常系数线性方程组基解矩阵的计算

常系数线性方程组基解矩阵的计算常系数线性方程组基解矩阵的计算董治军（巢湖学院数学系，安徽巢湖238000）摘要：微分方程组在工程技术中的应用时非常广泛的，不少问题都归结于它的求解问题，基解矩阵的存在和具体寻求是不同的两回事，一般齐次线性微分方程组的基解矩阵是无法通过积分得到的，但当系数矩阵是常数矩阵时，可以通过方法求出基解矩阵，这时可利用矩阵指数exp A t，给出基解矩阵的一般形式，本文针对应用最广泛的常系数线性微分方程组，结合微分方程，线性代数等知识，讨论常系数齐次线性微分方程的基解矩阵的几个一般的计算方法.关键词；常系数奇次线性微分方程组；基解矩阵；矩阵指数Calculation of Basic solution Matrix ofLinear Homogeneous System withConstant CoefficientsZhijun Dong(Department of Mathematics, Chaohu College Anhui, Chaohu)Abstract: Differential equations application in engineering technology is veryextensive, when many problems are attributable to its solving problem, base solution matrix existence and specific seek is different things, general homogeneous linear differential equations is not the base solution matrix by integral get, but when coefficient matrix is constant matrix, can pass out the base solution matrix method, then are available matrix exponential t, the general form base solution matrix, the paper discusses the most widely used differential equations with constant coefficients, combined with differential equations, linear algebra, discuss knowledge of homogeneous linear differential equation with constant coefficients of base solution matrix several general calculation method.Keyword: linear homogeneous system with constant coefficients; matrix of basic solutions; matrix exponent引言:线性微分方程组的求解历来是常微分方程的重点，根据线性微分方程组的解的结构理论，求解线性微分方程组的关键在于求出对应齐次线性微分方程组的基解矩阵，本文主要讨论齐次线性微分方程组 X ’＝AX ★ 的基解矩阵的计算问题，这里A 是n n ⨯常数矩阵.一．矩阵指数exp A 的定义和性质： 1.矩阵范数的定义和性质定义：对于n n ⨯矩阵A ＝ij a ⎡⎤⎣⎦n ×n 和n 维向量X ＝()1,...,Tn X X 定义A 的范数为A ＝,1niji j a=∑，X =1nii x=∑设A ，B 是n ×n 矩阵，x ，y 是n 维向量，易得下面两个性质：（1）AB ≤A B ，AX ≤A X ； （2）A B +≤A +B ，X Y +≤X +Y . 2.矩阵指数exp A 的定义和性质：(!)定义：如果A 是一个n ×n 常数矩阵，我们定义矩阵指数exp A 为下面的矩阵级数的和： exp A =!0k A k k ∞=∑=E+A+22!A +…+!mA m +… （1.0） 其中E 为n 阶单位矩阵，m A 是A 的m 次幂，这里我们规定0A =E ，0！=1 这个级数对于所有的A 都是收敛的.因次exp A 是一个确定的非负矩阵，特别的，对所有元均为0的零矩阵0，有exp0=E.事实上，由上面范数的性质（1），易知对于一切正整数k ，有!kA k ≤!kA k ，又因对于任一矩阵A ，A 是一个确定的实数，所以数值级数E +A +2A +…+!m A m +… 是收敛的.进一步指出，级数exp A t=!0kk A k k t ∞=∑在t 的任何有限区间上是一致收敛的.事实上，对于一切正整数k ，当t ≤c （c 是某一整数）时，有!kkA k t ≤!k kA k t ≤!k A k k c ，而数值级数()0kA c k ∞=∑是收敛的，因而exp A t=!0kkA k k t ∞=∑是一致收敛的.