矩阵是数字或 “元素” 的矩形阵列。当矩阵 AAA mmm nnn 列,则是一个 m × nm\times nm×n 的矩阵。如果矩阵的形状相同,则它们可以相加。矩阵也可以乘上任意常数 ccc。以下是 A + BA+BA+B 2 A2A2A 的例子,它们都是 3 × 23\times23×2 的矩阵: [ 1 2 3 4 0 0 ]+ [ 2 2 4 4 9 9 ]= [ 3 4 7 8 9 9 ], 2 [ 1 2 3 4 0 0 ]= [ 2 4 6 8 0 0 ]\begin{bmatrix}1&2\\3&4\\0&0\end{bmatrix}+\begin{bmatrix}2&2\\4&4\\9&9\end{bmatrix}=\begin{bmatrix}3&4\\7&8\\9&9\end{bmatrix},\kern 10pt2\begin{bmatrix}1&2\\3&4\\0&0\end{bmatrix}=\begin{bmatrix}2&4\\6&8\\0&0\end{bmatrix} 130240 + 249249 = 379489 ,2 130240 = 260480 矩阵的加法和向量的加法一样,每次处理一个元素。我们也可以将列向量看成是只有一列的矩阵( n = 1n=1n=1)。 − A-AA 可以看成是 ccc 乘矩阵 AAA c = − 1c=-1c=1),它与 AAA 中全部元素的符号都相反。 AAA 加上 − A-AA 是零矩阵,它的全部元素均为零。这些是基础知识,下面将考虑矩阵的乘法。

一、第一种方法:单个元素的计算

iii 行第 jjj 列的元素记为 a i j a_{ij}aij A ( i , j )A(i,j)A(i,j),第一行的 nnn 个元素分别记为 a11, a12, ⋯  , a 1 n a_{11},a_{12},\cdots,a_{1n}a11,a12,,a1n。左下角的元素是 a m 1 a_{m1}am1,右下角的元素是 a m n a_{mn}amn。行的数字 iii 111 mmm,列的数字 jjj 111 nnn
若矩阵 AAA BBB 可以相乘时,这里总共讨论 444 种方法求 A BABAB。矩阵 AAA BBB 相乘需要满足如下条件:
ABAB AB 可以相乘: 若 AA Ann n 列,则 BB B 必须由 nn n
AAA 3 × 23\times23×2 的矩阵时, BBB 可以是 2 × 12\times12×1(向量)、 2 × 22\times22×2(方阵)或 2 × 202\times202×20 的矩阵,必须是 222 行,但是不可以是 3 × 23\times23×2 的矩阵。 AAA 乘数 BBB 的每一列。 第一种矩阵相乘的方法是点积的方式,矩阵的乘法遵守以下法则: 矩阵乘法的基础法则 AB   乘   C   等于   A   乘   BC (2.4.1)\pmb{矩阵乘法的基础法则}\kern 10ptAB\,乘\,C\,等于\,A\,乘\,BC\kern 10pt(2.4.1) 矩阵乘法的基础法则ABC等于ABC(2.4.1)括号可以在 A B CABCABC 之间安全移动, ( A B ) C = A ( B C )(AB)C=A(BC)(AB)C=A(BC),线性代数也是基于这个法则。
假设 AAA m × nm\times nm×n 的矩阵, BBB n × pn\times pn×p 的矩阵,它们可以相乘,乘积 A BABAB m × pm\times pm×p 的矩阵。( m×n)×(n× p)=( m× p),[ m    rowsn    columns] [ n    rowsp   columns]= [ m    rowsp   columns](\pmb m\times n)\times(n\times \pmb p)=(\pmb m\times \pmb p),\kern 10pt\begin{bmatrix}\pmb{m\,\,\textrm{rows}}\\n\,\,columns\end{bmatrix}\begin{bmatrix}n\,\,rows\\\pmb{p\,\textrm{columns}}\end{bmatrix}=\begin{bmatrix}\pmb{m\,\,\textrm{rows}}\\\pmb{p\,\textrm{columns}}\end{bmatrix} (m×n)×(n×p)=(m×p),[mrowsncolumns][nrowspcolumns]=[mrowspcolumns]一行乘一列是一种极端的情况, 1 × n1\times n1×n n × 1n\times 1n×1 的结果是 1 × 11\times11×1,这个数字就是点积。
任何情况下 A BABAB 中的元素都是点积, A BABAB 左上角的元素 ( 1 , 1 )(1,1)(1,1) ( A  的行  1 ) ⋅ ( B  的列  1 )(A\,的行\,1)\cdot(B\,的列\,1)(A的行1)(B的列1)。这就是第一种计算方法,是矩阵乘法常用的方法。计算 AA A 的每一行和 BB B 的每一列的点积。1. AB   的行   i   列   j   元素是 (A   的行   i)⋅(B   的列   j)1.\kern 8ptAB\,的行\,i\,列\,j\,元素是\kern 10pt(A\,的行\,i)\cdot(B\,的列\,j) 1.AB的行ij元素是(A的行i)(B的列j)Figure 2.8 是 4 × 54\times54×5 矩阵 AAA 的第二行 ( i = 2 )(i=2)(i=2) 5 × 65\times65×6 矩阵 BBB 的第三列 ( j = 3 )(j=3)(j=3),它们的点积在 A BABAB 的行 222 333。矩阵 A BABAB 的行数与 AAA ( 444 行)相同,列数与 BBB 666 列)相同。


