第4章多项式 - 线性代数的工具 (Polynomials)

一、导读

4.1 本章学习目标

通过本章的学习，你将能够：

理解多项式空间的结构：掌握 $P(\mathbb{F})$ 作为无限维向量空间的性质，以及 $P_n(\mathbb{F})$ 作为有限维子空间的结构

掌握多项式的除法算法：理解带余除法的存在性和唯一性，以及其在因式分解中的应用

理解多项式的零点与因式的关系：掌握因式定理，理解零点个数与次数的关系

掌握复系数多项式的因式分解：理解代数基本定理及其在线性代数中的重要性

理解实系数多项式的因式分解：掌握实系数多项式分解为一次和二次因式的理论

将多项式理论与线性算子联系：理解如何用多项式作用于线性算子，为特征值理论做准备

掌握最小多项式的概念：理解最小多项式在刻画线性算子结构中的作用

4.2 为什么本章如此重要

多项式看似是初等代数内容，但它在高等线性代数中扮演着关键角色。Axler 的《Linear Algebra Done Right》特别强调多项式作为工具的重要性，因为：

从理论的角度看，多项式是研究线性算子的核心工具。通过将多项式作用于线性算子（如 $p(T) = a_0 I + a_1 T + \cdots + a_n T^n$），我们可以揭示算子的深层结构。特征多项式、最小多项式都是多项式理论在线性代数中的应用。

从应用的角度看：

控制理论：系统的稳定性由特征多项式的根（极点）决定
信号处理：滤波器设计依赖多项式因式分解
数值分析：插值多项式、正交多项式在近似理论中至关重要
密码学：有限域上的多项式用于构造纠错码和加密算法
计算机图形学：Bezier 曲线、B 样条都基于多项式表示

从认知的角度看，本章帮助你建立"代数思维"。多项式的因式分解类似于整数的素数分解，这种类比思维是抽象代数的核心思想。

4.3 核心问题引导

在学习本章时，请持续思考以下问题：

多项式空间 $P(\mathbb{F})$ 为什么是无限维的？ 它与有限维子空间 $P_n(\mathbb{F})$ 有什么关系？

除法算法的核心思想是什么？ 为什么对于任意多项式 $f$ 和非零多项式 $g$，存在唯一的商 $q$ 和余式 $r$ 使得 $f = gq + r$？

多项式的零点个数为什么不超过其次数？ 这个看似显然的事实在证明中用到了什么关键性质？

代数基本定理为什么重要？ 它保证了每个复系数多项式都可以完全分解为一次因式，这对线性算子理论有何意义？

实系数多项式的复零点为什么成对出现？ 这与共轭对称性有何关系？

如何将多项式作用于线性算子？ $p(T)$ 的定义是什么？它有什么性质？

最小多项式与特征多项式有什么区别？ 为什么最小多项式的次数不超过维度？

二、核心概念详解

4.1 多项式空间

定义 4.1（多项式）

设 $\mathbb{F}$ 是一个域。多项式（Polynomial）是形如：

$$p(z) = a_0 + a_1 z + a_2 z^2 + \cdots + a_n z^n = \sum_{k=0}^n a_k z^k$$

的表达式，其中 $a_k \in \mathbb{F}$ 称为系数，$z$ 是变量（或不定元）。

如果 $a_n \neq 0$，则称 $p$ 的次数（Degree）为 $n$，记作 $\deg p = n$。规定零多项式的次数为 $-\infty$（或有时规定为 $-1$）。

定义 4.2（多项式空间）

所有系数在 $\mathbb{F}$ 中的多项式的集合记作 $P(\mathbb{F})$。配备多项式加法和标量乘法：

$$(p + q)(z) = p(z) + q(z)$$

$$(\lambda p)(z) = \lambda \cdot p(z)$$

$P(\mathbb{F})$ 构成一个向量空间。

此外，对于非负整数 $n$，定义：

$$P_n(\mathbb{F}) = \{p \in P(\mathbb{F}) : \deg p \leq n\}$$

即次数不超过 $n$ 的多项式的集合。$P_n(\mathbb{F})$ 是 $P(\mathbb{F})$ 的子空间，且是有限维的，$\dim P_n(\mathbb{F}) = n + 1$，标准基为 $\{1, z, z^2, \ldots, z^n\}$。

