你好，我是朱维刚。欢迎你跟我一起重学线性代数！
在上一节课中，我讲解了线性方程组的另一种表达——矩阵。那么今天，我们就来讲解一下如何使用矩阵来解线性方程组，也就是如何求线性方程组的特殊解和通用解。
简单的线性方程组，我们当然可以运用初中学过的知识来求解，那复杂的呢？硬来几乎是不可能的了，一方面是因为人工计算的错误率很高，另一方面，即使我们使用计算机，用类似for或while循环来实现算法，它的计算效率也是极低的。你需要用更科学的方式、方法，从另一个角度来看待和求解线性方程组。
而矩阵就是为我们打开高效之门的钥匙，从计算机科学的角度来说，使用矩阵的运算效率实在是高太多了，因为它可以利用计算机的并行能力，甚至在一些迭代法中，还能实现分布式并行计算（迭代法会在后面“应用篇”中讲解）。
现在，就让我们开始去寻找线性方程组的解。在之前的课程中，我们已经引入了线性方程组的一般表达，你可以看看下面的例子。
$$
\left\{\begin{array}{l}
a_{11} x_{1}+a_{12} x_{2}+\cdots+a_{1 n} x_{n}=b_{1} \\\
a_{21} x_{1}+a_{22} x_{2}+\cdots+a_{2 n} x_{n}=b_{2} \\\
\cdots \cdots \cdots \cdots \cdots \cdots \cdots \cdots \cdots \cdots \cdots \\\
a_{m 1} x_{1}+a_{m 2} x_{2}+\cdots+a_{m n} x_{n}=b_{m}
\end{array}\right.
$$
其中，$a_{ij}$和 $b_{i}$ 属于实数，而且是已知常数，而$x_{j}$是未知变量，$i$和$j$的取值范围分别是：$i=1,…,m$；$j=1,…,n$ 。如果我们用矩阵的简单表达方式来看的话，就是$Ax=B$。
要搞清楚概念，我们还是要多看具体的例子。让我们先来看一个实例，来加深一下理解。
$$
\left[\begin{array}{cccc}
1 & 0 & 8 & -4 \\\
0 & 1 & 2 & 12
\end{array}\right]\left[\begin{array}{c}
x_{1} \\\
x_{2} \\\
x_{3} \\\
x_{4}
\end{array}\right]=\left[\begin{array}{c}
42 \\\
8
\end{array}\right]
$$
很明显，这是一个矩阵表达方式。它的一般线性方程组表达方式是中学的基础知识，你应该很熟悉了。
$$
\left\{\begin{array}{l}
1 \times x_{1}+0 \times x_{2}+8 \times x_{3}+(-4) \times x_{4}=42 \\\
0 \times x_{1}+1 \times x_{2}+2 \times x_{3}+12 \times x_{4}=8
\end{array}\right.
$$
在这个一般线性方程组中，有四个未知变量，但只有两个等式，这就意味着这个线性方程组有无穷多个解（这个是中学数学的范畴）。通过细心观察，我们可以发现第一列和第二列都是由0和1组成的，因此你很容易就能发现其中一个解。
$$
42\left[\begin{array}{l}
1 \\\
0
\end{array}\right]+8\left[\begin{array}{l}
0 \\\
1
\end{array}\right]=\left[\begin{array}{c}
42 \\\
8
\end{array}\right]
$$
这个解就是$\left[\begin{array}{llll}42 & 8 & 0 & 0\end{array}\right]^{T}$，也就是说四个未知变量分别为$42$、$8$、$0$、$0$。
$$
\left\{\begin{array}{l}
x_{1}=42 \\\
x_{2}=8 \\\
x_{3}=0 \\\
x_{4}=0
\end{array}\right.