例1】当且仅当方阵(Square matrices)的大小相同时,它们才可以相乘: [ 112 −1] [ 2 2 3 4 ]= [ 5 6 1 0 ]\begin{bmatrix}1&\kern 7pt1\\2&-1\end{bmatrix}\begin{bmatrix}2&2\\3&4\end{bmatrix}=\begin{bmatrix}5&6\\1&0\end{bmatrix} [1211][2324]=[5160]第一个点积是 1 ⋅ 2 + 1 ⋅ 3 = 51\cdot2+1\cdot3=512+13=5,其它三个点积可以通过同样的方法计算。每个点积需要两次乘法,总共是 888 次。
如果 AAA BBB 都是 n × nn\times nn×n 的方阵,则 A BABAB 也是 n × nn\times nn×n 的方阵,它包含 n2 n^2n2 次点积,即 AAA 的行数乘 BBB 的列数。每一个点积需要 nnn 次乘法,所以计算 A BABAB 总共需要 n3 n^3n3 次乘法。当 n = 100n=100n=100 时,需要 10 03= 1000000100^3=10000001003=1000000 次乘法;当 n = 2n=2n=2 时,需要 23= 82^3=823=8 次乘法。
目前有人找到只需要 777 次(会有额外的加法)的方法。但是比较难以处理,所以目前仍认为正常的科学计算需要 n3 n^3n3 次。

例2】假设 AAA 是一个行向量( 1 × 31\times31×3), BBB 是一个列向量( 3 × 13\times13×1),则 A BABAB 1 × 11\times11×1(仅有一个点积,一个元素)。若反过来相乘, B ABABA(一列乘一行)则会得到一个完整的 3 × 33\times33×3 矩阵,这样的乘法也是允许的!列乘行 ( n × 1 ) ( 1 × n ) = ( n × n )[ 0 1 2 ] [ 1 2 3 ]= [ 0 0 0 1 2 3 2 4 6 ]\begin{matrix}列乘行\\(n\times1)(1\times n)=(n\times n)\end{matrix}\kern 10pt\begin{bmatrix}0\\1\\2\end{bmatrix}\begin{bmatrix}1&2&3\end{bmatrix}=\begin{bmatrix}0&0&0\\1&2&3\\2&4&6\end{bmatrix} 列乘行(n×1)(1×n)=(n×n) 012 [123]= 012024036 一行乘一列是内积(inner product),这是点积的另一个名称。一列乘一行是外积(outer product)。这是一些矩阵乘法的极端情况。

