让计算机帮我们完成严格的代数证明。

3.1 定义符号矩阵

from sympy import symbols, Matrix, eye, det, simplify lambda_ = symbols('λ') A = Matrix([[2, -1, 0], [-1, 2, -1], [0, -1, 2]])

3.2 计算特征多项式

I = eye(3) # 3×3单位矩阵 characteristic_poly = det(lambda_ * I - A) print("特征多项式:", characteristic_poly.expand())

3.3 验证定理

将矩阵A代入特征多项式：

# 将λ替换为A poly_terms = characteristic_poly.as_poly().all_coeffs() result = sum(coeff * A**power for power, coeff in enumerate(reversed(poly_terms))) print("验证结果:\n", simplify(result))

这次你会看到精确的零矩阵，没有任何数值误差。

4. 定理的应用场景

理解了这个定理，你可能会问：这有什么用？实际上，Hamilton-Cayley定理在线性代数中有几个非常实用的应用：

计算矩阵的高次幂：通过特征多项式，我们可以将A^n表示为低次幂的线性组合，大大简化计算。
判断矩阵的可逆性：定理提供了另一种判断矩阵是否可逆的方法——检查常数项an是否为0。

求解矩阵的逆：如果矩阵可逆，定理可以直接给出逆矩阵的表达式：

# 假设A可逆，求A的逆 poly_terms = characteristic_poly.as_poly().all_coeffs() a_n = poly_terms[-1] if a_n != 0: A_inv = -1/a_n * sum(coeff * A**(power-1) for power, coeff in enumerate(reversed(poly_terms[:-1]), start=1)) print("逆矩阵:\n", simplify(A_inv))