$$
这个解也叫做特殊解。我们刚才已经说过，这个线性方程组有无穷多个解，那我们确实需要一个聪明的方式来找到其他的解，最直观的方式就是通过矩阵的列来构造0。例如，对于第三列来说，我们可以使用第一和第二列的组合形式来表达。
$$
8\left[\begin{array}{l}
1 \\\
0
\end{array}\right]+2\left[\begin{array}{l}
0 \\\
1
\end{array}\right]=\left[\begin{array}{l}
8 \\\
2
\end{array}\right]
$$
通过计算$Ax=0$，我们得出解$\left[\begin{array}{llll}8 & 2 & -1 & 0\end{array}\right]^{T}$。而事实上，这个解可以乘以任何实数$λ_{1}$，使得$Ax=0$成立。
$$
\left[\begin{array}{cccc}
1 & 0 & 8 & -4 \\\
0 & 1 & 2 & 12
\end{array}\right]
\left(\begin{array}{l}
\lambda_{1}\left[\begin{array}{l}
8 \\\
2 \\\
-1 \\\
0
\end{array}\right]
\end{array}\right)=0
$$
同理，对于第四列来说，我们可以使用第一和第二列的组合形式来表达，得出另一套解，使得$Ax=0$。
$$
\left[\begin{array}{cccc}
1 & 0 & 8 & -4 \\\
0 & 1 & 2 & 12
\end{array}\right]
\left(\begin{array}{l}
\lambda_{2}\left[\begin{array}{l}
-4 \\\
12 \\\
0 \\\
-1
\end{array}\right]
\end{array}\right)=0
$$
现在，我们可以把之前的特殊解与刚得出的两套解相组合，得出最终解，这个解也就是我们所说的通用解了。
$$
x \in R^{4}: x=\left[\begin{array}{c}
42 \\\
8 \\\
0 \\\
0
\end{array}\right]+\lambda_{1}\left[\begin{array}{c}
8 \\\
2 \\\
-1 \\\
0
\end{array}\right]+\lambda_{2}\left[\begin{array}{c}
-4 \\\
12 \\\
0 \\\
-1
\end{array}\right], \lambda_{1}, \lambda_{2} \in R
$$
我来总结一下寻找通用解的过程，这个过程分为三步：
看到了这里，你有没有发现有些奇怪呢？或者说，有没有觉得哪里有点别扭？是的，好像有点太顺利了。那是因为这个线性方程组比较特别，第一列和第二列是由1和0组成的。所以，我们只通过观察就能得出特殊解和通用解。
然而，你不可能每次都行大运，就像我们在现实中碰到的这类线性方程组，一般都比这个复杂得多。不过不要慌，有一个算法可以来帮助我们转换任意线性方程组，形成类似的特殊形式，这个算法叫做高斯消元法。
高斯消元法的核心就是线性方程组的初等变换，于是，我们可以通过高斯消元法，得到围绕初等变换形成的简单矩阵表达形式，接下来我们就可以运用之前的三个步骤来寻找通用解了。
既然高斯消元法的核心就是线性方程组的初等变换，那为了方便你使用高斯消元法，我就有必要来讲一讲初等变换的一般形式有哪些：
道理是这样的道理，那我们通过一个例子来看看，究竟该怎么做线性方程组的初等变换。假设a属于实数，现在我们试着来寻找下面这个线性方程组的所有解。我把这个过程细细地拆解为11个步骤，建议你仔细看过并理解后，再进入下一阶段的学习。
$$
\left\{\begin{array}{c}
-2 x_{1}+4 x_{2}-2 x_{3}-x_{4}+4 x_{5}=-3 \\\
4 x_{1}-8 x_{2}+3 x_{3}-3 x_{4}+x_{5}=2 \\\
x_{1}-2 x_{2}+x_{3}-x_{4}+x_{5}=0 \\\
x_{1}-2 x_{2}-3 x_{4}+4 x_{5}=a
\end{array}\right.