二、第二和第三种方法:行和列

在大图(big picture)中, AAA BBB 的每一列,结果是 A BABAB 的一列,该列是 AAA 列的组合。 A B\pmb{AB} AB 的每一列都是 A\pmb A A 列的线性组合。这是矩阵乘法的列图像:2. 矩阵   A   乘   B   的每一列 A[ b 1⋯  b p]=[A b 1⋯   A b p]2.\kern 8pt矩阵\,A\,乘\,B\,的每一列\kern 10ptA[b_1\cdots\, b_p]=[Ab_1\cdots\,Ab_p] 2.矩阵AB的每一列A[b1bp]=[Ab1Abp]行图像则相反, AAA 的每一行乘整个矩阵 BBB A BABAB 的一行。 A B\pmb{AB} AB 的每一行都是 B\pmb B B 行的线性组合3. A   的每一行乘矩阵   B [A   的行   i] [ 1 2 3 4 5 6 7 8 9 ]=[AB   的行   i]3.\kern 8ptA\,的每一行乘矩阵\,B\kern 10pt[A\,的行\,i]\begin{bmatrix}1&2&3\\4&5&6\\7&8&9\end{bmatrix}=[AB\,的行\,i] 3.A的每一行乘矩阵B[A的行i] 147258369 =[AB的行i]消元法中用到的是行运算( E  乘  AE\,乘\,AEA), A A − 1 AA^{-1}AA1 中用到的是列运算。“行-列图像” 有行与列的点积,手算矩阵时经常使用点积:有 m n pmnpmnp 次乘法/加法 步骤。AB=(m×n)(n×p)=(m×p),+ mp   次点积,每次点积需要   n   个步骤 (2.4.2)AB=(m\times n)(n\times p)=(m\times p),+\kern 7ptmp\,次点积,每次点积需要\,n\,个步骤\kern 5pt(2.4.2) AB=(m×n)(n×p)=(m×p),+mp次点积,每次点积需要n个步骤(2.4.2)

三、第四种方法:列乘行

矩阵的第四种乘法是列乘行,然后将其相加:4. A   的列   1   至列   n,乘   B   的行   1   至行   n,将全部矩阵相加4.\kern 8ptA\,的列\,1\,至列\,n,乘\,B\,的行\,1\,至行\,n,将全部矩阵相加 4.A的列1至列n,乘B的行1至行n,将全部矩阵相加 AAA 的列 111 BBB 的行 111 AAA 的列 2 , 32,32,3 BBB 的行 2 , 32,32,3,然后相加: [ col   1 col  2 col  3⋅⋅⋅⋅⋅⋅] [row  1⋯ row  2⋯ row  3⋯]= ( col   1) ( row   1) + (col   2)(row   2)+(col   3)(row   3) \begin{bmatrix}\pmb{\textrm{col}\,1}&\pmb{\textrm{col\,2}}&\pmb{\textrm{col\,3}}\\\pmb \cdot&\pmb\cdot&\pmb\cdot\\ \pmb\cdot&\pmb\cdot&\pmb\cdot\end{bmatrix}\begin{bmatrix}\pmb{\textrm{row\,1}}&\pmb\cdots&\\\pmb{\textrm{row\,2}}&\pmb\cdots\\\pmb{\textrm{row\,3}}&\pmb\cdots\end{bmatrix}=\pmb{(\textrm {col\,1})(\textrm{row\,1})+\textrm{(col\,2)(row\,2)+(col\,3)(row\,3)}} col1col2col3 row1row2row3 =(col1)(row1)+(col2)(row2)+(col3)(row3) AAA BBB 均是 2 × 22\times22×2 的矩阵时AB= [ ab cd ] [ EFG H ]= [a E+bG a F+bH c E+dG c F+dH]AB=\begin{bmatrix}\pmb a&b\\\pmb c&d\end{bmatrix}\begin{bmatrix}\pmb E&\pmb F\\G&H\end{bmatrix}=\begin{bmatrix}\pmb{aE}+bG&\pmb{aF}+bH\\\pmb{cE}+dG&\pmb{cF}+dH\end{bmatrix} AB=[acbd][EGFH]=[aE+bGcE+dGaF+bHcF+dH]A   的列乘   B   的行,再相加 AB= [ ac] [ EF]+ [ b d ] [ G H ] (2.4.3)A\,的列乘\,B\, 的行,再相加\kern 10ptAB=\begin{bmatrix}\pmb a\\\pmb c\end{bmatrix}\begin{bmatrix}\pmb E&\pmb F\end{bmatrix}+\begin{bmatrix}b\\d\end{bmatrix}\begin{bmatrix}G&H\end{bmatrix}\kern 6pt(2.4.3) A的列乘B的行,再相加AB=[ac][EF]+[bd][GH](2.4.3) AAA 的列 kkk BBB 的行 kkk 得到一个矩阵,令 k = 1 , 2 , ⋯  , nk=1,2,\cdots,nk=1,2,,n,然后将所有的矩阵相加得到 A BABAB
如果 A BABAB ( m × n ) ( n × p )(m\times n)(n\times p)(m×n)(n×p),则 nnn 个矩阵都是列与行相乘的 m × pm\times pm×p 矩阵。该方法同样需要 m n pmnpmnp 次乘法,只是顺序不同。