（2）矩阵指数exp A 的性质：①若矩阵A ，B 是可交换的，即AB=BA ，则 exp A （A+B ）=exp A exp B ；②对于任何矩阵A ，()1exp A -存在，且()1exp A -=exp （-A ）； ③如果T 是非奇异矩阵，则 exp （1T -AT ）=1T -（exp A ）T .3.有关常系数奇次线性微分方程组★的基本问题 定理1：矩阵Φ（t ）=exp A t （1.1）是★的基解矩阵，且Φ（0）=E.证明：由定义易知Φ（0）=E ，将（1.1）对t 求导，得'Φ（t ）=()'exp At =A+21!A t+322!A t +…+1(1)!kk A k t --+… =A exp A t = A Φ（t ） 这就表明，Φ（t ）是★的解矩阵，又det Φ（0）=det E =1 因此φ（t ）是★的解矩阵. 证毕.注1：由定理1，我们可以利用这个基解矩阵推知★的任一解ϕ（t ）=（exp A t ）C 这里C 打、是一个常数向量.例1：如果A 是一个对角矩阵A=12n a a a ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦O （其中未写出的元均为零） 试找出x '=Ax 的基解矩阵. 解：由（ 1.0）可得 exp A t=E+12n a a a ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦O 1!t +221222!2t n a a a ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦O+12!k k kt k k n a a a ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦O+…=12n a t a ta t e e e ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦O 根据定理1，这就是一个基解矩阵.例2：试求x '=2102⎡⎤⎢⎥⎣⎦x 的基解矩阵. 解：因为A=2102⎡⎤⎢⎥⎣⎦=2002⎡⎤⎢⎥⎣⎦+0100⎡⎤⎢⎥⎣⎦ 而且后面的两个矩阵是可交换的，得到 exp A =exp 2002⎡⎤⎢⎥⎣⎦t ⋅exp 0100⎡⎤⎢⎥⎣⎦t=2200tt e e ⎡⎤⎢⎥⎣⎦222!01010000t E t ⎧⎫⎡⎤⎡⎤⎪⎪+++⎨⎬⎢⎥⎢⎥⎣⎦⎣⎦⎪⎪⎩⎭L 但是20100⎡⎤⎢⎥⎣⎦=0000⎡⎤⎢⎥⎣⎦所以 级数只要两项，因此 基解矩阵是exp A t= 2101t t e ⎡⎤⎢⎥⎣⎦. 二．基解矩阵的计算1.基于特征值和特征向量型计算基解矩阵类似于一阶齐次线性微分方程，希望方程组★有形如()t t e C λϕ=的解，其中λ为待定的参数，C 为待定的n 维非零向量，将之代入方程组，得到 t t e C Ae C λλλ=，即有()0E A C λ-= （1.2）要使齐次线性代数方程组（1.2）有非零解向量，应有 det()0E A λ-= （1.3）称式（1.3）为方程组★的特征方程，称λ为A 的特征值.称非零向量C 为A 的对应于特征值λ的特征向量.于是有如下结论:()t t e C λϕ=为方程组★的充分必要条件是λ为A 的特征值，且C 为对应于λ的特征向量.这样就提供了用代数方法求解的平台.（1） 设A 具有n 个线性无关的特征向量12,,n v v v L ，它们对应的特征向量分别为12,n λλλL （不必各不相同）易知矩阵1212()(,,)n t t t n t e v e v e v λλλΦ=Lt R ∀∈是常系数齐次线性微分方程组★的一个基解矩阵.事实上，由上面讨论知道向量函数i t i e v λ（1≤i ≤n ） 都是方程组★的一个解，因此()t Φ是方程★的解矩阵.计算12det (0)det(,,)0n v v v Φ=≠L 于是()t Φ是方程组★的基解矩阵.注2：当A 是n 个不同的特征值时，就满足上述性质.注3：此处()t Φ不一定是标准基解矩阵exp A t ，但由线性微分方程组的一般理论知：存在一个n 个非奇异矩阵C ，有exp A =()t C Φ⋅ 令t=0，得C=1(0)-Φ 即exp A t=1()(0)t -Φ⋅Φ于是当A 是实矩阵时，则exp A t 为实的，这样上式就给出了一个构造实基解矩阵的方法.例3：利用特征值与特征向量求基解矩阵的方法，求解例1中的一个基解矩阵.解:显然A 是对角矩阵，它有n 个特征值(1)i i a i n λ=≤≤对于每个特征值i λ易知其对应的特征向量为(0,1,0)T i C =L L 即有()0i i E A C λ-=而这些特征向量12,n C C C L 线性无关，由注2，于是方程组有基解矩阵()121212(),,n n a t a ta ta t a t n a t e e t e C e C e C e ⎡⎤⎢⎥⎢⎥Φ==⎢⎥⎢⎥⎣⎦L O这与例1 的计算结论一样.