$$
1.我们要把这个线性方程组转换成矩阵的表达形式，$Ax=b$。
$$
\left[\begin{array}{ccccccc}
-2 & 4 & -2 & -1 & 4 & \mid & -3 \\\
4 & -8 & 3 & -3 & 1 & \mid & 2 \\\
1 & -2 & 1 & -1 & 1 & \mid & 0 \\\
1 & -2 & 0 & -3 & 4 & \mid & a
\end{array}\right]
$$
2.接着我们来交换第一和第三行。
$$
\left[\begin{array}{ccccccc}
1 & -2 & 1 & -1 & 1 & \mid & 0 \\\
4 & -8 & 3 & -3 & 1 & \mid & 2 \\\
-2 & 4 & -2 & -1 & 4 & \mid & -3 \\\
1 & -2 & 0 & -3 & 4 & \mid & a
\end{array}\right]
$$
注意，你知道我们为什么选择第一行和第三行交换吗？其实，这是为了便于计算。而具体交换哪一行是有个小技巧的，如果某行的第一个元素有1，我们就可以把这一行移到第一行。
3.我们以第一行为基础，开始执行乘和加变换，将第一行乘以-4的结果和第二行相加，从而获得了下面这样的结果。
$$
\left[\begin{array}{ccccccc}
1 & -2 & 1 & -1 & 1 & \mid & 0 \\\
0 & 0 & -1 & 1 & -3 & \mid & 2 \\\
-2 & 4 & -2 & -1 & 4 & \mid & -3 \\\
1 & -2 & 0 & -3 & 4 & \mid & a
\end{array}\right]
$$
4.然后，我们用同样的方法，将第一行乘以2的结果，再和第三行相加，得到了下面这样的结果。
$$
\left[\begin{array}{ccccccc}
1 & -2 & 1 & -1 & 1 & \mid & 0 \\\
0 & 0 & -1 & 1 & -3 & \mid & 2 \\\
0 & 0 & 0 & -3 & 6 & \mid & -3 \\\
1 & -2 & 0 & -3 & 4 & \mid & a
\end{array}\right]
$$
5.以此类推，我们将第一行乘以-1的结果，和第四行相加，继续获得新矩阵。
$$
\left[\begin{array}{ccccccc}
1 & -2 & 1 & -1 & 1 & \mid & 0 \\\
0 & 0 & -1 & 1 & -3 & \mid & 2 \\\
0 & 0 & 0 & -3 & 6 & \mid & -3 \\\
0 & 0 & -1 & -2 & 3 & \mid & a
\end{array}\right]
$$
6.将第二行乘以-1的结果，和第四行相加，得到下面这样的结果。
$$
\left[\begin{array}{ccccccc}
1 & -2 & 1 & -1 & 1 & \mid & 0 \\\
0 & 0 & -1 & 1 & -3 & \mid & 2 \\\
0 & 0 & 0 & -3 & 6 & \mid & -3 \\\
0 & 0 & 0 & -3 & 6 & \mid & a-2
\end{array}\right]
$$
7.将第三行乘以-1的结果，和第四行相加。
$$
\left[\begin{array}{ccccccc}
1 & -2 & 1 & -1 & 1 & \mid & 0 \\\
0 & 0 & -1 & 1 & -3 & \mid & 2 \\\
0 & 0 & 0 & -3 & 6 & \mid & -3 \\\
0 & 0 & 0 & 0 & 0 & \mid & a+1
\end{array}\right]
$$
8.第二行乘以-1，第三行乘以$-\frac{1}{3}$。
$$
\left[\begin{array}{ccccccc}
1 & -2 & 1 & -1 & 1 & \mid & 0 \\\
0 & 0 & 1 & -1 & 3 & \mid & -2 \\\
0 & 0 & 0 & 1 & -2 & \mid & 1 \\\
0 & 0 & 0 & 0 & 0 & \mid & a+1
\end{array}\right]
$$
9.现在，这个矩阵就是一个简单形式的矩阵，也叫做行阶梯形矩阵（Row-Echelon Form，REF）。
$$
\left\{\begin{array}{r}
x_{1}-2 x_{2}+x_{3}-x_{4}+x_{5}=0 \\\
x_{3}-x_{4}+3 x_{5}=-2 \\\
x_{4}-2 x_{5}=1 \\\
0=a+1
\end{array}\right.