关键洞察：$P(\mathbb{F})$ 是无限维的，因为不存在有限个多项式可以张成所有多项式。而 $P_n(\mathbb{F})$ 是有限维子空间。

例 4.1：多项式空间的基

$P_2(\mathbb{R})$ 的基：$\{1, z, z^2\}$，维度为 3
$P_3(\mathbb{C})$ 的基：$\{1, z, z^2, z^3\}$，维度为 4
$P(\mathbb{F})$ 没有有限基，是无限维空间

4.2 多项式的除法算法

定理 4.1（除法算法）

设 $p, s \in P(\mathbb{F})$，且 $s \neq 0$。则存在唯一的 $q, r \in P(\mathbb{F})$ 使得：

$$p = sq + r$$

且 $\deg r < \deg s$。

这里 $q$ 称为商（Quotient），$r$ 称为余式（Remainder）。

证明思路：

存在性：对 $\deg p$ 进行归纳。

如果 $\deg p < \deg s$，取 $q = 0$，$r = p$ 即可。
如果 $\deg p \geq \deg s$，设 $p(z) = a_n z^n + \cdots$，$s(z) = b_m z^m + \cdots$，其中 $n \geq m$，$a_n \neq 0$，$b_m \neq 0$。

考虑 $p_1(z) = p(z) - \frac{a_n}{b_m} z^{n-m} s(z)$。注意到 $p_1$ 的最高次项被消去，所以 $\deg p_1 < \deg p$。

由归纳假设，存在 $q_1, r$ 使得 $p_1 = s q_1 + r$，$\deg r < \deg s$。

则 $p = p_1 + \frac{a_n}{b_m} z^{n-m} s = s(q_1 + \frac{a_n}{b_m} z^{n-m}) + r$。

取 $q = q_1 + \frac{a_n}{b_m} z^{n-m}$ 即可。

唯一性：假设 $p = s q_1 + r_1 = s q_2 + r_2$，其中 $\deg r_1, \deg r_2 < \deg s$。

则 $s(q_1 - q_2) = r_2 - r_1$。

如果 $q_1 \neq q_2$，则左边次数 $\geq \deg s$，右边次数 $< \deg s$，矛盾。

因此 $q_1 = q_2$，进而 $r_1 = r_2$。$\square$

程序员的直觉：除法算法类似于整数的长除法。商和余式是唯一确定的。

例 4.2：多项式除法

设 $p(z) = z^3 + 2z^2 + 3z + 4$，$s(z) = z^2 + 1$。

执行长除法：

$z^3 / z^2 = z$，商的第一项为 $z$
$p(z) - z \cdot s(z) = z^3 + 2z^2 + 3z + 4 - z(z^2 + 1) = 2z^2 + 2z + 4$
$2z^2 / z^2 = 2$，商的第二项为 $2$
$(2z^2 + 2z + 4) - 2 \cdot s(z) = 2z^2 + 2z + 4 - 2(z^2 + 1) = 2z + 2$

所以 $q(z) = z + 2$，$r(z) = 2z + 2$，且 $\deg r = 1 < \deg s = 2$。

验证：$s(z)q(z) + r(z) = (z^2 + 1)(z + 2) + (2z + 2) = z^3 + 2z^2 + z + 2z^2 + 4z + 2 + 2z + 2 = z^3 + 2z^2 + 3z + 4 = p(z)$。✓

4.3 多项式的零点

定义 4.3（零点）

设 $p \in P(\mathbb{F})$，$\lambda \in \mathbb{F}$。如果 $p(\lambda) = 0$，则称 $\lambda$ 是 $p$ 的一个零点（Zero）或根（Root）。