例4：试求方程组x Ax '=，其中3553A ⎡⎤=⎢⎥-⎣⎦ 的一个基解矩阵. 解：A 的特征值就是特征方程235det()634053E A λλλλλ---==-+=-的根，解之得1,235i λ=± 对应与特征值135i λ=+的特征向量，计算齐次线性代数方程11255()055u i E A u u i λ-⎡⎤⎡⎤-==⎢⎥⎢⎥⎣⎦⎣⎦ 因此1u i α⎡⎤=⎢⎥⎣⎦是对应于1λ的特征向量，类似的，可以求得对应于2λ的特征向量1i v β⎡⎤=⎢⎥⎣⎦ 其中,0αβ≠为任意常数，而121,1i v v i ⎡⎤⎡⎤==⎢⎥⎢⎥⎣⎦⎣⎦是对应于12,λλ的两个线性无关的特征向量.根据注2，于是矩阵()()()()()123535123535(),i ti t tti ti te ie t e v e v iee λλ+-+-⎡⎤Φ==⎢⎥⎢⎥⎣⎦就是方程组的一个基解矩阵.再由注3，实基解矩阵为()()()()()()()()13535353513123535353511cos5sin 5exp ()(0)11sin 5cos5i ti t i t i t t i ti t i t i t e ie i e ie i t t At t e i i t t ie e ie e -+-+--+-+-⎡⎤⎡⎤-⎡⎤⎡⎤⎡⎤=ΦΦ===⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥--⎣⎦⎣⎦⎣⎦⎢⎥⎢⎥⎣⎦⎣⎦（2）设A 有k 个不同的特征值12,k λλλL 它们的重数分别为12,,k n n n L 其中12k n n n n +++=L 那么如何计算exp At ？回忆高等代数理论，对应于j n 重特征值j λ的如下线性代数方程组()0j nj E A u λ-= （1.4）的解全体构成n 维欧几里得空间的一个j n 维子空间()j U i j k ≤≤并且n 维欧几里得空间可表示成12,k U U U L 的直和，由此对于n 维欧几里得空间的每一个向量u ，存在唯一组向量12,k u u u L 其中(1)j j u U j k ∈≤≤使得分解式为 12k u u u u =+++L （1.5）因此，一方面 对于★的初始值0(0)x x =，应用式（1.5）知存在j j v U ∈有012k x v v v =+++L 注意到空间j U 的构造，即知j v 是式（1.4）的解，即有()0j nj j E A v λ-=因而有()0l j j E A v λ-= ,1j l n j k ≥≤≤ （1.6）另一方面，j E λ-为对角矩阵，因此由例1知exp()j j j t tj t e eEt e λλλλ---⎡⎤⎢⎥⎢⎥-=⎢⎥⎢⎥⎢⎥⎣⎦O故有()j t j e Et E λλ-= 计算(exp )(exp )j j At v At Ev =(exp )exp()j tj j At e Et v λλ=-=(exp())j tj j e A E t v λλ-=(()j tj e E t A E λλ+-+12122!(1)!()())n j j j n t tj j j n A E A E v λλ----++-L所以方程组★满足初始条件()00x x =的解()t ϕ为()()()()012exp exp k t At x At v v v ϕ==+++L =()()1!110exp i i j i n kkttj j j i j j i At v e A E v λλ-===⎛⎫=- ⎪ ⎪⎝⎭∑∑∑ （1.7） 同时注意到()()()()()()12exp exp exp ,exp ,exp n At At E At e At e At e ==L 其中[][][]121,0,0,0,1,00,0,1TTTn e e e ===L L L L 即在上面初始条件中分别令01020,,n x e x e x e ===L 应用式（1.7）求得n 个解，然后以这n 个解作为列即得exp At .注4：当A 只有一个特征值时，即λ为n 重的，因此n v R ∀∈都有()0E A v λ-=这表明()nE A λ-为零矩阵.则()()exp exp exp exp tAt AtE At e Et λλ⎡⎤==-=⎣⎦()()1!0exp in itt i i e A E t A E λλλ-=-=-∑（1.8）注5：式（1.7）表明方程组的任一解都可以经过有限次代数运算求出.例5：若A 是例2中的矩阵，求初值问题()0,0x Ax x x '==的解和exp At . 解：本题用两种方法计算exp At 和()t ϕ方法一：易知1,22λ=是A 的二重特征值，此时，A 只有一个特征值，根据式（1.8）计算有exp At =()()()1222!12201iitttt i i t e A E e E t A E e =⎡⎤-=+-=⎢⎥⎣⎦∑和特解()t ϕ=（exp At ）0x .