四、矩阵运算法则

矩阵运算遵循以下六个法则,还有一个法则是不正确的。矩阵可以是方形的也可以是矩形的。下面是三个加法法则: A+B=B+A(交换律  commutative   law)c(A+B)=cA+cB (分配律  distributive   law)A+(B+C)=(A+B)+C(结合律  associative   law)\begin{matrix}\kern20ptA+B=B+A\kern 17pt&\kern 10pt(交换律\,\textrm{commutative\,\,law})\\c(A+B)=cA+cB&\kern 3pt(分配律\,\textrm{distributive\,\,law})\\A+(B+C)=(A+B)+C&(结合律\,\textrm{associative\,\,law})\end{matrix} A+B=B+Ac(A+B)=cA+cBA+(B+C)=(A+B)+C(交换律commutativelaw)(分配律distributivelaw)(结合律associativelaw)另外三个法则是乘法法则,注意 A B = B AAB=BAAB=BA 通常来说都是错误的:AB≠BA (交换律通常不成立)A(B+C)=AB+AC(左分配律)(A+B)C=AC+BC(右分配律)A(BC)=A(BC) (ABC的结合律)(不需要括号)\begin{matrix}AB\neq BA&\kern 40pt(交换律通常不成立)\\A(B+C)=AB+AC&(左分配律)\\(A+B)C=AC+BC&(右分配律)\\A(BC)=A(BC)&\kern 81pt(ABC的结合律)(不需要括号)\end{matrix} AB=BAA(B+C)=AB+AC(A+B)C=AC+BCA(BC)=A(BC)(交换律通常不成立)(左分配律)(右分配律)(ABC的结合律)(不需要括号) AAA BBB 不是方阵时, A BABAB B ABABA 的大小不同,也不可能相等(假设可以相乘)。对于方阵,绝大部分情况都有 A B ≠ B AAB\neq BAAB=BAAB= [ 0 0 1 0 ] [ 0 1 0 0 ]= [ 0 0 0 1 ],   但是   BA= [ 0 1 0 0 ] [ 0 0 1 0 ]= [ 1 0 0 0 ]AB=\begin{bmatrix}0&0\\1&0\end{bmatrix}\begin{bmatrix}0&1\\0&0\end{bmatrix}=\begin{bmatrix}0&0\\0&1\end{bmatrix},\,但是\,BA=\begin{bmatrix}0&1\\0&0\end{bmatrix}\begin{bmatrix}0&0\\1&0\end{bmatrix}=\begin{bmatrix}1&0\\0&0\end{bmatrix} AB=[0100][0010]=[0001],但是BA=[0010][0100]=[1000] A I = I AAI=IAAI=IA 是成立的,所有的方阵与 III 相乘都满足交换律,与 c IcIcI 也一样。只有这些矩阵的乘法顺序才可交换。
法则 A ( B + C ) = A B + A CA(B+C)=AB+ACA(B+C)=AB+AC 可以一次证明一列。对于第一列 A ( b + c ) = A b + A cA(\boldsymbol b+\boldsymbol c)=A\boldsymbol b+A\boldsymbol cA(b+c)=Ab+Ac,这个是所有事情的关键 —— 线性
法则 A ( B C ) = ( A B ) CA(BC)=(AB)CA(BC)=(AB)C 表示可以先乘 B CBCBC 也可以先乘 A BABAB,这个法则很有用,是矩阵乘法的关键。
A = B = CA=B=CA=B=C 且为方阵时, ( A(A(A A2)A^2)A2) 等于 ( A2 (A^2(A2 A )A)A)。它们的乘积都是 A3 A^3A3。矩阵的幂 Ap A^pAp 和数字的运算法则一致: A p=AAA⋯A   (p   个因子) ( A p)( A q)= A p+q( A p ) q= A pq A^p=AAA\cdots A\,(p\,个因子)\kern 8pt(A^p)(A^q)=A^{p+q}\kern 8pt(A^p)^q=A^{pq} Ap=AAAA(p个因子)(Ap)(Aq)=Ap+q(Ap)q=Apq这是指数的一般法则, A3 A^3A3 A4 A^4A4 A7 A^7A7 A3 A^3A3 444 次方是 A12 A^{12}A12。当 ppp qqq 是零或负数时,这个法则任然成立。假设 AAA − 1-11 次方 —— 逆矩阵 A − 1 A^{-1}A1 A0= IA^0=IA0=I 是单位矩阵,类似 20= 12^0=120=1
对于数字 a − 1= 1 / aa^{-1}=1/aa1=1/a,对矩阵来说逆矩阵写成 A − 1 A^{-1}A1(不是 I / AI/AI/A,除了MATLAB)。除了 a = 0a=0a=0 以外的数都有倒数,但是对于矩阵 AAA 有没有逆矩阵是线性代数的核心问题。

