本章目标
- 理解特征值、特征向量的几何意义与代数定义。
- 会求特征多项式与全部特征对（特征值 + 特征向量）。
- 掌握矩阵可对角化的条件与对角化方法。
- 了解特征值在微分方程与 PCA 中的应用。
一、概念与几何意义
设 $A$ 为 $n$ 阶方阵。若存在非零向量 $\boldsymbol{v}\neq\boldsymbol{0}$ 和标量 $\lambda$ 使
$$\boxed{A\boldsymbol{v}=\lambda\boldsymbol{v}}$$
则称 $\lambda$ 为 $A$ 的特征值，$\boldsymbol{v}$ 为对应 $\lambda$ 的特征向量。
几何意义：特征向量 $\boldsymbol{v}$ 在变换 $A$ 作用下方向保持不变（或反向），仅被拉伸 / 压缩 $\lambda$ 倍。特征向量不唯一：若 $\boldsymbol{v}$ 是特征向量，则任意 $k\boldsymbol{v}\ (k\neq0)$ 也是。
二、特征方程
由 $A\boldsymbol{v}=\lambda\boldsymbol{v}$ 得 $(A-\lambda I)\boldsymbol{v}=\boldsymbol{0}$。要存在非零解，须系数矩阵奇异，即行列式为零：
$$\boxed{\det(A-\lambda I)=0}$$
这是关于 $\lambda$ 的 $n$ 次方程，称特征方程；多项式 $p(\lambda)=\det(A-\lambda I)$ 称特征多项式。其根即特征值。
重要性质
$$\sum_i\lambda_i=\operatorname{tr}(A)=\sum_i a_{ii},\qquad \prod_i\lambda_i=\det A,\qquad \text{不同特征值的特征向量线性无关}$$
三、求解示例（2×2 矩阵）
对 $A=\begin{pmatrix}a&b\\c&d\end{pmatrix}$：
$$\det(A-\lambda I)=\begin{vmatrix}a-\lambda&b\\c&d-\lambda\end{vmatrix}=(a-\lambda)(d-\lambda)-bc=\lambda^2-(a+d)\lambda+(ad-bc)=0$$
$$\lambda_{1,2}=\frac{\operatorname{tr}(A)\pm\sqrt{\operatorname{tr}(A)^2-4\det A}}{2}$$
求出 $\lambda$ 后代入 $(A-\lambda I)\boldsymbol{v}=\boldsymbol{0}$，解齐次方程组得特征向量。
四、相似与对角化
若 $B=P^{-1}AP$（$P$ 可逆），称 $A$ 与 $B$ 相似，相似矩阵特征值相同。
若 $A$ 有 $n$ 个线性无关特征向量 $\boldsymbol{v}_1,\dots,\boldsymbol{v}_n$ 作列构成 $P=(\boldsymbol{v}_1\cdots\boldsymbol{v}_n)$，对应特征值构成对角阵 $\Lambda=\operatorname{diag}(\lambda_1,\dots,\lambda_n)$，则
$$\boxed{P^{-1} A P = \Lambda,\qquad A = P \Lambda P^{-1}}$$
可对角化条件
$$n\text{ 阶矩阵可对角化} \iff \text{有 }n\text{ 个线性无关特征向量} \iff \text{每个特征值的几何重数 = 代数重数}$$
矩阵幂
$$A^k = P \Lambda^k P^{-1},\qquad \Lambda^k = \operatorname{diag}(\lambda_1^k,\dots,\lambda_n^k)$$
五、应用举例
- 微分方程组 $\dot{\boldsymbol{x}}=A\boldsymbol{x}$：解为 $\boldsymbol{x}(t)=e^{At}\boldsymbol{x}_0$。若可对角化，$e^{At}=P e^{\Lambda t} P^{-1}$，长期行为由特征值实部决定（实部$<0$ 则稳定衰减）。
- 主成分分析 PCA：协方差矩阵 $C$ 的特征向量给出主轴方向，最大特征值对应第一主成分。
例题与解答
例题1
求 $A=\begin{pmatrix}3&1\\0&2\end{pmatrix}$ 的特征值与特征向量。
解：特征方程
$$\det(A-\lambda I)=\begin{vmatrix}3-\lambda&1\\0&2-\lambda\end{vmatrix}=(3-\lambda)(2-\lambda)=0\Rightarrow \lambda_1=3,\ \lambda_2=2.$$
对 $\lambda_1=3$：$A-3I=\begin{pmatrix}0&1\\0&-1\end{pmatrix}\to\begin{pmatrix}0&1\\0&0\end{pmatrix}$，得 $\boldsymbol{v}_1=(1,0)^\top$。
对 $\lambda_2=2$：$A-2I=\begin{pmatrix}1&1\\0&0\end{pmatrix}$，$v_1+v_2=0\Rightarrow \boldsymbol{v}_2=(1,-1)^\top$。
（验证：$\operatorname{tr}A=5$，$\det A=6$ ✓）
例题2
判断 $A=\begin{pmatrix}2&0\\0&2\end{pmatrix}$ 是否可对角化，并求 $A^{10}$。
解：特征方程 $(2-\lambda)^2=0$，唯一特征值 $\lambda=2$（代数重数 2）。
$A-2I$ 为零矩阵，任意非零向量都是特征向量，可取两个线性无关的 $(1,0)^\top$、$(0,1)^\top$，故可对角化；且 $A=2I$ 本身即对角阵。
$$A^{10}=(2I)^{10}=2^{10}I=1024\,I=\begin{pmatrix}1024&0\\0&1024\end{pmatrix}.$$
本章小结
- 特征值/向量满足 $A\boldsymbol{v}=\lambda\boldsymbol{v}$，几何上表示"方向不变、仅缩放 $\lambda$ 倍"的方向。
- 特征方程 $\det(A-\lambda I)=0$；特征值为特征多项式的根。
- $\sum\lambda_i=\operatorname{tr}(A)$，$\prod\lambda_i=\det A$；不同特征值的特征向量线性无关。
- 可对角化 $\iff$ 有 $n$ 个线性无关特征向量 $\iff$ 几何重数 = 代数重数。
- 对角化后 $A=P\Lambda P^{-1}$，从而 $A^k=P\Lambda^k P^{-1}$，广泛用于递推、微分方程与 PCA。
可视化联系：在 ComplexViz 中观察矩阵作用于单位圆——特征值实部决定伸缩/衰减，虚部决定旋转；可对角化矩阵等价于沿特征向量方向各自缩放。