定理 4.2（因式定理）

设 $p \in P(\mathbb{F})$，$\lambda \in \mathbb{F}$。则 $\lambda$ 是 $p$ 的零点当且仅当存在 $q \in P(\mathbb{F})$ 使得：

$$p(z) = (z - \lambda) q(z)$$

证明：

充分性：如果 $p(z) = (z - \lambda)q(z)$，则 $p(\lambda) = (\lambda - \lambda)q(\lambda) = 0$。

必要性：如果 $p(\lambda) = 0$，由除法算法，$p(z) = (z - \lambda)q(z) + r$，其中 $\deg r < 1$，即 $r$ 是常数。

代入 $z = \lambda$：$p(\lambda) = (\lambda - \lambda)q(\lambda) + r = r$。

由于 $p(\lambda) = 0$，得 $r = 0$。所以 $p(z) = (z - \lambda)q(z)$。$\square$

定理 4.3：零点个数的上界

设 $p \in P(\mathbb{F})$，$p \neq 0$，$\deg p = n$。则 $p$ 在 $\mathbb{F}$ 中至多有 $n$ 个不同的零点。

证明：对 $n$ 进行归纳。

基础情况：$n = 0$，$p$ 是非零常数，没有零点。结论成立。

归纳步骤：假设对次数 $n-1$ 的多项式成立。设 $\deg p = n$。

如果 $p$ 没有零点，结论显然成立（$0 \leq n$）。

如果 $p$ 有零点 $\lambda$，则由因式定理，$p(z) = (z - \lambda)q(z)$，其中 $\deg q = n - 1$。

$q$ 至多有 $n-1$ 个零点（归纳假设）。$p$ 的零点是 $\lambda$ 加上 $q$ 的零点，所以至多有 $1 + (n-1) = n$ 个。$\square$

重要推论：如果两个次数不超过 $n$ 的多项式在 $n+1$ 个不同点处取值相同，则它们相等。这为多项式插值的唯一性提供了理论基础。

4.4 复系数多项式的因式分解

定理 4.4（代数基本定理）

每个非常数的复系数多项式至少有一个复零点。即：如果 $p \in P(\mathbb{C})$，$\deg p \geq 1$，则存在 $\lambda \in \mathbb{C}$ 使得 $p(\lambda) = 0$。

注意：代数基本定理的证明超出了线性代数的范围，通常使用复分析或拓扑学的方法证明。我们在此接受它为已知事实。

定理 4.5：复系数多项式的因式分解

设 $p \in P(\mathbb{C})$，$\deg p = n \geq 1$。则存在唯一的（不计顺序）复数 $\lambda_1, \ldots, \lambda_n$ 和非零常数 $c$ 使得：

$$p(z) = c(z - \lambda_1)(z - \lambda_2)\cdots(z - \lambda_n)$$

证明：

由代数基本定理，$p$ 有零点 $\lambda_1$。由因式定理，$p(z) = (z - \lambda_1)q_1(z)$，其中 $\deg q_1 = n - 1$。

对 $q_1$ 重复此过程，最终得到 $p(z) = c(z - \lambda_1)\cdots(z - \lambda_n)$。

唯一性由零点的唯一性（计重数）保证。$\square$

几何直觉：在复数域上，每个多项式都可以完全分解为一次因式。这意味着复数是"代数封闭"的——任何多项式方程都有解。

定义 4.4（重数）

在定理 4.5 的分解中，如果某个 $\lambda$ 出现了 $m$ 次，则称 $\lambda$ 是 $p$ 的$m$ 重零点，或称 $\lambda$ 的重数（Multiplicity）为 $m$。