$$
一个矩阵成为行阶梯形矩阵需满足两个条件：
10.你可以看出，只有在$a=-1$的情况下，这个线性方程组才有解，特殊解是$\left[\begin{array}{lllll}2 & 0 & -1 & 1 & 0\end{array}\right]^{\mathrm{T}}$。
11.最后，我们得出这个线性方程组的通用解，如下图所示。
$$
x \in R^{5}: x=\left[\begin{array}{c}
2 \\\
0 \\\
-1 \\\
1 \\\
0
\end{array}\right]+\lambda_{1}\left[\begin{array}{l}
2 \\\
1 \\\
0 \\\
0 \\\
0
\end{array}\right]+\lambda_{2}\left[\begin{array}{c}
2 \\\
0 \\\
-1 \\\
2 \\\
1
\end{array}\right], \lambda_{1}, \lambda_{2} \in R
$$
注意，这里有一个概念很重要，那就是主元。主元就是在矩阵消元过程中，每列要保留的非零元素，我们可以用它把该列其他元素消去。在阶梯型矩阵中，每个非零行第一个非零元素就是主元。
拿之前的第8步计算后的结果来举例，第一行的第一个元素1就是主元，第二行第三个元素1是主元，第三行的第四个元素1也是主元。
对应行阶梯形矩阵主元的变量叫做基本变量，而其他的变量叫做自由变量，这个例子中，$x_{1}$、$x_{3}$、$x_{4}$就是基本变量，$x_{2}$、$x_{5}$则是自由变量。使用行阶梯形矩阵能更简单地得出特殊解，所以我们可以使用主元列来表达线性方程组：
$$
b=\sum_{i=1}^{P} \lambda_{i} \mathrm{p}_{i}, i=1, \ldots, P
$$
在之前的例子中，我们使用主元列来表达成下面这样的矩阵形式：
$$
\lambda_{1}\left[\begin{array}{l}
1 \\\
0 \\\
0 \\\
0
\end{array}\right]+\lambda_{2}\left[\begin{array}{l}
1 \\\
1 \\\
0 \\\
0
\end{array}\right]+\lambda_{3}\left[\begin{array}{c}
-1 \\\
-1 \\\
1 \\\
0
\end{array}\right]=\left[\begin{array}{c}
0 \\\
-2 \\\
1 \\\
0
\end{array}\right]
$$
于是，我们最终得出 $λ_{3}=1$，$λ_{2}=-1$，$λ_{1}=2$ ，分别对应于$x_{4}$、$x_{3}$、$x_{1}$。不要忘了，对于非主元列，我们已经隐式地把系数设置成了$0$，所以这个线性方程组的特殊解是$x=\left[\begin{array}{lllll}2 & 0 & -1 & 1 & 0\end{array}\right]^{\mathrm{T}}$。
这里我们再引入一个概念，简化行阶梯形矩阵，因为引入简化行阶梯形矩阵对于线性方程组的求解来说会更简单。其实，高斯消元法的核心就是通过初等变换，把线性方程组转换成简化行阶梯形矩阵。那么一个方程组是简化行阶梯形矩阵，必须满足哪几个条件呢？
现在，我们再通过一个实例，看看该如何通过高斯消元法计算一个矩阵的逆矩阵。设矩阵$A$如下图：
$$
A=\left[\begin{array}{llll}
1 & 0 & 2 & 0 \\\
1 & 1 & 0 & 0 \\\
1 & 2 & 0 & 1 \\\
1 & 1 & 1 & 1
\end{array}\right]
$$
首先，我们形成$A$的增广矩阵（具体方法参见上一节）。
$$
\left[\begin{array}{lllllllll}
1 & 0 & 2 & 0 & \mid & 1 & 0 & 0 & 0 \\\
1 & 1 & 0 & 0 & \mid & 0 & 1 & 0 & 0 \\\
1 & 2 & 0 & 1 & \mid & 0 & 0 & 1 & 0 \\\
1 & 1 & 1 & 1 & \mid & 0 & 0 & 0 & 1
\end{array}\right]
$$
其次，使用我们前面刚刚讲过的高斯消元法计算出简化行阶梯形矩阵。
$$
\left[\begin{array}{ccccccccc}
1 & 0 & 0 & 0 & \mid & -1 & 2 & -2 & 2 \\\
0 & 1 & 0 & 0 & \mid & 1 & -1 & 2 & -2 \\\
0 & 0 & 1 & 0 & \mid & 1 & -1 & 1 & -1 \\\
0 & 0 & 0 & 1 & \mid & -1 & 0 & -1 & 2
\end{array}\right]
$$
最后，我们就得到$A$的逆矩阵，如下图所示。
