信息学奥赛线性代数讲义
目录
1. 向量与矩阵的概念 【难度5】
- 向量（Vector）：有方向和大小的量，在计算中常表示为一维数组（列向量或行向量）。
-
例如：列向量 $\vec{v} = \begin{bmatrix} 1 \ 2 \ 3 \end{bmatrix}$，行向量 $\vec{u} = [1, 2, 3]$。
-
矩阵（Matrix）：由数字排成的矩形表格。一个 $m \times n$ 的矩阵有 $m$ 行 $n$ 列。
- 例如：$A = \begin{bmatrix} 1 & 2 \ 3 & 4 \ 5 & 6 \end{bmatrix}$ 是 $3 \times 2$ 矩阵。
2. 向量的运算 【难度6】
- 加法、减法：
- 同维向量逐元素相加/减。
-
例：$\vec{a} = [1,2,3]$, $\vec{b} = [4,5,6]$，则 $\vec{a} + \vec{b} = [5,7,9]$
-
数量乘法（标量乘法）：
- 向量中的每个分量乘以一个数。
-
例：$2 \cdot [1, -1, 3] = [2, -2, 6]$
-
点乘（内积）：
- $[a_1, a_2, ..., a_n] \cdot [b_1, b_2, ..., b_n] = \sum_{i=1}^{n} a_i b_i$
- 例：$[1,2] \cdot [3,4] = 1×3 + 2×4 = 11$
3. 矩阵的初等变换 【难度6】
初等变换用于将矩阵变换成简化形式，常用于解线性方程组（如高斯消元）。
三种基本初等行变换：
- 交换两行（如 $R_1 \leftrightarrow R_2$）
- 将某行乘以非零常数（如 $R_2 \gets 3R_2$）
- 将一行加上另一行的若干倍（如 $R_3 \gets R_3 - 2R_1$）
4. 矩阵的运算 【难度6】
（1）加法与减法
- 条件：矩阵大小相同。
- 方法：对应位置元素相加或相减。
（2）乘法（矩阵乘法）
- 条件：$A$ 为 $m \times n$，$B$ 为 $n \times p$。
- 结果：$C = A \cdot B$ 为 $m \times p$。
- 计算方式：$C_{ij} = \sum_{k=1}^{n} A_{ik} B_{kj}$
例：
$A = \begin{bmatrix}1 & 2\end{bmatrix}, B = \begin{bmatrix}3 \ 4\end{bmatrix}$
则 $AB = [1×3 + 2×4] = [11]$
（3）转置（Transpose）
- $A^T$ 的第 $i$ 行变成第 $i$ 列。
- 例：$\begin{bmatrix}1 & 2 \ 3 & 4\end{bmatrix}^T = \begin{bmatrix}1 & 3 \ 2 & 4\end{bmatrix}$
5. 特殊矩阵的概念 【难度6】
（1）单位矩阵（Identity Matrix）
- 对角线为1，其余为0的方阵。
- 记作 $I_n$。
- 满足 $AI = IA = A$
（2）三角矩阵（Triangular Matrix）
- 上三角矩阵：主对角线下方为0。
- 下三角矩阵：主对角线上方为0。
（3）对称矩阵（Symmetric Matrix）
- 满足 $A^T = A$，即关于主对角线对称。
（4）稀疏矩阵（Sparse Matrix）
- 大部分元素为0的矩阵，常用特殊存储优化空间。
6. 高斯消元法 【难度7】
目的：
- 解线性方程组、求矩阵的秩、求逆矩阵。
步骤：
- 将增广矩阵写出（含等号右边的常数列）
- 对矩阵进行初等行变换，使其化为上三角形态。
- 用回代法求出解。
示例：
解方程组： $$ \begin{cases} x + y + z = 6 \ 2x + 3y + z = 14 \ x + 2y + 3z = 14 \end{cases} $$
增广矩阵： $$ \left[\begin{array}{ccc|c} 1 & 1 & 1 & 6 \ 2 & 3 & 1 & 14 \ 1 & 2 & 3 & 14 \end{array}\right] $$
化简 → 回代 → 得出解：$x = 1, y = 2, z = 3$
温馨提示：掌握矩阵操作和高斯消元是竞赛中解决线性方程组的基础，也常见于图论（如网络流）和数论（如同余方程组解法）的进阶应用。
—— 本文来自火龙信奥（义乌睿码科技）：义乌青少年信息学奥赛与编程教育平台，专注 CSP-J/S、NOIP、GESP 竞赛培训，线上线下融合教学，助力编程升学。网址：hlcoding.com
