线性代数拾遗（二）：线性方程组的解集及其几何意义

算法与数学之美

上一章我们讲到三种等价形式：线性方程组、向量方程和矩阵方程。见连接：

由于这三者之间的等价关系，我们解决现实问题时可以自由选取其中任意一个作为模型。我个人认为，线性方程组是最“质朴”的形式；向量方程则是与几何建立了关系，这将方便我们进行更直观的推理；矩阵方程则是向量方程的一种“封装”，是向量方程的一种抽象，它将具体的向量形式隐藏，提供给我们一个简洁的 API 形式——矩阵。未来将要介绍的很多概念就是基于对这一层封装的研究，如果到时候我们发现某个概念理解有困难，不妨转换思路到向量方程或线性方程组的形式进行分析。

此外，我们之前还进行了关于线性方程组解集的讨论，在这章我们对其进一步探讨。

一、齐次线性方程组

形如 Ax=0 的线性方程组称为齐次方程组。显然，x=0 是方程的解，这个解太平凡了，以致于就叫平凡解。我们平常更关心的是它还有没有别的解，即非平凡解。下面以一个例子分析一下：

例：判断下列齐次方程组是否有非平凡解，表示其解集。

对于这类求解集的问题，我们可以直接对增广矩阵化简，得到

从最后的行最简形式，我们可以得到解：

，其中x3 是自由变量。所以x 的通解就是

。也就是说，Ax=0 的解是三维空间（因为向量 v 是三维的）中的一条直线（因为只有一个自由变量）。进一步推广，我们不难想象，如果解集中有p 个自由变量，则解集就是 m 维空间（m 为 A 的行数）中，p 个向量张成的空间。如果没有自由变量（也就是 A 各列线性无关），那么就有 0 个向量张成的空间，即 Span{0}，Ax=0 也就只有平凡解。

二、非齐次线性方程组

非齐次线性方程组形如 Ax=b，为了方便对比，我们把上面那个例子改为一个非齐次方程组进行分析：

老套路，我们对这个方程组的增广矩阵行化简：

化简后可以得到方程组的解为：

，其中x3 是自由变量。我们把这个解集用向量的形式表示出来就是：

注意到这个向量可分解为一个常数向量

和一个可任意伸缩的向量

$x_{3} [\begin{matrix} \frac{4}{3} \\ 0 \\ 1 \end{matrix}]$

，而且，常数向量就是行化简后矩阵的最后一列，而

$[\begin{matrix} \frac{4}{3} \\ 0 \\ 1 \end{matrix}]$

同样是齐次方程组的解。这是因为非齐次方程组只是最后一列由0换成了b，而且最后一列不会影响前面三列，所以齐次和非齐次方程组行化简后，变量的对应系数是相同的（系数矩阵就是前三列），非齐次方程组的解仅仅只比齐次方程组的解多了一个常数向量。例如齐次方程组的解集为x=tv，则非齐次方程组的解集就是x=p+tv，其中 t 为任意实数。从几何的角度来看，就是齐次方程组的解集经向量 p 平移得到非齐次方程组的解集。这个 p 的学名就叫做特解。

注意，这里讲齐次方程组和非齐次方程组的解有一个前提，就是非齐次方程组首先要是有解的，如果0变成b 导致方程组没有解，那么也就不能用齐次方程组的解集平移了。

结合之前总结的齐次线性方程组解的性质，当方程组含有 p 个自由变量时，齐次方程组的解集是 p 个向量的张成空间，而非齐次方程组解集只是这个空间进行了平移（前提是非齐次方程组有解），并没有改变这个空间的基本性质（比如空间的维度）。

三、列空间

矩阵

的各个列向量线性组合组成的集合，就是A的列空间。记作 ColA，即

ColA=Span{a1,a2,⋯,an}

这个列空间，我们应该不陌生了，上一章中很多时候都是把矩阵看成列向量的排列，考虑 Ax=b 的解的情况时其实就是在列向量中进行分析的。列空间在分析矩阵中各列向量的线性相关性时很有帮助：只有各列线性无关时，这 n 个列才能张成 n 维空间，这时就说这个矩阵的秩为 n；而假如这里面有 1 列和其他某列线性相关，那么这 n 个列就只能张成n−1 维空间，这个矩阵的秩就是n−1；也就是说，矩阵的秩说明了这个矩阵的列向量最多能张成多少维。

如下图中，A=[a1 a2 a3]，由于有两个向量线性相关，导致 3 个列向量只能张成 2 维，因此 A 的秩为 2。所以 Ax 得不到任意三维向量b，也就是 Ax=b 并不对所有b 成立（只有b 是 A 列空间中的向量时才成立）。

更进一步，非齐次线性方程组 Ax=b 中，如果 A已知，x和b 未知，此时我们关注的问题是 A 的列向量能张成多少维；如果 A 和 b 已知，我们关注的问题就是 A 中 n 个列向量如何线性表示能表示成 b，这时候我们如果提前知道 A 的列空间达不到 b 的维数，那么这些列向量就一定无法线性组合出 b。

四、零空间

齐次方程 Ax=0 的全部解组成的集合，称为矩阵 A 的零空间，记作 NulA。

当 A 中的列向量线性无关时，Ax=0 只有零解，这时 A 的零空间就是 0；而只要 A 中的列向量线性相关，Ax=0 就存在非零解，这时A 的零空间就是一个维度大于 0 的空间。

关于列空间和零空间的讨论先在这里打住，之后会进一步讨论它们之间的关系和各自的意义。目前只要知道列空间是由 A 的列向量张成的，而零空间的意义更隐晦一些，是Ax=0 的所有解组成的空间。从列空间能看出 A各列的线性相关关系，列向量越相关，列空间维度越低。从零空间也能看出 A 各列的线性相关性，列向量越相关，零空间维度越高。而负责量化描述 A 列向量有多么线性相关的，是一个叫做秩的东西。

# 参考资料：

线性代数及其应用：第3版/（美）莱（Lay, D.C.）著；沈复兴等译. ——北京：人民邮电出版社，2007.7
麻省理工学院的线性代数公开课

————

编辑 ∑Gemini

来源：http://mengqi92.github.io

☞21世纪的物理学

☞数学的真相：物理时空的数字模型还是现实本身？

☞世界上最奇怪的数学天才，被奖励100万却拒领，宁愿过得像乞丐

☞斯坦福大学教育学院院长：学习本身就是一门学问

☞施一公：没有高考，就没有一批非常优秀的社会精英从农村走出来

☞知乎热搜可以被人为控制吗？如果可以，怎么操作

算法数学之美微信公众号欢迎赐稿

稿件涉及数学、物理、算法、计算机、编程等相关领域，经采用我们将奉上稿酬。

投稿邮箱：math_alg@163.com

继续滑动看下一个