例 4.3：复系数多项式的分解

$p(z) = z^3 - 1$ 在 $\mathbb{C}$ 中分解为：

$$p(z) = (z - 1)(z - e^{2\pi i/3})(z - e^{4\pi i/3})$$

三个零点分别是 $1$、$e^{2\pi i/3} = -\frac{1}{2} + i\frac{\sqrt{3}}{2}$、$e^{4\pi i/3} = -\frac{1}{2} - i\frac{\sqrt{3}}{2}$。

4.5 实系数多项式的因式分解

定理 4.6：实系数多项式的复零点成对出现

设 $p \in P(\mathbb{R})$（即系数都是实数）。如果 $\lambda \in \mathbb{C}$ 是 $p$ 的零点，则其共轭 $\overline{\lambda}$ 也是 $p$ 的零点。

证明：

设 $p(z) = a_n z^n + \cdots + a_1 z + a_0$，其中 $a_i \in \mathbb{R}$。

如果 $p(\lambda) = 0$，则：

$$0 = \overline{0} = \overline{p(\lambda)} = \overline{a_n \lambda^n + \cdots + a_1 \lambda + a_0}$$

由于 $a_i$ 是实数，$\overline{a_i} = a_i$，所以：

$$\overline{p(\lambda)} = a_n \overline{\lambda}^n + \cdots + a_1 \overline{\lambda} + a_0 = p(\overline{\lambda})$$

因此 $p(\overline{\lambda}) = 0$。$\square$

定理 4.7：实系数多项式的因式分解

设 $p \in P(\mathbb{R})$，$\deg p = n \geq 1$。则 $p$ 可以分解为一次因式和二次因式的乘积：

$$p(z) = c(z - r_1)\cdots(z - r_j)(z^2 + b_1 z + c_1)\cdots(z^2 + b_k z + c_k)$$

其中 $r_1, \ldots, r_j \in \mathbb{R}$ 是实零点，$z^2 + b_i z + c_i$ 是无实根的二次多项式（判别式 $b_i^2 - 4c_i < 0$），且 $j + 2k = n$。

证明思路：

由定理 4.5，$p$ 在 $\mathbb{C}$ 中分解为一次因式。实零点保持为一次因式 $(z - r)$。复零点成对出现 $\lambda, \overline{\lambda}$，对应的因式为：

$$(z - \lambda)(z - \overline{\lambda}) = z^2 - (\lambda + \overline{\lambda})z + \lambda\overline{\lambda} = z^2 - 2\text{Re}(\lambda)z + |\lambda|^2$$

这是实系数二次多项式，且无实根（因为 $\lambda$ 不是实数）。$\square$

例 4.4：实系数多项式的分解

$p(z) = z^4 + 1$ 在 $\mathbb{R}$ 中分解为：

$$p(z) = (z^2 + \sqrt{2}z + 1)(z^2 - \sqrt{2}z + 1)$$

这两个二次因式都无实根。

4.6 多项式作用于线性算子

定义 4.5（多项式作用于算子）

设 $T: V \to V$ 是线性算子，$p \in P(\mathbb{F})$，$p(z) = a_0 + a_1 z + \cdots + a_n z^n$。定义：

$$p(T) = a_0 I + a_1 T + a_2 T^2 + \cdots + a_n T^n$$

其中 $I$ 是恒等算子，$T^k = T \circ T \circ \cdots \circ T$（$k$ 次复合）。

关键洞察：$p(T)$ 是从 $V$ 到 $V$ 的线性算子。多项式代数与线性算子代数之间存在同态关系。

定理 4.8：多项式作用于算子的性质

设 $T: V \to V$ 是线性算子，$p, q \in P(\mathbb{F})$，$\lambda \in \mathbb{F}$。则：

$(p + q)(T) = p(T) + q(T)$

$(\lambda p)(T) = \lambda p(T)$

$(pq)(T) = p(T) \circ q(T)$

如果 $p(z) = 1$（常数多项式），则 $p(T) = I$

证明：直接由定义和线性映射的运算性质可得。$\square$

定义 4.6（零化多项式）

设 $T: V \to V$ 是线性算子。如果 $p \in P(\mathbb{F})$ 满足 $p(T) = 0$（零算子），则称 $p$ 是 $T$ 的零化多项式（Annihilating Polynomial）。

