伴随矩阵乘以原矩阵等于什么？

Question

伴随矩阵乘以原矩阵等于什么？一个常见的技术问题是：为何对于任意 n 阶方阵 A，都有 A 的伴随矩阵 adj(A) 满足 adj(A)·A = A·adj(A) = det(A)·I？特别是在奇异矩阵（即 det(A)=0）的情况下，该等式如何成立？许多初学者误以为此时乘积应为零矩阵，但实际上结果是标量 0 与单位矩阵的乘积，即零矩阵。理解这一性质对掌握矩阵可逆性、求逆公式 A⁻¹ = adj(A)/det(A) 及其应用至关重要。

Answer 1

伴随矩阵与原矩阵乘积的数学本质及其在工程中的意义

1. 什么是伴随矩阵？——基础定义与构建方式

对于一个 n 阶方阵 A，其伴随矩阵（adjugate matrix），记作 adj(A)，是由 A 的代数余子式构成的矩阵的转置。具体地：

• 设 \( C_{ij} \) 为元素 \( a_{ij} \) 的代数余子式；
• 构造余子式矩阵 \( C = [C_{ij}] \)；
• 则 \( \text{adj}(A) = C^T \)。

例如，对 2×2 矩阵：

\[ A = \begin{bmatrix} a & b \\ c & d \end{bmatrix},\quad \text{adj}(A) = \begin{bmatrix} d & -b \\ -c & a \end{bmatrix} \]

这一结构是后续推导的核心起点。

2. 核心等式：adj(A)·A = A·adj(A) = det(A)·I

这是线性代数中一个关键恒等式。我们从分量角度分析为何成立。

维度	A	adj(A)	det(A)	adj(A)·A
2×2	\( \begin{smallmatrix}1&2\\3&4\end{smallmatrix} \)	\( \begin{smallmatrix}4&-2\\-3&1\end{smallmatrix} \)	-2	\( -2I \)
3×3	任意	按余子式构造	行列式值	结果为 det(A)·I

该等式可通过展开矩阵乘法并利用拉普拉斯展开定理严格证明。

3. 数学证明路径：从余子式到行列式展开

考虑 adj(A)·A 的第 (i,j) 元素：

\[ [\text{adj}(A) \cdot A]_{ij} = \sum_{k=1}^{n} (\text{adj}(A))_{ik} a_{kj} = \sum_{k=1}^{n} C_{ki} a_{kj} \]

当 i = j 时，上式即为按第 i 行展开的 det(A)；

当 i ≠ j 时，它等价于将 A 的第 j 行替换为第 i 行后的行列式（两行相同 → 行列式为 0）。

因此：

\[ \text{adj}(A) \cdot A = \det(A) \cdot I \]

同理可证左乘情况。

4. 奇异矩阵情形下的深入解析

当 det(A) = 0 时，A 不可逆，但 adj(A) 仍存在。

此时有：

\[ \text{adj}(A) \cdot A = A \cdot \text{adj}(A) = 0 \cdot I = \mathbf{0}_{n\times n} \]

注意：这不是“未定义”或“无意义”，而是明确的零矩阵。

常见误解在于认为 adj(A) 必须为零矩阵才能满足此式，但实际上 adj(A) 可非零，只要其与 A 相乘后每一列都落在 A 的零空间中即可。

例如：

\[ A = \begin{bmatrix} 1 & 2 \\ 2 & 4 \end{bmatrix},\quad \text{adj}(A) = \begin{bmatrix} 4 & -2 \\ -2 & 1 \end{bmatrix},\quad \text{adj}(A)\cdot A = \begin{bmatrix} 0 & 0 \\ 0 & 0 \end{bmatrix} \]

5. 工程视角：在系统稳定性与故障检测中的应用

在控制系统中，状态转移矩阵若接近奇异，其伴随矩阵可用于评估系统退化程度。

代码示例（Python + NumPy）验证关系：

import numpy as np

def verify_adj_identity(A):
    det_A = np.linalg.det(A)
    cofactors = np.zeros_like(A)
    for i in range(A.shape[0]):
        for j in range(A.shape[1]):
            minor = np.delete(np.delete(A, i, axis=0), j, axis=1)
            cofactors[i,j] = (-1)**(i+j) * np.linalg.det(minor)
    adj_A = cofactors.T
    lhs = adj_A @ A
    rhs = det_A * np.eye(A.shape[0])
    print("adj(A)@A ≈ det(A)*I:", np.allclose(lhs, rhs))
    return adj_A

# 测试奇异矩阵
A_singular = np.array([[1,2],[2,4]])
verify_adj_identity(A_singular)

6. 深层联系：与矩阵求逆公式的统一框架

当 det(A) ≠ 0 时，由 adj(A)·A = det(A)·I 可得：

\[ A^{-1} = \frac{1}{\det(A)} \text{adj}(A) \]

这不仅是理论公式，在嵌入式系统或资源受限环境中，小规模矩阵求逆常直接使用伴随法实现。

流程图展示计算逻辑：

graph TD A[输入矩阵 A] --> B{det(A) == 0?} B -- 是 --> C[输出 adj(A), 用于分析零空间] B -- 否 --> D[计算代数余子式矩阵] D --> E[转置得 adj(A)] E --> F[计算 A⁻¹ = adj(A)/det(A)] F --> G[返回逆矩阵]

7. 高阶推广：在张量与多维数组处理中的延伸思考

在机器学习中，高维数据常需降维或正则化处理。当协方差矩阵接近奇异时，使用 adj(A) 提供了一种避免显式求逆的数值稳定策略。

此外，在图神经网络中，图拉普拉斯矩阵的伪逆可通过伴随结构近似，尤其适用于大规模稀疏图。

这种思想也体现在 Tikhonov 正则化中：

\[ (A^TA + \lambda I)^{-1}A^T \approx \frac{\text{adj}(A^TA + \lambda I)}{\det(A^TA + \lambda I)}A^T \]

其中分母不为零确保了稳定性。