关于高等代数研究趋势的论文

线性代数是高等代数的一大分支。我们知道一次方程叫做线性方程，讨论线性方程及线性运算的代数就叫做线性代数。在线性代数中最重要的内容就是行列式和矩阵。行列式和矩阵在十九世纪受到很大的注意 , 而且写了成千篇关于这两个课题的文章。向量的概念 , 从数学的观点来看不过是有序三元数组的一个集合 , 然而它以力或速度作为直接的物理意义 , 并且数学上用它能立刻写出 物理上所说的事情。向量用于梯度 , 散度 , 旋度就更有说服力。同样 , 行列式和矩阵如导数一样（虽然 dy/dx 在数学上不过是一个符号 , 表示包括△y/△x的极限的长式子 , 但导数本身是一个强有力的概念 , 能使我们直接而创造性地想象物理上发生的事情）。因此，虽然表面上看，行列式和矩阵不过是一种语言或速记，但它的大多数生动的概念能对新的思想领域提供钥匙。然而已经证明这两个概念是数学物理上高度有用的工具。 线性代数学科和矩阵理论是伴随着线性系统方程系数研究而引入和发展的。 行列式的概念最早是由十七世纪日本数学家关孝和提出来的，他在 1683 年写了一部叫做《解伏题之法》的著作，意思是 “ 解行列式问题的方法 ” ，书里对行列式的概念和它的展开已经有了清楚的叙述。欧洲第一个提出行列式概念的是德国的数学家， 微积分学奠基人之一 莱布 尼 兹 （ Leibnitz ， 1693 年） 。 1750 年 克莱姆（ Cramer ） 在他的《线性代数分析导言》（ Introduction d l'analyse des lignes courbes alge'briques ）中 发表了求解线性系统方程的重要基本公式（既人们熟悉的 Cramer 克莱姆法则）。 1764 年 , Bezout 把确定行列式每一项的符号的手续系统化了。对给定了含 n 个未知量的 n 个齐次线性方程 , Bezout 证明了系数行列式等于零是这方程组有非零解的条件。 Vandermonde 是第一个对行列式理论进行系统的阐述 ( 即把行列 ' 式理论与线性方程组求解相分离 ) 的人。并且给出了一条法则，用二阶子式和它们的余子式来展开行列式。就对行列式本身进行研究这一点而言，他是这门理论的奠基人。 Laplace 在 1772 年的论文《对积分和世界体系的探讨》中 , 证明了 Vandermonde 的一些规则 , 并推广了他的展开行列式的方法 , 用 r 行中所含的子式和它们的余子式的集合来展开行列式，这个方法现在仍然以他的名字命名。 德国数学家雅可比（ Jacobi ）也于 1841 年总结并提出了行列式的系统理论。另一个研究行列式的是法国最伟大的数学家 柯西 (Cauchy) ，他大大发展了行列式的理论，在行列式的记号中他把元素排成方阵并首次采用了双重足标的新记法，与此同时发现两行列式相乘的公式及改进并证明了 laplace 的展开定理。相对而言，最早利用矩阵概念的是 拉格朗日（ Lagrange ） 在 1700 年后的双线性型工作中体现的。拉格朗日期望了解多元函数的最大、最小值问题，其方法就是人们知道的拉格朗日迭代法。为了完成这些，他首先需要一阶偏导数为 0 ，另外还要有二阶偏导数矩阵的条件。这个条件就是今天所谓的正、负的定义。尽管拉格朗日没有明确地提出利用矩阵。 高斯（ Gauss ） 大约在 1800 年提出了高斯消元法并用它解决了天体计算和后来的地球表面测量计算中的最小二乘法问题。（这种涉及测量、求取地球形状或当地精确位置的应用数学分支称为测地学。）虽然高斯由于这个技术成功地消去了线性方程的变量而出名，但早在几世纪中国人的手稿中就出现了解释如何运用“高斯”消去的方法求解带有三个未知量的三方程系统。在当时的几年里，高斯消去法一直被认为是测地学发展的一部分，而不是数学。而高斯 - 约当消去法则最初是出现在由 Wilhelm Jordan 撰写的测地学手册中。许多人把著名的数学家 Camille Jordan 误认为是“高斯 - 约当”消去法中的约当。 矩阵代数的丰富发展，人们需要有合适的符号和合适的矩阵乘法定义。二者要在大约同一时间和同一地点相遇。 