定理 4.9：存在非零零化多项式

设 $V$ 是有限维向量空间，$\dim V = n$。则对于任意线性算子 $T: V \to V$，存在非零多项式 $p \in P(\mathbb{F})$，$\deg p \leq n^2$，使得 $p(T) = 0$。

证明思路：

考虑 $I, T, T^2, \ldots, T^{n^2}$。这些是 $\mathcal{L}(V, V)$ 中的 $n^2 + 1$ 个元素。

由于 $\dim \mathcal{L}(V, V) = n^2$，这些算子必线性相关。即存在不全为零的 $a_0, \ldots, a_{n^2}$ 使得：

$$a_0 I + a_1 T + \cdots + a_{n^2} T^{n^2} = 0$$

取 $p(z) = a_0 + a_1 z + \cdots + a_{n^2} z^{n^2}$，则 $p(T) = 0$。$\square$

重要意义：这个定理保证了零化多项式的存在性，为最小多项式的定义奠定了基础。

定义 4.7（最小多项式）

设 $T: V \to V$ 是线性算子，$V$ 是有限维的。$T$ 的最小多项式（Minimal Polynomial）是满足以下条件的首一多项式（最高次项系数为 1）$q$：

$q(T) = 0$

在所有满足 $p(T) = 0$ 的非零多项式中，$q$ 的次数最小

定理 4.10：最小多项式的性质

设 $T: V \to V$ 是线性算子，$q$ 是其最小多项式。则：

$q$ 是唯一的

如果 $p(T) = 0$，则 $q$ 整除 $p$

$\deg q \leq \dim V$

证明思路：

唯一性：如果有两个最小多项式 $q_1, q_2$，则 $q_1 - q_2$ 也是零化多项式且次数更小，除非 $q_1 = q_2$。

由除法算法，$p = qs + r$，$\deg r < \deg q$。则 $r(T) = p(T) - q(T)s(T) = 0$。由最小性，$r = 0$，即 $q$ 整除 $p$。

更精细的分析表明 $\deg q \leq \dim V$（实际上，$\deg q \leq n$，其中 $n = \dim V$）。$\square$

三、程序员的视角

3.1 在机器学习中的应用

特征多项式：在 PCA 中，我们需要计算协方差矩阵的特征值和特征向量。特征值是特征多项式 $\det(A - \lambda I) = 0$ 的根。虽然实际计算不使用行列式，但理论基础依赖多项式理论。

多项式回归：在回归分析中，使用多项式函数拟合数据。多项式的次数决定了模型的复杂度。

激活函数近似：许多非线性激活函数（如 sigmoid、tanh）可以用泰勒级数（多项式）近似。这在神经网络的可解释性分析中有用。

3.2 常见陷阱与误区

误区 1：认为实系数多项式总有实根

只有奇数次实系数多项式保证有实根。偶数次多项式可能没有实根（如 $z^2 + 1$）。

误区 2：混淆"零点"与"重零点"

重零点在因式分解中出现多次，在数值计算中可能导致病态问题。

误区 3：认为最小多项式等于特征多项式

最小多项式整除特征多项式，但次数可能更小。例如，单位矩阵的特征多项式是 $(z-1)^n$，但最小多项式是 $z-1$。

误区 4：忽略数值稳定性

高阶多项式的求值和求根在数值上可能不稳定。Horner 方法可以提高求值效率，但对于求根需要使用更稳健的算法（如 QR 算法）。

3.3 与其他层级的联系

与特征值的联系：特征值是特征多项式的零点，最小多项式的零点包含所有特征值
与对角化的联系：线性算子可对角化当且仅当最小多项式无重根
与 Jordan 标准形的联系：最小多项式决定了 Jordan 块的最大尺寸
与数值计算的联系：多项式求根是数值线性代数的核心问题之一