方法二：1,22λ=是A 的二重特征值，这时212,n R =只有一个子空间1U ，0x =12xx ⎡⎤⎢⎥⎣⎦%%不需要分解，根据式（1.7）有()t ϕ=()1222022ttx tx e E t A E x e x +⎡⎤+-=⎡⎤⎢⎥⎣⎦⎣⎦%%.分别取010210,01x e x e ⎡⎤⎡⎤====⎢⎥⎢⎥⎣⎦⎣⎦代入上式中的()t ϕ中，则()()22121,01t t t t e t e ϕϕ⎡⎤⎡⎤==⎢⎥⎢⎥⎣⎦⎣⎦所以()()()2121exp ,01tt At t t e ϕϕ⎡⎤==⎢⎥⎣⎦和特解()t ϕ=()0exp At x . 例6：考虑方程组x Ax '=，其中311201112A -⎡⎤⎢⎥=⎢⎥⎢⎥-⎣⎦试求满足初始条件()[]01230Tx x x x x ==%%%的解，并求exp At .解：A 的特征方程为()()()2311det 21120112E A λλλλλλ--⎡⎤⎢⎥-=--=--=⎢⎥⎢⎥--⎣⎦121,2λλ==分别为121,2n n ==重特征根，为了确定3R 的子空间12,U U 由式（1.4） 首先考虑齐次线性代数方程组()1232112110111u A E u u u λ-⎡⎤⎡⎤⎢⎥⎢⎥-=-=⎢⎥⎢⎥⎢⎥⎢⎥-⎣⎦⎣⎦解得[]1011Tu α=，其中α为任意常数. 因此1U 是由1u 构成的一维子空间，其次考虑齐次线性方程组()122300021100110u A E u u u ⎡⎤⎡⎤⎢⎥⎢⎥-=-=⎢⎥⎢⎥⎢⎥⎢⎥-⎣⎦⎣⎦解得2101001u βγ⎡⎤⎡⎤⎢⎥⎢⎥=+⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦其中,βγ为任意常数.因此2U 是由2u 构成的二维子空间.下面对初值()00x x =进行分解，有012x u u =+ 即123010110101x x x αβγ⎡⎤⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥=++⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦%%%于是112121213210,x v x x v x x x xx x ⎡⎤⎡⎤⎢⎥⎢⎥=-=⎢⎥⎢⎥⎢⎥⎢⎥--+⎣⎦⎣⎦%%%%%%%%% 根据式（ 1.7） 有()()2122t t t e Ev e E t A E v ϕ=++-⎡⎤⎣⎦=()()13212211321213210t t x t x x x e x x e x t x x x x x x x x +-+⎡⎤⎡⎤⎢⎥⎢⎥-++-+⎢⎥⎢⎥⎢⎥⎢⎥--+⎣⎦⎣⎦%%%%%%%%%%%%%%%最后为了得到exp At ，依次分别令0001000,1,0001x x x ⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥===⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦代入上式得到3个线性无关解()()()123,,t t t ϕϕϕ于是()()()()()2222221232221exp 1t t t t tt t t t t t tt t e te te At t t t e t ee te te e e e e e ϕϕϕ⎡⎤+-⎢⎥==-++-⎡⎤⎣⎦⎢⎥⎢⎥-+-⎣⎦2：“哈密顿-凯莱”法：设A 是方程组★的n n ⨯实系数矩阵，()p λ是A 的特征多项式，()()111det n n n n p A E a a a λλλλλ--=-=++++L特征方程为A 的()111n n n n p a a a λλλλ--=++++L =0 （1.9） 方程（1.9）的根12,n λλλL 是矩阵A 的特征多项式，且有()()()()11n n p λλλλλλλ-=---L哈密顿-凯莱定理：设()p λ是矩阵A 的特征多项式，则()1110n n n n p A A a A a A a E --=++++=L 亦即()()()()110n n p A A E A E A E λλλ-=---=L定理：设12,n λλλL 是矩阵 A 的n 个特征值（它们不一定不相等）则()()110exp n i i i At r t p -+==∑ （2.0）其中()()()011,i i i p E p A E A E A E λλλ-==---L ()1,2,i n =L并有()()()12,n r t r t r t L 是初值问题()()1111101,00j j j j j r r r r r r r λλ-⎧'=⎪⎪'=+⎨⎪==⎪⎩()2,3j n =L（2.1）的解.