五、分块矩阵与分块乘法

矩阵可以被分割成块(blocks,小一些的矩阵)。下面是一个 4 × 64\times64×6 的矩阵,分割成 2 × 22\times22×2 的块,本例中每个块都是单位矩阵 III 4 × 6  的矩阵分成 2 × 2  的分块矩阵 得到  2 × 3  个分块矩阵 A= [ 1 0 1 0 1 0 0 1 0 1 0 1 1 0 1 0 1 0 0 1 0 1 0 1 ]= [ I I I I I I ]\begin{matrix}4\times6\,的矩阵分成\\2\times2\,的分块矩阵\\\kern 20pt得到\,2\times3\,个分块矩阵\end{matrix}\kern 15ptA=\left[\begin{array}{cc|cc|cc}1&0&1&0&1&0\\0&1&0&1&0&1\\\hline1&0&1&0&1&0\\0&1&0&1&0&1\end{array}\right]=\begin{bmatrix}I&I&I\\I&I&I\end{bmatrix} 4×6的矩阵分成2×2的分块矩阵得到2×3个分块矩阵A= 101001011010010110100101 =[IIIIII]如果 BBB 也是 4 × 64\times64×6 的矩阵,且大小匹配,则可以对 A + BA+BA+B 匹配的方块相加。
b\boldsymbol bb 放在 AAA 旁边就变成增广矩阵, [ A b ]\begin{bmatrix}A&\boldsymbol b\end{bmatrix}[Ab] 有两个大小不一样的方块,这也是分块矩阵,左乘上消元矩阵得到 [ EAEb]\begin{bmatrix}EA&E\boldsymbol b\end{bmatrix}[EAEb]。只要形状匹配,那么分块相乘就没有问题。 分块乘法:如果   A   的分块可以乘   B   的分块,那么   AB   就可以分块相乘。A   的列分割必须和   B   的行分割相匹配。[ A11A12A21A22] [ B11B21]= [A 11 B 11+ A 12 B 21 A 21 B 11+ A 22 B 21] (2.4.4)\pmb{分块乘法}:如果\,A\,的分块可以乘\,B\,的分块,那么\,AB\,就可以分块相乘。A\,的列分割必须和\,B\,的行分割相匹配。\\\begin{bmatrix}A_{11}&A_{12}\\A_{21}&A_{22}\end{bmatrix}\begin{bmatrix}B_{11}\\B_{21}\end{bmatrix}=\begin{bmatrix}A_{11}B_{11}+A_{12}B_{21}\\A_{21}B_{11}+A_{22}B_{21}\end{bmatrix}\kern 15pt(2.4.4) 分块乘法:如果A的分块可以乘B的分块,那么AB就可以分块相乘。A的列分割必须和B的行分割相匹配。[A11A21A12A22][B11B21]=[A11B11+A12B21A21B11+A22B21](2.4.4)若每个分块都是数字( 1 × 11\times11×1 的矩阵),这种特殊情况就是矩阵的乘法,它们是一致的。上式所有的 AAA 都要放在 BBB 之前,因为 A BABAB B ABABA 是不同的。
重点: 当对矩阵进行分块时,经常更容易看出它们如何作用的。如上例中分块矩阵是单位矩阵 III 就比原来的 4 × 64\times64×6 的矩阵更清晰。