四、代码实战

4.1 多项式除法

python

import numpy as np

def polynomial_division(p_coeffs, s_coeffs):
    """
    多项式除法：p / s = q ... r
    
    参数:
    p_coeffs: 被除多项式系数列表（从高次到低次）
    s_coeffs: 除多项式系数列表（从高次到低次）
    
    返回:
    q_coeffs: 商多项式系数
    r_coeffs: 余式多项式系数
    """
    # 转换为 numpy 数组
    p = np.array(p_coeffs, dtype=float)
    s = np.array(s_coeffs, dtype=float)
    
    deg_p = len(p) - 1
    deg_s = len(s) - 1
    
    if deg_s < 0:
        raise ValueError("除数不能为零多项式")
    
    if deg_p < deg_s:
        return [], p.tolist()
    
    # 初始化商的系数
    q_deg = deg_p - deg_s
    q_coeffs = np.zeros(q_deg + 1)
    
    # 复制被除数作为余式
    r = p.copy()
    
    for i in range(q_deg + 1):
        # 计算当前位的商
        coeff = r[i] / s[0]
        q_coeffs[i] = coeff
        
        # 减去商乘以除数
        for j in range(len(s)):
            r[i + j] -= coeff * s[j]
    
    # 余式是剩余部分
    r_coeffs = r[q_deg + 1:]
    
    # 去除前导零
    while len(r_coeffs) > 0 and np.abs(r_coeffs[0]) < 1e-10:
        r_coeffs = r_coeffs[1:]
    
    return q_coeffs.tolist(), r_coeffs.tolist()

# 示例：(z^3 + 2z^2 + 3z + 4) / (z^2 + 1)
p = [1, 2, 3, 4]  # z^3 + 2z^2 + 3z + 4
s = [1, 0, 1]     # z^2 + 1

q, r = polynomial_division(p, s)
print(f"商: {q}")   # [1.0, 2.0] -> z + 2
print(f"余式: {r}") # [2.0, 2.0] -> 2z + 2

4.2 多项式求根

python

import numpy as np

def find_polynomial_roots(coeffs):
    """
    求多项式的根
    
    参数:
    coeffs: 多项式系数列表（从高次到低次）
    
    返回:
    roots: 根的数组（可能是复数）
    """
    # 使用 numpy 的 roots 函数（基于伴随矩阵的特征值）
    roots = np.roots(coeffs)
    return roots

# 示例：z^3 - 1 = 0
coeffs = [1, 0, 0, -1]  # z^3 - 1
roots = find_polynomial_roots(coeffs)
print("z^3 - 1 = 0 的根:")
for root in roots:
    print(f"  {root:.6f}")

# 验证
print("\n验证:")
for root in roots:
    val = np.polyval(coeffs, root)
    print(f"  p({root:.6f}) = {val:.2e}")

4.3 多项式作用于矩阵

python

import numpy as np

def polynomial_of_matrix(coeffs, A):
    """
    计算多项式 p(A)，其中 p(z) = c_0 z^n + c_1 z^(n-1) + ... + c_n
    
    参数:
    coeffs: 多项式系数列表（从高次到低次）
    A: 方阵
    
    返回:
    p(A): 矩阵
    """
    n = len(coeffs) - 1
    result = np.zeros_like(A, dtype=float)
    
    # 使用 Horner 方法提高效率和数值稳定性
    # p(A) = c_0 A^n + c_1 A^(n-1) + ... + c_n
    # = ((...(c_0 A + c_1)A + c_2)A + ...)A + c_n
    
    result = coeffs[0] * np.eye(A.shape[0])
    for i in range(1, len(coeffs)):
        result = result @ A + coeffs[i] * np.eye(A.shape[0])
    
    return result

# 示例：p(z) = z^2 + 2z + 1，A = [[1, 2], [3, 4]]
coeffs = [1, 2, 1]  # z^2 + 2z + 1
A = np.array([[1, 2], [3, 4]])

pA = polynomial_of_matrix(coeffs, A)
print("p(A) = A^2 + 2A + I:")
print(pA)

