对角化与矩阵幂：把动作换成缩放
本文基于模型知识整理（生成时未联网核对），关键结论建议对照 Axler 第 5 章 / Strang §6.2 复核。
一句话定义
若 A 有 n 个线性无关特征向量（拼成 P），则 $A = P\Lambda P^{-1}$（对角化）——换到特征基后动作退化为纯缩放；由此 $A^k = P\Lambda^k P^{-1}$ 把"连乘 k 次"变成"对角元乘 k 次方"，矩阵幂、微分方程、斐波那契递推全部秒解。
为什么重要
对角化是"换基让问题变简单"的最高示范：难缠的耦合动作（A）在特征坐标下解耦成独立缩放（Λ）。马尔可夫链的长期行为、差分/微分方程的解、PageRank、二次型分析——全是"先对角化再读数"。它也是 kp-015（对称谱定理）与 kp-017（缺陷矩阵的若尔当补丁）的对照基线。
前置知识
核心概念
- 可对角化 ⟺ 有 n 个线性无关特征向量：$P=[v_1\ \dots\ v_n]$ 可逆 ⟺ $AP=P\Lambda$ ⟺ $A=P\Lambda P^{-1}$。
- 几何读法：$P^{-1}$（换到特征坐标）→ $\Lambda$（各方向缩放 $\lambda_i$）→ $P$（换回原坐标）——三段式动作。
- 矩阵幂：$A^k = P\Lambda^k P^{-1}$；函数推广 $f(A) = Pf(\Lambda)P^{-1}$（多项式、指数皆可，kp-026）。
- 可对角化的判别：每个特征值的几何重数=代数重数；实对称矩阵永远满足（kp-015）；反例：$\begin{bmatrix}1&1\\0&1\end{bmatrix}$ 只有一个方向（kp-017）。
- 谱分解的用处：读渐近——$|\lambda_{\max}|>1$ 爆炸、<1 衰减、=1 守恒；最大模特征值统治长期行为。
原理与机制
为什么 n 个无关特征向量就可对角化：$A v_i = \lambda_i v_i$ 逐条写成矩阵形式 $AP = P\Lambda$；P 可逆（无关性）即 $A=P\Lambda P^{-1}$——"n 个独立方向"让动作完全解耦。缺陷矩阵缺少第 n 个方向，解耦不完全（若尔当块补偿，kp-017）。
矩阵幂为什么瞬间可算：$A^k = (P\Lambda P^{-1})(P\Lambda P^{-1})\cdots = P\Lambda^k P^{-1}$——中间 $P^{-1}P$ 全部抵消。数值代价从 O(n³k) 降到一次分解 + 逐元素幂。
经典应用：斐波那契数列：递推 $\begin{pmatrix}F_{k+1}\\F_k\end{pmatrix} = \begin{bmatrix}1&1\\1&0\end{bmatrix}\begin{pmatrix}F_k\\F_{k-1}\end{pmatrix}$，对角化后 $\lambda_{\pm}=\frac{1\pm\sqrt5}{2}$（黄金比例！），$F_k \approx \frac{\varphi^k}{\sqrt5}$——闭式解直接从谱读出，最大特征值统治增长。
换基公式与相似：同一变换在不同基下的矩阵 $B = P^{-1}AP$（相似）；相似矩阵共享特征值（谱是变换的内在属性）——这是 kp-017 规范形分类的出发点。
图示
A 的动作 = P(换回) ∘ Λ(缩放) ∘ P⁻¹(换到特征坐标)
A^k = P Λ^k P⁻¹ ← 连乘坍缩为逐元素幂
渐近: |λ₁|>|λ₂|⇒ A^k ≈ λ₁^k · v₁w₁ᵀ (最大特征值统治)直观类比
对角化像"把乱拳（A）翻译成套路（Λ）"：在它自己的坐标系里，这个动作无非"东边缩 5 倍、西边缩 2 倍"。要问"连打 100 拵效果如何"，不必打 100 遍——套路里各自乘 100 次方即可。
实例或案例
- 马尔可夫链：列随机矩阵最大特征值 1，$P\Lambda^kP^{-1}$ 的 k→∞ 收敛到稳态（PageRank 计算）。
- 人口迁移/传染病模型（SIR 离散版）：谱半径>1 即疫情增长，特征向量给出年龄/地域分布形态。
- 数值线代：幂迭代法求最大特征值——反复 $v\leftarrow Av/\|Av\|$，自动漂向 $\lambda_{\max}$ 方向（kp-032 的算法基础）。
常见误区
- 误区一："所有矩阵都可对角化"。缺陷矩阵（几何重数<代数重数）不行；对称矩阵才行得最稳（kp-015）。
- 误区二："对角化用的 P 是任意可逆阵"。P 的列必须是特征向量——$AP=P\Lambda$ 强制这一结构。
- 误区三："把 $P\Lambda P^{-1}$ 当成 SVD"。相似（特征）分解的两端 P 一般不正交、λ 是特征值；SVD 两端正交、σ 全非负——两者只在特殊情形（对称正定）重合（kp-018 误区对照）。
与其他知识点的关系
- kp-012：原料（特征对）。
- kp-015/016：对称情形的完美版（谱定理/正定）。
- kp-017：失败案例的若尔当补丁。
- kp-026：$e^{At}=Pe^{\Lambda t}P^{-1}$ 解微分方程。
自测题
- 判断 $\begin{bmatrix}2&0\\0&2\end{bmatrix}$ 与 $\begin{bmatrix}2&1\\0&2\end{bmatrix}$ 谁可对角化。
答：前者已是 Λ（可对角化，λ=2 二重、几何重数 2）；后者 λ=2 二重但特征向量只有一维（几何重数 1<2）——不可对角化。
- 用谱性质说明：$|\lambda|<1$ 对所有特征值 ⇒ $A^k\to0$。
答：$A^k=P\Lambda^kP^{-1}$，各 $|\lambda_i|^k\to0$ ⇒ $\Lambda^k\to0$ ⇒ $A^k\to0$——离散系统稳定性的谱判据。
- 斐波那契的增长率由什么决定？
答：状态矩阵的最大特征值 $\varphi=\frac{1+\sqrt5}{2}$——黄金比例正是该 2×2 矩阵的谱半径。
延伸阅读
- Axler《Linear Algebra Done Right》第 5 章（不变子空间与上三角化的严格路线）。
- Strang《Introduction to Linear Algebra》§6.2（对角化与应用）。
- 3Blue1Brown《Essence of LA》第 14 集后半（对角化的换基解读）。