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

P^{-1}AP = D,

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：

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。
$A$ 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。
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：

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）。
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 $\mathbf{v}_{i1}, \mathbf{v}_{i2}, \ldots, \mathbf{v}_{ig_i}$ 。
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。
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。
验证 $P^{-1}AP = D$ （或等价地 $AP = PD$ ）。

实例：考虑

A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}.

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

P = \begin{pmatrix} 1 & 1 \\ -1 & 1 \end{pmatrix}, \quad D = \begin{pmatrix} 1 & 0 \\ 0 & 3 \end{pmatrix},

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

Q^T A Q = D,

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：

J = \begin{pmatrix} \lambda & 1 \\ 0 & \lambda \end{pmatrix}

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。

返回百科索引