# 直接计算验证
direct = A @ A + 2 * A + np.eye(2)
print("\n直接计算 A^2 + 2A + I:")
print(direct)

print(f"\n两者是否相等: {np.allclose(pA, direct)}")

五、深入思考

5.1 历史背景

多项式理论的发展贯穿了整个数学史：

古代：巴比伦人已经知道二次方程的求解公式
16世纪：意大利数学家找到了三次和四次方程的求根公式
19世纪初：Abel 和 Galois 证明了五次及以上方程没有一般的根式解，开创了群论
1799年：Gauss 给出了代数基本定理的第一个严格证明
20世纪：多项式理论在抽象代数、代数几何中得到进一步发展

Axler 将多项式作为独立章节放在特征值之前，是因为多项式工具对于理解线性算子的结构至关重要。

5.2 前沿方向

计算代数几何：使用多项式系统研究几何对象的性质。Gröbner 基算法是核心工具。

编码理论：有限域上的多项式用于构造 Reed-Solomon 码等纠错码，广泛应用于通信和存储系统。

多项式优化：使用半定规划和矩方法求解多项式优化问题，在控制理论、机器学习中应用广泛。

5.3 延伸阅读

Sheldon Axler, Linear Algebra Done Right, 3rd Edition, Springer, 2015 - Chapter 4

Michael Artin, Algebra, 2nd Edition - 多项式环的理论

Gene H. Golub, Charles F. Van Loan, Matrix Computations - 多项式求根的数值方法

3Blue1Brown, "The Essence of Linear Algebra" - 关于多项式与特征值的直观解释

六、实验笔记

实验 1：探索多项式除法的几何意义

目标：理解多项式除法与因式分解的关系

步骤：

选择一个三次多项式 $p(z)$，找到它的一个实根 $\lambda$

用多项式除法计算 $p(z) / (z - \lambda)$，得到商 $q(z)$

验证 $p(z) = (z - \lambda)q(z)$

对 $q(z)$ 重复此过程，直到完全分解

绘制 $p(z)$ 的图像，观察零点位置

扩展：研究复根的情况，绘制多项式在复平面上的幅值图。

实验 2：最小多项式的数值计算

目标：理解最小多项式与特征多项式的区别

步骤：

生成一个随机 $n \times n$ 矩阵 $A$

计算 $A$ 的特征多项式（使用 np.poly 或符号计算）

尝试找到次数更低的多项式 $q$ 使得 $q(A) = 0$

比较最小多项式和特征多项式的次数

研究什么情况下两者相等，什么情况下最小多项式次数更低

挑战：实现一个算法，自动计算给定矩阵的最小多项式。

七、本章小结

本章深入研究了多项式理论及其在线性代数中的应用，核心内容包括：

核心概念：

多项式空间 $P(\mathbb{F})$ 是无限维的，$P_n(\mathbb{F})$ 是 $n+1$ 维子空间
除法算法保证了商和余式的存在唯一性
因式定理将零点与一次因式联系起来
代数基本定理保证了复系数多项式的完全分解

关键定理：

除法算法：$p = sq + r$，$\deg r < \deg s$
因式定理：$\lambda$ 是零点 $\iff (z - \lambda)$ 是因式
零点个数不超过次数
实系数多项式的复零点成对出现
存在非零零化多项式，最小多项式唯一且整除任何零化多项式

