两矩阵相似的充要条件-两矩阵相似的充要条件

深入解析：两矩阵相似的充要条件

在线性代数中，矩阵相似（Matrix Similarity） 是一个核心概念。它描述了两个矩阵在基变换下本质上是“相同”的线性变换。判断两个矩阵是否相似，不仅是理论研究的重点，也是特征值计算、对角化以及控制系统稳定性分析等应用领域的基石。 本文将系统梳理两矩阵相似的充要条件，从定义出发，层层递进，涵盖必要不充分条件、充分条件以及基于不变量的完全判别法，并辅以表格对比，帮助读者构建完整的知识体系。

1. 什么是矩阵相似？

设 和 均为 阶方阵。如果存在一个可逆矩阵 ，使得： 则称矩阵 与 相似，记作 。 几何意义：相似矩阵描述的是同一个线性变换在不同基下的表示。它们拥有相同的线性变换本质，因此在许多代数性质上是共享的。

2. 相似的必要条件（不变量）

若 ，则 和 必须满足以下所有条件。这些条件被称为相似不变量。需要注意的是，满足这些条件并不足以保证两矩阵相似（除非在特定条件下，如复数域上的对角矩阵）。

不变量	数学表达/说明	备注
行列式		相似变换不改变行列式
迹（Trace）		迹等于所有特征值之和
特征多项式	$	lambda I - A	=	lambda I - B	$	根相同，但重数需一致
特征值		包括代数重数和几何重数
秩		相似变换保持秩不变
最小多项式		更精细的不变量
Jordan 标准型		最强的不变量之一

重要提示：仅凭特征多项式相同或特征值相同，不能断定两矩阵相似。 反例： 两者特征值均为 0，特征多项式均为 ，但 （因为 不可对角化，而 已经是标准型）。

3. 两矩阵相似的充要条件

要准确判断两矩阵是否相似，我们需要更强有力的条件。以下是几个不同层面的充要条件：

3.1 基于 Jordan 标准型的充要条件（通用域）

这是最本质的充要条件，适用于任意域（特别是复数域 ）。 定理：设 为 阶复方阵，则 当且仅当 和 具有相同的 Jordan 标准型（在不计 Jordan 块排列顺序的意义下）。 解读：

• 每个复矩阵都相似于一个 Jordan 矩阵 。
• 如果 ，则 ，由相似的传递性得 。
• 反之，若 ，则它们相似于同一个 ，故 。

3.2 基于不变因子的充要条件（任意域）

在一般域 上，Jordan 标准型可能不存在，但Smith 标准型（或不变因子）总是存在的。 定理：设 为 上的 阶方阵，则 当且仅当它们的特征矩阵 与 等价，即它们具有相同的不变因子（Invariant Factors）或初等因子（Elementary Divisors）。 计算方式： 1. 构造 -矩阵 和 。 2. 通过初等变换化为 Smith 标准型。 3. 比较对角线上的非零多项式 。 4. 若序列完全相同，则相似。

3.3 基于最小多项式和特征值的充要条件（特殊情形）

虽然一般情况下最小多项式相同不足以保证相似，但在以下情形中，它可以作为充要条件： 情形一：矩阵可对角化 若 和 均可对角化，则 当且仅当它们具有相同的特征值集合（包括代数重数）。 证明思路：可对角化矩阵相似于由特征值构成的对角阵 。若特征值相同，则对角阵相同，故相似。 情形二：极小多项式等于特征多项式 若 和 的最小多项式次数均为 （即等于矩阵阶数），则 当且仅当它们具有相同的特征多项式。 解释：此时每个特征值只有一个 Jordan 块，Jordan 型由特征值唯一确定。

4. 判别流程图与实例分析

为了更清晰地应用上述条件，我们构建一个判别逻辑：

判别步骤：

1. 检查迹和行列式：若 或 ，则 。 2. 计算特征多项式：若不同，则 。 3. 检查可对角化性：

• 若两者均可对角化，且特征值相同 。
• 若一个可对角化，另一个不可，则 。

4. 检查最小多项式：若最小多项式不同，则 。 5. 计算 Jordan 标准型或不变因子：若相同，则 ；否则 。

实例演示

例：判断 与 是否相似。 1. 迹与行列式：

• ✅
• ✅

2. 特征值：

• 的特征值：
• 的特征值： ✅

3. 最小多项式：

• ，故
• ，且 ，故
• ❌

4. 结论：。

5. 常见误区总结

误区	正确理解
“特征值相同就相似”	错。还需考虑 Jordan 块的结构（即几何重数）。
“特征多项式相同就相似”	错。同上，多项式相同只保证代数重数相同。
“秩相同就相似”	错。秩是最弱的不变量之一。
“实矩阵相似，则存在实可逆矩阵 P”	不一定。若相似变换涉及复数基， 可能是复矩阵。但在实数域上讨论相似时，通常要求 为实矩阵。

6. 结语

判断两矩阵是否相似，核心在于理解线性变换在不同基下的不变性。

• 最实用的充要条件：在复数域上，比较 Jordan 标准型。
• 最通用的充要条件：比较 不变因子 或 初等因子。
• 最快速的排除法：利用 迹、行列式、特征值、最小多项式 等不变量进行初步筛选。

掌握这些条件，不仅能解决理论问题，也为数值计算、控制理论中的系统降阶与模型简化提供了坚实的理论基础。 参考文献： 1. Hoffman, K., & Kunze, R. (1971). Linear Algebra. Prentice-Hall. 2. Horn, R. A., & Johnson, C. R. (2012). Matrix Analysis. Cambridge University Press. 3. 丘维声. 《高等代数》. 北京大学出版社.