$$
A^{-1}=\left[\begin{array}{cccc}
-1 & 2 & -2 & 2 \\\
1 & -1 & 2 & -2 \\\
1 & -1 & 1 & -1 \\\
-1 & 0 & -1 & 2
\end{array}\right]
$$
接下来，我们只要使用公式$A A^{-1}=I$ 就可以对结果进行验证了。
到目前为止，相信你已经了解了如何解线性方程组，包括特殊解和通用解，以及如何使用高斯消元法来解线性方程组。最后，我再总结一些解方法来作为你的知识扩展。
第一个方法，假设一个矩阵A是方阵（行数与列数相等的矩阵），并且可逆，$Ax=B$ ，那$x$解就可以写成$x=A^{-1}B$，但如果$A$矩阵不可逆，也不是方阵，那我们就只能使用下面这个变换来求$x$解了。
$$Ax=B⇔A^{T}Ax=A^{T}B⇔x=(A^{T}A)^{-1}A^{T}B$$
其中，矩阵A的转置矩阵和A相乘的逆矩阵，再和A的转置矩阵相乘，我们把它叫做穆尔彭罗斯伪逆矩阵（Moore-Penrose pseudo inverse），简称伪逆。
$$(A^{T}A)^{-1}A^{T}$$
这个方法有两个弊端：第一，矩阵乘和逆矩阵的计算太复杂；第二，数值精确度不高。因此，从实践角度来说，我一般不推荐使用。
第二个方法是高斯消元法。高斯消元法是非常直观的，它在很多计算中都起到了关键的作用，比如：
但当高斯消元法面对百万、千万级别的变量时，就捉襟见肘了。而这类级别的计算才是我们在实践中经常会遇到的，因此从实践角度来说，我也一般不推荐使用。因为高斯消元法属于直接法，直接法是经历有限次的运算得到方程组精确解的方法。但是，学习直接法是有意义的，虽然直接法在实际工作中不常用，但是它也能处理一些日常小问题，更重要的是，它稳固了我们进一步学习其它方法的基础。
我要讲的第三种方法，就是与直接法对应的间接法了。在实践中，线性方程组的求解都是间接的，也就是运用迭代法。
迭代法是采用极限过程，用线性方程组的近似解逐步逼近精确解的方法。所以，迭代法的关键在于每次迭代残余错误的减少，以及如何能够收敛到解。常见的迭代法有两类，定常迭代法（Stationary iterative method）和Krylov子空间方法（我会在应用篇中讲解）。
定常迭代法：理查德森迭代法（Richardson method）、雅可比方法（Jacobi method）、Gauß-Seidel方法、逐次超松弛法（Successive over-relaxation method，简称SOR）。
Krylov子空间方法：共轭梯度法（Conjugate gradient）、 广义极小残余算法（Generalized minimal residual）、双共轭梯度法（Biconjugate gradient）。
这里提到的几种迭代法都是在实践中比较常用的，也是计算机编程中经常实现的算法，但由于迭代法更多属于微分和极限领域，所以这里就不详细介绍了，我会在线性代数应用篇的“数值线性代数”那节课中再做讲解。
如果在课程内容结束后，你还有余力学习更多的内容，这里我先推荐两本书给你作参考，一本是《Introduction to Numerical Analysis》，另一本是《Linear Algebra》。这两本书里面都有进一步地讲解了线性方程组的迭代法求解的内容。
1.《Introduction to Numerical Analysis》
作者：Stoer, Josef, Bulirsch, R.
2002年出版
2.《Linear Algebra》
作者：Liesen, Jörg, Mehrmann, Volker
2015年出版
好了，到这里解线性方程组这一讲就结束了，最后我再总结一下前面讲解的内容。
首先，我用一个简单的线性方程组，通过直接观察的方法来计算这个方程组的特殊解和通用解，接着通过实例详细地介绍了高斯消元法，最后我给出了一些在实践中常用的线性方程组解方法。只有弄清楚这些基础知识的本质，你才能更进一步，去了解其他计算方法。
线性方程组的求解已经成为了世界上最快计算机的测试标准，因为通过矩阵运算，计算机的并行计算能力暴露无遗。希望你能够在这些基础之上，阅读我推荐的两本书，并且把这些方法运用到实践中，特别是机器学习，因为机器学习也用到了很多迭代方法。
练习时刻到了，今天的练习题比较简单，请你用高斯消元法求下面的线性方程组。
$$
\left\{\begin{array}{c}
x_{1}+x_{2}-2 x_{3}-x_{4}=-1 \\\
x_{1}+5 x_{2}-3 x_{3}-2 x_{4}=0 \\\
3 x_{1}-x_{2}+x_{3}+4 x_{4}=2 \\\
-2 x_{1}+2 x_{2}+x_{3}-x_{4}=1
\end{array}\right.
$$
欢迎在留言区和部落里晒出你的运算过程和结果，留下你的学习痕迹。如果你有所收获，也欢迎你把这篇文章分享给你的朋友。
评论