几何直觉：

多项式的零点对应图像与横轴的交点
重零点对应"切触"行为（图像在该点与横轴相切）
复零点在复平面上成共轭对称分布

编程实践：

用长除法实现多项式除法
用 np.roots 求多项式的根
用 Horner 方法高效计算多项式作用于矩阵

多项式是研究线性算子的有力工具，下一章我们将进入特征值与特征向量的世界。

八、习题

基础题

执行多项式除法：$(z^4 + 2z^3 + 3z^2 + 4z + 5) / (z^2 + z + 1)$，求商和余式。

判断下列多项式在 $\mathbb{R}$ 中是否有零点：

- (a) $z^3 + z + 1$

- (b) $z^4 + z^2 + 1$

- (c) $z^5 - 3z^3 + 2z - 1$

将 $z^4 - 1$ 在 $\mathbb{C}$ 和 $\mathbb{R}$ 中分别分解为不可约因式的乘积。

设 $p(z) = z^3 - 3z^2 + 4z - 2$。已知 $1 + i$ 是一个零点，求所有零点。

进阶题

设 $p, q \in P(\mathbb{F})$，$\deg p = n$，$\deg q = m$。证明：如果 $p$ 和 $q$ 在 $n + m + 1$ 个不同点处取值相同，则 $p = q$。

设 $T: V \to V$ 是线性算子，$p \in P(\mathbb{F})$。证明：如果 $\lambda$ 是 $T$ 的特征值，则 $p(\lambda)$ 是 $p(T)$ 的特征值。

设 $T: V \to V$ 是线性算子，$q$ 是其最小多项式。证明：$q$ 的零点恰好是 $T$ 的所有特征值。

设 $A$ 是 $n \times n$ 矩阵，其特征多项式为 $p(z) = (z - \lambda_1)^{m_1}\cdots(z - \lambda_k)^{m_k}$。证明：$A$ 的最小多项式形如 $(z - \lambda_1)^{d_1}\cdots(z - \lambda_k)^{d_k}$，其中 $1 \leq d_i \leq m_i$。

挑战题

证明：线性算子 $T$ 可对角化当且仅当其最小多项式无重根。

设 $T: V \to V$ 是线性算子，$\dim V = n$。证明：存在向量 $v \in V$ 使得 $v, Tv, T^2v, \ldots, T^{n-1}v$ 线性无关当且仅当 $T$ 的最小多项式的次数为 $n$。（这样的 $v$ 称为循环向量）

第4章 多项式 - 线性代数的工具 (Polynomials)

一、导读

4.1 本章学习目标

4.2 为什么本章如此重要

4.3 核心问题引导

二、核心概念详解

4.1 多项式空间

定义 4.1（多项式）

定义 4.2（多项式空间）

例 4.1：多项式空间的基

4.2 多项式的除法算法

定理 4.1（除法算法）

例 4.2：多项式除法

4.3 多项式的零点

定义 4.3（零点）

定理 4.2（因式定理）

定理 4.3：零点个数的上界

4.4 复系数多项式的因式分解

定理 4.4（代数基本定理）

定理 4.5：复系数多项式的因式分解

定义 4.4（重数）

例 4.3：复系数多项式的分解

4.5 实系数多项式的因式分解

定理 4.6：实系数多项式的复零点成对出现

定理 4.7：实系数多项式的因式分解

例 4.4：实系数多项式的分解

4.6 多项式作用于线性算子

定义 4.5（多项式作用于算子）

定理 4.8：多项式作用于算子的性质

定义 4.6（零化多项式）

定理 4.9：存在非零零化多项式

定义 4.7（最小多项式）

定理 4.10：最小多项式的性质

三、程序员的视角

3.1 在机器学习中的应用

3.2 常见陷阱与误区

3.3 与其他层级的联系

四、代码实战

4.1 多项式除法

4.2 多项式求根

4.3 多项式作用于矩阵

五、深入思考

5.1 历史背景

5.2 前沿方向

5.3 延伸阅读

六、实验笔记

实验 1：探索多项式除法的几何意义

实验 2：最小多项式的数值计算

七、本章小结

八、习题

第4章多项式 - 线性代数的工具 (Polynomials)