1848 年英格兰的 . Sylvester 首先提出了矩阵这个词，它来源于拉丁语，代表一排数。 1855 年矩阵代数得到了 Arthur Cayley 的工作培育。 Cayley 研究了线性变换的组成并提出了矩阵乘法的定义，使得复合变换 ST 的系数矩阵变为矩阵 S 和矩阵 T 的乘积。他还进一步研究了那些包括矩阵逆在内的代数问题。著名的 Cayley- Hamilton 理论即断言一个矩阵的平方就是它的特征多项式的根，就是由 Cayley 在 1858 年在他的矩阵理论文集中提出的。利用单一的字母 A 来表示矩阵是对矩阵代数发展至关重要的。在发展的早期公式 det( AB ) = det( A )det( B ) 为矩阵代数和行列式间提供了一种联系。 数学家 Cauchy 首先给出了特征方程的术语，并证明了阶数超过 3 的矩阵有特征值及任意阶实对称行列式都有实特征值；给出了相似矩阵的概念，并证明了相似矩阵有相同的特征值；研究了代换理论， 数学家试图研究向量代数，但在任意维数中并没有两个向量乘积的自然定义。第一个涉及一个不可交换向量积（既 v x w 不等于 w x v ）的向量代数是由 Hermann Grassmann 在他的《线性扩张论》（ Die lineale Ausdehnungslehre ） 一 书中提出的。 (1844) 。他的观点还被引入一个列矩阵和一个行矩阵的乘积中，结果就是现在称之为秩数为 1 的矩阵，或简单矩阵。在 19 世纪末美国数学物理学家 Willard Gibbs 发表了关于《向量分析基础》 ( Elements of Vector Analysis ) 的著名论述。其后物理学家 P. A. M. Dirac 提出了行向量和列向量的乘积为标量。我们习惯的列矩阵和向量都是在 20 世纪由物理学家给出的。 矩阵的发展是与线性变换密切相连的。到 19 世纪它还仅占线性变换理论形成中有限的空间。现代向量空间的定义是由 Peano 于 1888 年提出的。二次世界大战后随着现代数字计算机的发展，矩阵又有了新的含义，特别是在矩阵的数值分析等方面。 由于计算机的飞速发展和广泛应用，许多实际问题可以通过离散化的数值计算得到定量的解决。于是作为处理离散问题的线性代数，成为从事科学研究和工程设计的科技人员必备的数学基础。

《线性代数的应用》课程论文论文题目 学 院___数理学院___________专 业___数学教育___________年级班别___、、、、、_______学 号___、、、、、_____学生姓名___、、、、、____________学生邮箱___、、、、、@指导教师____、、、、__________________ 2011 年 6 月 20 日浅谈线性代数提要 线性代数的研究对象是解线性方程组，不管是线性代数的应用题还是计算题，它最后都是用高等数学的方法研究如何解线性方程组求出得数。线性代数有独立的系统的科学体系，在实践中应用极为广泛，尤其是线性代数为用计算机解线性方程组提供了理论基础。本文由用初等数学方法解线性方程组的例子，引出线性代数中矩阵、逆矩阵等基本概念，论述了线性代数与线性方程组的内在联系。关键词 矩阵 增广矩阵 线性相关 逆矩阵线性代数的应用是研究什么的呢? 简单讲，就是研究找出线性方程组人后如何解线性方程组的。当然, 线性方程组在中学就学过, 比如下面就是一个线性方程组的例子:(X1)C3H8+(X2)O2 =(X3)CO2+(X4)H2O确定X1 X2 X3 X4 ,使两边原子数相等称为配平根据我们所学的化学里面化学式配平知等式两边的不同元素 原子数分别相等。得出碳的方程。3X1=X3氢的方程8X1=2X4氧的方程2X2=2X3+X4最后运用代入法求得解。得X1=1 X2=5 X3=3 X4=4 也可以运用线性代数的知识将所有的方程联立得:X1[3;8;0]+x2[0;0;2]=x3[1;0;2]+x4[0;2;1]写成矩阵方程为：[3 0 -1 0;8 0 0 2;0 2 -2 -1][x1; x2 ;x3; x4]=[0;0;0]即AX=0因为|A|不为0所以[x1;x2;x3;x4]=[1;5;3;4]（这里用到了逆矩阵）这就是我们所学的线性代数的应用，其实线性代数的应用就是找出等量关系解线性方程组。 