对角化

对角化是在寻找一组与变换"天然对齐"的坐标轴：沿这些轴，线性变换不再混合各坐标，而退化为每个坐标独立地伸缩 ${\lambda }_i$ 倍。一旦找到这样的轴系，一切由 $T$ 反复作用产生的问题都被解耦——$A^k=P\mathrm{diag}({\lambda }_i^k)P^{-1}$，矩阵的千次幂化为标量的千次幂。这解释了对角化为何被发明：它把"理解一个算子"约化为"理解一列数"。可对角化不是所有矩阵共有的性质，障碍有两类：特征多项式在底域上不分裂，或某个特征值的特征空间"不够宽"（几何重数小于代数重数），此时有方向被迫与别的方向纠缠，任何换基都消不掉。极小多项式判据把两类障碍合成一句可计算的条件——它必须在 $F$ 上分裂，且没有重根。另一个易混点：这里的"相似对角化"与二次型的"合同对角化"是不同的操作，前者也完全不承诺所选特征基正交。

正例：$A=\left(\begin{array}{cc}2& 1\\ 1& 2\end{array}\right)$ 的特征值为 $3,1$（互异），对应特征向量 $(1,1{)}^{\mathrm{\top }},(1,-1{)}^{\mathrm{\top }}$，取 $P=\left(\begin{array}{cc}1& 1\\ 1& -1\end{array}\right)$ 即得 $P^{-1}AP=\mathrm{diag}(3,1)$。单位矩阵是"重根却无碍"的例子：唯一特征值 $1$ 重复 $n$ 次，但特征空间是全空间，仍可对角化——可见互异特征值只是充分而非必要。

反例：剪切矩阵 $\left(\begin{array}{cc}1& 1\\ 0& 1\end{array}\right)$ 特征值 $1$ 的代数重数为 $2$，特征空间却只有一维（仅 $x$ 轴方向），极小多项式为 $(t-1{)}^2$ 含重根，故不可对角化；"$n$ 个特征值按重数计"并不自动兑现 $n$ 个线性无关的特征向量。可对角化性还依赖底域：实平面旋转 $\left(\begin{array}{cc}0& -1\\ 1& 0\end{array}\right)$ 的特征多项式 $t^2+1$ 在 $\mathbb{R}$ 上无根，故在 $\mathbb{R}$ 上连特征向量都没有；扩到 $\mathbb{C}$ 后特征值 $\pm i$ 互异，立即可对角化。

边界与约定：变换矩阵 $P$ 远非唯一——特征向量可任意非零缩放，特征值的排列顺序也可换，只要 $P$ 的列与对角元按同一顺序配对。可对角化也不承诺特征基正交；要得到正交或酉特征基，需要实对称、复正规等额外条件，那是谱定理公理库有限维谱定理Finite-dimensional spectral theorem有限维实对称或复自伴算子存在正交规范特征向量基。的内容。

对角化把与 $T$ 的多项式和幂有关的一切计算平凡化：矩阵幂支撑线性递推公理库线性递推Linear recurrence relation当前项由固定数量先前项的线性组合给出。的通项公式（如 Fibonacci 数的 Binet 公式），矩阵指数 $e^{tA}$ 支撑常系数线性微分方程组的求解，Markov 链的收敛速度也常借助谱分析刻画。

当特征多项式已在底域上分裂而对角化仍失败时，广义特征空间给出 Jordan 标准形公理库Jordan 标准形Jordan canonical form · Jordan normal form在特征多项式分裂时，把有限维算子表示成 Jordan 块直和。——它是"最接近对角"的精确代数形态，对角化正是其全部 Jordan 块都是 $1\times 1$ 的特例。判断可对角化本身，则常经由特征值与特征向量公理库特征值与特征向量Eigenvalue and eigenvector满足 Tv=λv 且 v 非零的标量 λ 与向量 v。的重数比对或极小多项式的因式检验完成。

即使矩阵可对角化，近缺陷情形的特征向量矩阵也可能严重病态，使 $P$ 与 $P^{-1}$ 放大浮点误差；Schur 分解公理库Schur 分解Schur decomposition · Schur triangularization · Real Schur form用酉或正交相似变换把一般矩阵化为上三角或实准上三角形，作为浮点全谱计算的稳定结构目标。用正交或酉变换为一般方阵提供更稳定的数值结构。