对角化

对角化 (Diagonalization)

对角化 (Diagonalization) 是 线性代数 中最核心的矩阵分解技术之一。对于一个 $n \times n$ 的 方阵 $A$，若存在一个 可逆矩阵 $P$ 和一个 对角矩阵 $D = \operatorname{diag}(\lambda_1, \lambda_2, \ldots, \lambda_n)$，使得

则称 $A$ 可对角化 (Diagonalizable)，并称 $P^{-1}AP = D$ 为 $A$ 的 对角化 或 特征分解 (Eigendecomposition)。等价地，$A = PDP^{-1}$，即 $A$ 被分解为三个结构简单的矩阵之积。

对角化的几何意义在于：它将线性变换 $A$ 的作用「解耦」为一组相互独立的方向上的伸缩——每个对角元 $\lambda_i$ 恰好是沿对应特征向量方向的缩放因子。这使得对矩阵的幂运算、指数运算以及动态系统分析变得异常简洁。

可对角化的条件

矩阵对角化的充要条件与其 特征值 和 特征向量 的结构密切相关。

设 $A$ 的特征多项式为 $\det(A - \lambda I) = 0$，其根 $\lambda_1, \ldots, \lambda_k$（$k \le n$）为 $A$ 的互异特征值。对每个特征值 $\lambda_i$，定义两个关键量：

• 代数重数 $m_i$：$\lambda_i$ 作为特征多项式根的重数。
• 几何重数 $g_i$：$\lambda_i$ 对应的特征子空间 $\ker(A - \lambda_i I)$ 的维数，即 $\lambda_i$ 的线性无关特征向量的最大数目。

$A$ 可对角化的充要条件为以下任意一条：

1. 对每个特征值 $\lambda_i$，其代数重数等于几何重数：$g_i = m_i$。这是最通用的判定准则。
2. $A$ 拥有 $n$ 个线性无关的特征向量。这些特征向量作为 $P$ 的列向量，对应特征值填入 $D$ 的对角线。
3. 若 $A$ 的所有 $n$ 个特征值互异（即 $k = n$），则 $A$ 必定可对角化。这是充分但非必要的条件。

需要警惕的是，代数重数大于几何重数（$g_i < m_i$）是矩阵不可对角化的标志。此时 $A$ 被称为亏损矩阵 (Defective Matrix)，其特征向量不足以张成整个 $\mathbb{R}^n$（或 $\mathbb{C}^n$），必须借助 若尔当标准形 (Jordan Canonical Form) 来处理。

对角化的计算步骤

给定 $n \times n$ 方阵 $A$，对角化的标准计算流程如下：

1. 求解特征方程 $\det(A - \lambda I) = 0$，得到全部特征值 $\lambda_1, \ldots, \lambda_n$（计重数）。
2. 对每个特征值 $\lambda_i$，求解齐次线性方程组 $(A - \lambda_i I)\mathbf{x} = \mathbf{0}$，得到特征子空间的一组基，即线性无关的特征向量 $\mathbf{v}_{i1}, \mathbf{v}_{i2}, \ldots, \mathbf{v}_{ig_i}$。
3. 验证总特征向量数目：若 $\sum_i g_i = n$，则 $A$ 可对角化；否则不可对角化。
4. 构造 $P = [\mathbf{v}_1 \ \mathbf{v}_2 \ \cdots \ \mathbf{v}_n]$（将所有特征向量按列排列），构造 $D = \operatorname{diag}(\lambda_1, \ldots, \lambda_n)$，特征值与特征向量的列顺序严格对应。
5. 验证 $P^{-1}AP = D$（或等价地 $AP = PD$）。

实例：考虑

特征方程 $\det(A - \lambda I) = (2-\lambda)^2 - 1 = \lambda^2 - 4\lambda + 3 = 0$，得 $\lambda_1 = 1$，$\lambda_2 = 3$（互异，故可对角化）。对应特征向量分别为 $\mathbf{v}_1 = (1, -1)^T$，$\mathbf{v}_2 = (1, 1)^T$。取

则 $P^{-1}AP = D$。

正交对角化与谱定理

当 $A$ 是 实对称矩阵 时，对角化具有更强的结论。谱定理 (Spectral Theorem) 指出：对任意 $n \times n$ 实对称矩阵 $A$，存在 正交矩阵 $Q$（$Q^T = Q^{-1}$）使得

其中 $D$ 的对角元为 $A$ 的（全实数）特征值，$Q$ 的列为相互正交的单位特征向量。这一过程称为 正交对角化 (Orthogonal Diagonalization)。相比于一般的对角化，正交对角化额外保证了 $P^{-1} = P^T$，在数值计算中更加稳定。

在复数域，厄米特矩阵 (Hermitian Matrix) 继承了相同的优良性质：存在 酉矩阵 $U$ 使得 $U^* A U = D$，且所有特征值为实数。

核心应用

对角化在纯数学与应用学科中均有广泛用途。

• 矩阵幂与指数：若 $A = PDP^{-1}$，则 $A^k = P D^k P^{-1}$，对角矩阵的幂仅需对对角线元素分别求幂：$D^k = \operatorname{diag}(\lambda_1^k, \ldots, \lambda_n^k)$。更一般地，矩阵指数 $e^{A} = P e^{D} P^{-1}$，其中 $e^{D} = \operatorname{diag}(e^{\lambda_1}, \ldots, e^{\lambda_n})$。这在求解 线性微分方程组 $\dot{\mathbf{x}} = A\mathbf{x}$ 时至关重要。
• 二次型与优化：对于 二次型 $q(\mathbf{x}) = \mathbf{x}^T A \mathbf{x}$（$A$ 对称），通过正交对角化 $A = QDQ^T$，令 $\mathbf{y} = Q^T \mathbf{x}$，则 $q = \mathbf{y}^T D \mathbf{y} = \sum_i \lambda_i y_i^2$，二次型被化为无交叉项的规范形，其正定性由特征值的正负直接判定。这是 凸优化 和多元微积分中 Hesse矩阵 判定的理论基础。
• 主成分分析 (PCA)：在 多元统计分析 中，对 协方差矩阵 进行正交对角化（谱分解），特征值代表各主成分方向上的方差，特征向量给出主成分方向。保留前 $k$ 个最大特征值对应的主成分即可实现最优 降维。
• 马尔可夫链：转移矩阵 的对角化可用于分析链的长期行为：平稳分布对应于特征值 1 的左特征向量，收敛速率由次大特征值模长决定。

不可对角化情况

并非所有方阵均可对角化。典型反例为 幂零矩阵 的若尔当块：

仅有特征值 $\lambda$（代数重数 2），但特征子空间维数仅为 1（几何重数 1）。此时不存在两个线性无关的特征向量，矩阵不可对角化。这类矩阵需借助 若尔当标准形 $A = P J P^{-1}$ 来刻画，其中 $J$ 为块对角矩阵，每个若尔当块在对角线上方有一个上对角线 1。若尔当标准形保留了对角化的核心思想——将矩阵分解为尽可能简单的标准形式，是对角化理论的自然延伸。