例3】(重要的特殊情况)将矩阵 AAA 每列分成一块,共 nnn 列,矩阵 BBB 每行分成一块,共 nnn 行,则 A BABAB 的分块乘法就是列乘行相加: 列乘行[ ∣ ∣ a1⋯ an∣ ∣ ] [ − b1− ⋯ − bn− ]= [a 1 b 1+⋯+ a n b n] (2.4.5)\pmb{列乘行}\kern 10pt\begin{bmatrix}|& &|\\a_1&\cdots&a_n\\|& &|\end{bmatrix}\begin{bmatrix}-&b_1&-\\&\cdots\\-&b_n&-\end{bmatrix}=\begin{bmatrix}a_1b_1+\cdots+a_nb_n\end{bmatrix}\kern 15pt(2.4.5) 列乘行 a1an b1bn =[a1b1++anbn](2.4.5)这就是第四种矩阵乘法。下面是具体的例子: [ 1 4 1 5 ] [ 3 2 1 0 ]= [ 1 1 ] [ 3 2 ]+ [ 4 5 ] [ 1 0 ]= [ 3 2 3 2 ]+ [ 4 0 5 0 ]= [ 7 2 8 2 ]\begin{bmatrix}1&4\\1&5\end{bmatrix}\begin{bmatrix}3&2\\1&0\end{bmatrix}=\begin{bmatrix}1\\1\end{bmatrix}\begin{bmatrix}3&2\end{bmatrix}+\begin{bmatrix}4\\5\end{bmatrix}\begin{bmatrix}1&0\end{bmatrix}=\begin{bmatrix}3&2\\3&2\end{bmatrix}+\begin{bmatrix}4&0\\5&0\end{bmatrix}=\begin{bmatrix}7&2\\8&2\end{bmatrix} [1145][3120]=[11][32]+[45][10]=[3322]+[4500]=[7822]总结:通常使用行乘列求矩阵的乘积,要 444 个点积( 888 次乘法)。列乘行得到两个完整的矩阵(同样是 888 次乘法)。

例4】(用分块消元)假设 AAA 的第一列是 1 , 3 , 41,3,41,3,4,要将 3 , 43,43,4 变成 0 , 00,00,0,需要减去主元行的 333 倍和 444 倍。这些行运算就是消元矩阵 E21 E_{21}E21 E32 E_{32}E32 E 21= [10 0 −31 000 1 ],E 31= [10 001 0 −40 1 ]E_{21}=\begin{bmatrix}\kern 7pt1&0&0\\-3&1&0\\\kern 7pt0&0&1\end{bmatrix},\kern 5ptE_{31}=\begin{bmatrix}\kern 7pt1&0&0\\\kern 7pt0&1&0\\-4&0&1\end{bmatrix} E21= 130010001 ,E31= 104010001 分块的思想就是用一个矩阵矩阵 EEE 完成上面的两次消元,该矩阵将第一列的主元 a = 1a=1a=1 下面的数字全部变成 000E= [ 10 0 −31 0 −40 1 ]乘 [ 1x x 3x x 4x x ]得到 [ 1x x 0y y 0z z ]E=\begin{bmatrix}\kern 7pt\pmb1&0&0\\\pmb{-3}&1&0\\\pmb{-4}&0&1\end{bmatrix}乘\begin{bmatrix}\pmb1&x&x\\\pmb3&x&x\\\pmb4&x&x\end{bmatrix}得到\begin{bmatrix}\pmb1&x&x\\\pmb0&y&y\\\pmb0&z&z\end{bmatrix} E= 134010001 134xxxxxx 得到 100xyzxyz 使用逆矩阵,分块矩阵 EEE 可以对整个列消元(将被消元部分看成一块)。假设矩阵有 444 A , B , C , DA,B,C,DA,B,C,D,通过分块消去 CCC 分块消元[ I 0 −C A −1 I ] [ A B C D ]= [ A B 0 D−C A −1 B] (2.4.6)\pmb{分块消元}\kern 10pt\left[\begin{array}{c|c}I&0\\\hline-CA^{-1}&I\end{array}\right]\left[\begin{array}{c|c}A&B\\\hline C&D\end{array}\right]=\left[\begin{array}{c|c}A&B\\\hline0&D-CA^{-1}B\end{array}\right]\kern 15pt(2.4.6) 分块消元[ICA10I][ACBD]=[A0BDCA1B](2.4.6)消元法从第二行减去第一行 [ A B ]\begin{bmatrix}A&B\end{bmatrix}[AB] 左乘 C A − 1 CA^{-1}CA1(以前是 c / ac/ac/a),使得块 CCC 变为了 000 块,块 DDD 变为 S = D − C A − 1BS=D-CA^{-1}BS=DCA1B
分块消元是一次处理一列,主元方块是 AAA,最后的方块是 D − C A − 1BD-CA^{-1}BDCA1B,如同 d − c b / ad-cb/adcb/a,这个称为舒尔补(Schur complement)。

