⚡ 什么是凯莱哈密顿定理？
在众多线性代数定理中，凯莱哈密顿定理（Cayley-Hamilton Theorem）以其简洁而强大的力量著称。许多初学者在遇到高阶矩阵运算时会感到头疼，而该定理提供了一条将“矩阵运算”转化为“多项式运算”的桥梁。
这意味着，对于任何 n 阶矩阵 A，我们都可以找到一个次数小于 n 的多项式 q(λ)，使得 A^n 可以表示为 I, A, A^2, ..., A^(n-1) 的线性组合。这一性质是解决复杂矩阵问题的关键钥匙。
为什么它如此重要？
- 【理论价值】：揭示了矩阵代数与多项式代数之间的深刻联系。
- 【计算效率】：避免了直接计算高阶矩阵幂的繁琐过程，将计算复杂度从 O(n^3 log k) 降低。
- 【逆矩阵存在性】：提供了一种无需高斯消元即可求解矩阵逆的方法，特别适用于符号计算。
⚙️ 实战一：如何利用该定理求矩阵逆？
这是网民搜索频率最高的应用场景之一。当我们需要求 A^(-1) 时，传统的伴随矩阵法在 n>3 时计算量巨大。利用 凯莱哈密顿定理，我们可以轻松绕过行列式展开的陷阱。
第一步：写出特征多项式
计算 p(λ) = λ^n + c_(n-1)λ^(n-1) + ... + c_1λ + c_0。注意常数项 c_0 = (-1)^n det(A)。
第二步：代入矩阵 A
根据定理，A^n + c_(n-1)A^(n-1) + ... + c_1A + c_0I = 0。
第三步：移项提取公因式
若 c_0 ≠ 0，则将含 c_0 的项留在右边，其余项提取 A：
A(A^(n-1) + c_(n-1)A^(n-2) + ... + c_1I) = -c_0I。
第四步：得出逆矩阵公式
A^(-1) = (-1/c_0) (A^(n-1) + c_(n-1)A^(n-2) + ... + c_1I)。
示例：求矩阵 A 的逆
设 A = [[1, 2], [3, 4]]。
1. 特征多项式:
|λ-1 -2 |
| -3 λ-4| = (λ-1)(λ-4) - (-6)
= λ^2 - 5λ + 4 + 6
= λ^2 - 5λ + 10
所以 p(λ) = λ^2 - 5λ + 10
2. 代入定理:
A^2 - 5A + 10I = 0
3. 移项求逆:
10I = 5A - A^2
A(5I - A) = 10I
A^(-1) = (1/10)(5I - A)
4. 计算结果:
5I - A = [[5,0],[0,5]] - [[1,2],[3,4]] = [[4, -2], [-3, 1]]
A^(-1) = [[0.4, -0.2], [-0.3, 0.1]]
此方法避免了计算伴随矩阵和行列式倒数的繁琐过程，直接通过矩阵加减法得出结果。
⚡ 实战二：矩阵高次幂的降阶计算
在控制理论和动力学系统中，经常需要计算 A^k，其中 k 非常大（如 k=100）。直接连乘显然不可行。凯莱哈密顿定理 允许我们将 A^k 降阶。
假设我们要求 A^k，我们可以用特征多项式 p(λ) 去除 λ^k，得到余式 r(λ)，使得 λ^k = p(λ)q(λ) + r(λ)。代入矩阵 A 后，p(A)=0，因此 A^k = r(A)。由于 r(λ) 的次数小于 n，计算变得极其简单。
示例：斐波那契数列的矩阵解法优化
斐波那契数列的递推关系可以用矩阵形式表示：[[1, 1], [1, 0]]^n。利用 凯莱哈密顿定理，我们可以找到系数 a, b 使得 A^n = aA + bI，从而将 O(log n) 的矩阵乘法转化为 O(1) 的标量计算（在已知系数的情况下）。
⚙️ 进阶：求解线性微分方程组
对于常系数线性微分方程组 X' = AX，其通解形式涉及矩阵指数 e^(At)。直接计算 e^(At) 需要无穷级数展开。利用 凯莱哈密顿定理，我们可以将 e^(At) 表示为 A 的有限次多项式：
e^(At) = α_0(t)I + α_1(t)A + ... + α_(n-1)(t)A^(n-1)
其中系数 α_i(t) 可以通过特征值代入法求解。这是工程数学中处理复杂系统响应的标准技巧。