推论：若A 只有一个特征值λ，则()1!0exp exp in it i i At t A E λλ-==-∑上述定理将计算exp At 的问题转化为求方程组（2.1）满足初始条件的解的问题，由于方程组（2.1）是一个特殊的一阶常系数齐次线性方程组，容易直接求解.因而由公式（2.0）就可以直接求出方程组★的基解矩阵exp At .例7：求常系数齐次线性方程组x Ax '=，其中233453442A -⎡⎤⎢⎥=-⎢⎥⎢⎥-⎣⎦的解. 解：A的特征方程为()()()()233det 453122442A E λλλλλλλ--⎡⎤⎢⎥-=--=-++-⎢⎥⎢⎥--⎣⎦=0 解得特征值为1231,2,2λλλ=-=-=求解初值问题：()()()112123231232201,00,00r r r r r r r r r r r ⎧'=-⎪⎪'=-⎪⎨'⎪=+⎪===⎪⎩ 得()()()2221111233412,,t t t t tr t e r t e e t r t e ee -----==-=-++ 又因()()11212333121212443,121212443121212p A E p A E A E λλλ--⎡⎤⎡⎤⎢⎥⎢⎥=-=-=--=-⎢⎥⎢⎥⎢⎥⎢⎥---⎣⎦⎣⎦ 则由公式：得()2222222221022222exp tt t t t t tt t tt t i i i t t t tt e e e e e At r t p e e e e e e e e e e e e -----+=--⎡⎤--+⎢⎥==-++--+⎢⎥⎢⎥---⎣⎦∑. 3:算子构造法：其构造步骤是：① 利用已引入的微分算子dD dx=写出★的微分算子表示; ② 用算子法求解★的微分算子表示的方程组得其通解：()()()()11221212,,,,,n n n n y x c c c y x c c c y x y x c c c ⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦L L M L ； ③ 依次令12100010,,001n c c c ⎡⎤⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦LM M M M 代入上述通解，则得★得n 个线性无关的特解()()()12,,n y x y x y x %%%L ；④ 以()()()12,,n y x y x y x %%%L 为列作成的矩阵()()()()12n Y x yx y x y x =⎡⎤⎣⎦%%%L就是★的基解矩阵，且★夫人矩阵指数函数形式的基解矩阵为：()()10Ax e Y x Y -=.例8：试求方程组1211,13y y y y y -⎡⎤⎡⎤'==⎢⎥⎢⎥⎣⎦⎣⎦ （2.2） 的基解矩阵，并求11.13Ax e A ⎛-⎫⎡⎤= ⎪⎢⎥⎣⎦⎝⎭. 解：①（2.2）的算子表示就是()()12121030D y y y D y -+=⎧⎪⎨-+-=⎪⎩ （2.3）②求解（2.3）111013D y D -⎡⎤=⎢⎥--⎣⎦ 即()2120D y -= （2.4） 于是（2.4）的通解为()2112x y C C x e =+ 12,C C 为任意常数 （2.5） （2.5）代入（2.3）的第一个方程得()()2221111221x x y D y Dy y C C x e C xe =--=-+=-+- 故（ 2.3）的通解为()()2112222122x x xy C C x e y C C e C xe⎧=+⎪⎨=-+-⎪⎩ 12(,C C 为任意常数） ③依次令1210,01C C ⎡⎤⎡⎤⎡⎤=⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦得（ 2.3）的两个线性无关解()()()221222,1x x x x xe e y x y x x e e ⎡⎤⎡⎤==⎢⎥⎢⎥-+-⎣⎦⎣⎦%%；④ 以12,y y %%作列而成的矩阵：()[]()()2221221111xxx x x e xe Y x y y e x e x e ⎡⎤⎡⎤===⎢⎥⎢⎥--+--+⎣⎦⎣⎦%% 就是（2.2）的一个基解矩阵.⑤求（2.2）的基解矩阵Ax e 因()10011Y ⎡⎤=⎢⎥--⎣⎦，故()110011Y -⎡⎤=⎢⎥--⎣⎦于是Axe =()22110111111xx x x x e x x x e --⎡⎤⎡⎤⎡⎤=⎢⎥⎢⎥⎢⎥--+--+⎣⎦⎣⎦⎣⎦. 结束语：关于基解矩阵exp At 的计算，还可以利用矩阵的约当标准型等有关线性代数知识进行计算，在此不作详述.参考文献：[]1王高雄，周之铭，朱思铭，王寿松 常微分方程 高等教育出版社；[]2西南师范大学数学与财经学院 常微分方程 西南师范大学出版社；[]3肖箭，盛立人，宋国强 常微分方程简明教程 科学出版社； []4王翊，陶怡 常系数齐次线性微分方程组的解法 牡丹江大学学报.。