六、主要内容总结

  1. ABAB AB(i,j)(i,j) (i,j) 元素是 (A的行   i)⋅(B的列   j)(A的行\,i)\cdot(B的列\,j) (A的行i)(B的列j)
  2. m×nm\times n m×n 的矩阵乘 n×pn\times p n×p 的矩阵会有 mnpmnp mnp 次乘法。
  3. AA ABCBC BC 等于 ABAB ABCC C(非常重要)。
  4. ABAB AB 也是这 nn n 个矩阵的和:(A的列   j)⋅(B的行   j)(A的列\,j)\cdot(B的行\,j) (A的列j)(B的行j)
  5. 当分块矩阵的形状能正确匹配时,就可以使用分块乘法。
  6. 分块消元会产生舒尔补  D−C A −1 B\,D-CA^{-1}B DCA1B

七、例题

例5】一个图形(或网络)有 nnn 个节点。它的邻接矩阵(adjacency matrix) SSS n × nn\times nn×n。它是一个 0 − 10-101 矩阵,当节点 iii 与 节点 jjj 有边相连时 S i j= 1S_{ij}=1Sij=1

无向图的邻接矩阵是方阵且对称,边的两个方向均可以行走\bold{无向图的邻接矩阵是方阵且对称,边的两个方向均可以行走} 无向图的邻接矩阵是方阵且对称,边的两个方向均可以行走矩阵 S2 S^2S2 有一个很有用的解释, S i j2 S^2_{ij}Sij2 是节点 iii 与节点 jjj 之间长度为 2 \pmb 22 的路径的个数。上图中节点 222 与节点 333 之间长度为 222 的路径有两个:经过 111 的路径 2 − 1 − 32-1-3213,经过 444 的路径 2 − 4 − 32-4-3243。节点 111 到节点 111 长度为 222 的路径也是 222 个: 1 − 2 − 11-2-1121 1 − 3 − 11-3-1131 S 2= [ 21 1 2 1 3 21 1 2 3 1 2 1 1 2 ],S 3= [ 2 55 2 5 4 5 5 5 5 4 5 2 5 5 2 ]S^2=\begin{bmatrix}\pmb 2&1&1&2\\1&3&\pmb 2&1\\1&2&3&1\\2&1&1&2\end{bmatrix},\kern 10ptS^3=\begin{bmatrix}2&\pmb 5&5&2\\5&4&5&5\\5&5&4&5\\2&5&5&2\end{bmatrix} S2= 2112132112312112 ,S3= 2552545555452552 你可以找到 555 条节点 111 到节点 222 长度为 333 的路径吗?
555 条: 1 − 2 − 1 − 2 , 1 − 2 − 3 − 2 , 1 − 2 − 4 − 2 , 1 − 3 − 1 − 2 , 1 − 3 − 4 − 21-2-1-2,1-2-3-2,1-2-4-2,1-3-1-2,1-3-4-21212,1232,1242,1312,1342
为什么 SN S^{N}SN 可以计算出两个节点之间长度为 NNN 的所有路径数呢?