而其实, 更多元的线性方程组也是同样的解法.那么, 为什么还要开线性代数这门课程专门研究解线性方程组的问题呢?线性代数要研究的是解有许多变元的线性方程组, 即变量的个数要比上例多得多, 可能会多到几十个变元, 上百个变元, 甚至成千上万个变元. 因此, 线性代数给出的一般的线性方程组的形式是: 那么, 既然变元如此之多, 一定不能用人工手算, 必然要用计算机来进行计算. 因此, 如果没有计算机的发展, 线性代数这门课也就没有什么用. 实际上, 线性代数正是为了用计算机解线性方程组提供理论基础。 那么, 为什么解线性方程组的问题在实际的科学技术的研究领域中得到广泛地运用呢?首先，什么叫线性什么叫非线性呢？ 当一个变量x和另一个变量y成正比关系的时候, 比如说x=ay那么, 称x与y呈线性关系, 因为它们的这个函数关系绘制的图形是一条直线. 当然, 这条直线还穿过原点, 因此称它们是齐次线性关系。 不穿过原点的直线也是一种线性关系, 当然就是非齐次的, 比如x=ay+b当然, 在一个系统中有多个变元, 那么线性关系可以描述为a1x1+a2x2+…+anxn=b可见这也是一个线性方程组.那么什么叫做非线性关系呢? 比如下面一些例子:x=ay2 等等都是非线性关系. 当然也有非线性方程组, 比如下面这个方程组: 就是非线性的, 它的一个解是x=1, y=2。那么, 为什么线性代数得到广泛运用, 也就是说, 为什么在实际的科学研究中解线性方程组是经常的事, 而并非解非线性方程组是经常的事呢?这是因为, 大自然的许多现象恰好是线性变化的。按照辩证唯物主义的观点, 世间的一切事物都是在不断地运动着的. 所谓运动, 从数学上描述, 就是随时间而变化, 因此, 研究各个量随时间的变化率, 即导数, 与各个量的大小之间的关系, 就是非常重要的. 在物理学方面, 整个物理世界可以分为机械运动, 电运动, 还有量子力学的运动. 而机械运动的基本方程是牛顿第二定律, 即物体的加速度同它所受到的力成正比, 这是一个基本的线性微分方程. 由此根据不同的力学系统, 又可以构成更为复杂的微分方程.电运动的基本方程是麦克思韦方程组, 这个方程组表明电场强度与磁场的变化率成正比, 而磁场的强度又与电场强度的变化率成正比, 因此麦克思韦方程组也正好是线性方程组.而量子力学中描绘物质的波粒二象性的薜定谔方程, 也是线性方程组. 在计算机出现之前, 要解线性微分方程组是非常难的事情, 通常是要努力地找各种函数的原函数, 将一些积分算出来. 因此, 找原函数的技术得到广泛研究. 因为, 一旦找到了原函数, 积分的运算量就没有那么大了. 这就是到今天为止的高等数学教育还残留有过去的传统, 即对各种原函数的求解技巧津津乐道的重要原因. 但是, 实际情况中, 原函数并不总是存在的, 因此总需要数值解. 而在计算机出现之前, 数值解通过人工计算, 是相当耗时费力的.而在计算机被大量使用之后, 情况就出现了改观, 计算机在极短的时间内, 比如在秒的时间, 就可以做成千上万的乘法和加法. 因此, 通过程序来求解线性微分方程组就是常见的事. 而微分方程组在通过计算机程序作数值求解的时候, 实际上是将线性微分方程组化成了有许多变元的线性方程组.而在经济学和会计学方面, 线性方程组也是得到广泛的运用的. 比如上面这个例子实际上是一个经济学的例子, 是给一个庙的和尚作伙食供给时的问题. 而实际过程如果不是一个庙, 而是一家公司, 这家公司的职员也不是分为两等, 而是许多等, 他们的薪水不同, 消耗的生产或者办公器材的多少也不同, 投资多少也不同, 这样也可以构成大量的线性方程组.那么, 计算机是怎样解线性方程组的呢, 还是用上面这个例子来说明, 即线性方程组是3X1=X3 8X2=2X4 2X2=2X3+X4首先说保存, 计算机保存这个线性方程组, 也就是保存这个方程组中每个变元的系数以及等号右边的常数, 因此也就是要保存阵列3 0 -1 0 8 0 0 -20 2 -2 -1这9个数, 所谓计算解这个线性方程组, 当然也就是要对这个阵列进行处理. 