我们从 S2 S^2S2 开始看某一元素的点积:( S 2 ) ij =(S的行   i)⋅(S的列   j)= S i1S 1j + S i2S 2j + S i3S 3j + S i4S 4j(2.4.7)(S^2)_{ij}=(S的行\,i)\cdot(S的列\,j)=S_{i1}S_{1j}+S_{i2}S_{2j}+S_{i3}S_{3j}+S_{i4}S_{4j}\kern 20pt(2.4.7) (S2)ij=(S的行i)(S的列j)=Si1S1j+Si2S2j+Si3S3j+Si4S4j(2.4.7)若存在两步的路径 i → 1 → ji\rightarrow 1\rightarrow ji1j,第一个乘法得到 S i 1S 1 j= ( 1 ) ( 1 ) = 1S_{i1}S_{1j}=(1)(1)=1Si1S1j=(1)(1)=1,若不存在 i → 1 → ji\rightarrow1\rightarrow ji1j 的路径,那么要么 i → 1i\rightarrow1i1 不存在,要么就是 1 → j1\rightarrow j1j 不存在,此时 S i 1S 1 j= 0S_{i1}S_{1j}=0Si1S1j=0
( S2) i j (S^2)_{ij}(S2)ij 会将所有的两步路径 i → k → ji\rightarrow k\rightarrow jikj 的个数累加起来,得到总路径数。同样, S N − 1SS^{N-1}SSN1S 会计算 NNN 步路径数, S N − 1 S^{N-1}SN1 表示从 iii kkk ( N − 1 )(N-1)(N1) 步的路径数, SSS 表示从 kkk jjj 的那一步路径数。矩阵乘法非常适合计算图形的路径,也可以看成公司内员工之间同相的频道个数。

例6】下面有三个矩阵,什么时候 A B = B AAB=BAAB=BA ?什么时候 B C = C BBC=CBBC=CB ?什么时候 A ( B C ) = ( A B ) CA(BC)=(AB)CA(BC)=(AB)C ?给出矩阵元素 p , q , r , zp,q,r,zp,q,r,z 要满足的条件。A= [ p 0 q r ], B= [ 1 1 0 1 ], C= [ 0 z 0 0 ]A=\begin{bmatrix}p&0\\q&r\end{bmatrix},\kern 5ptB=\begin{bmatrix}1&1\\0&1\end{bmatrix},\kern 5ptC=\begin{bmatrix}0&z\\0&0\end{bmatrix} A=[pq0r],B=[1011],C=[00z0]如果 p , q , r , 1 , zp,q,r,1,zp,q,r,1,z 都是 4 × 44\times44×4 的块而不是数字,答案还一样吗?
解: 首先, A ( B C ) = ( A B ) CA(BC)=(AB)CA(BC)=(AB)C 是永远正确的,该等式中括号并不需要,但是矩阵的顺序不能变。
通常情况下 A B ≠ B AAB\neq BAAB=BAAB= [ p p q q+r], BA= [ p+qr q r ]AB=\begin{bmatrix}p&p\\q&q+r\end{bmatrix},\kern 5ptBA=\begin{bmatrix}p+q&r\\q&r\end{bmatrix} AB=[pqpq+r],BA=[p+qqrr]若要求 A B = B AAB=BAAB=BA,则需要满足 q = 0 , p = rq=0,p=rq=0,p=r
B C = C BBC=CBBC=CB 是一个巧合:BC= [ 0 z 0 0 ], CB= [ 0 z 0 0 ]BC=\begin{bmatrix}0&z\\0&0\end{bmatrix},\kern 5ptCB=\begin{bmatrix}0&z\\0&0\end{bmatrix} BC=[00z0],CB=[00z0] p , q , r , zp,q,r,zp,q,r,z 均是 4 × 44\times 44×4 的块, 111 变为 III,那么所有所有的乘积也是一样的,所有答案也一样。