因此, 将这个数的阵列用一个字母B表示, 也就是写成B=[3 0 -1 0;8 0 0 -2;0 2 -2 -1]这在线性代数的术语中叫做矩阵, 在大学的学习中, 用一个字母来表示许多数, 甚至包括成千上万的数, 这种办法是在线性代数的课程中首先遇到的. 而在线性代数以外的课程也沿用这种办法. 比如在计算机的图像处理中, 一个图像由成千上万个象素点构成, 也可以只用一个字母来表示一个图像.上面的矩阵B被称作是线性方程组的增广矩阵, 那么, 给定一个增广矩阵, 也就是给定了一个线性方程组. 而计算机解线性方程组是采用加减法来进行的. 比如说, 上面的[3 0 -1 0;0 2 -2 -1;0 0 3/8]这对应于线性方程组这样, 计算机只要通过将某一行乘某一个数, 或者某一行乘上某一个数加到另一行的这种办法, 经过处理直到右边的两列成为对角线上是1, 其它地方是0, 那么最右边一列就是方程组的解.那么, 线性代数的问题就这么容易解决了么? 没有那么简单。 首先是一个线性方程组要有解, 才能够解出解, 而实际过程中建立的线性方程组就有可能出错, 比如会计的帐对不上, 这时候线性方程组就无解, 下面是一个明显的无解方程组的例子: 怎么可能x1+2x2即等于3又等于4呢? 这是矛盾的. 因此, 无解方程组也就是矛盾方程组. 但如果将上面的第2个方程乘上2, 形成这样一个方程组 那么就不太容易看出来. 而我们的目的是要通过程序让计算机自动判定方程组有没有解, 那么在成百上千个方程中判定有没有解, 就不是一件容易的事, 就需要研究解的存在性的理论。还有一个愿望就是, 虽然方程组有解, 但希望能够有一个唯一的解, 即得到唯一的结果. 那么通常的经验是, 如果是三元一次线性方程组, 那么至少要有三个线性方程才能得到唯一解, 如是是四元一次线性方程组, 那么至少要有四个线性方程才能得到唯一的解. 一般说来, 如果有n个未知数, 或者称为n个变元, 那么就至少要有n个线性方程才能得到唯一解.但是, 这个说法是不严格的, 比如下面这个方程组 这个方程组虽然有解, 但没有唯一解, 原因就是第二个方程可以通过第一个方程乘上2得到, 因此第二个方程是多余的, 是应当扔掉的, 是水货. 因此, 这个方程组的方程数不够, 是指的实实在在的方程数不够. 当然, 这个例子可以一眼就看出来. 可是当计算机在解一个有成千上万变元的线性方程组的时候, 怎么能够判定出来有没有唯一解呢? 比如说, 要解一个500个变元的500个线性方程构成的线性方程组, 但其实其中有100个方程是可以从另400个线性方程推导出来的, 那么就是多余的. 那么也就是说, 这500个线性方程组中, 实实在在的只有400个, 另有100个是水货. 因此, 抽象地说, 如果一个有着n个变元的线性方程组要有唯一解, 必须有n个实实在在的方程数. 那么, 一个线性方程组中的实实在在的方程的个数, 即不可以从其它的方程中推导出来的个数, 被称作一个线性方程组的秩, 或者是它的增广矩阵的秩. 那么, 怎样通过一个程序计算出这个秩, 怎样自动地将线性方程组中多余的方程扔掉, 也是线性代数研究的课题.此外, 如果有m个线性方程不能够相互推导出来, 也就是说它们是实实在在的, 这在线性代数的术语中叫做线性无关. 而反之, 如果一组线性方程存在着一些可以从另一些推导出来的情况, 就称作线性相关.那么, 最后的结论就是如果一个有着n个变元的线性方程组要有唯一解, 它就必须有n个线性无关的线性方程, 或者说它的秩必须是n.还有一些情况, 比如经常会有一种情况, 就是计算机要反复地解一个线性方程组 其中只是等号右边的常数项总变, 而左边的系数都不变, 那么就希望变换成这样: 这样可以减少计算量, 那么, 这就会产生矩阵求逆的问题。由于篇幅有限，本文不再具体论述矩阵求逆的问题。总之，线性代数的研究对象解线性方程组，它是用高等数学的方法研究如何解线性方程组。线性代数有独立的系统的科学体系，在实践中应用极为广泛，尤其是线性代数为用计算机解线性方程组提供了科学的理论基础。