代数重数与几何重数用来描述同一个特征值在多项式结构和向量空间结构中的重数程度：代数重数关注特征多项式中该特征值出现的次数，几何重数关注该特征值对应特征空间的维数，也就是独立特征向量的个数。两者最核心的关系是：几何重数小于或等于代数重数；当每个特征值的几何重数都等于代数重数时，线性变换具备可对角化条件。把代数重数与几何重数放在一起看，特征值重数关系就变成“多项式重数”和“特征向量空间维数”的对应，便于判断矩阵或线性变换的结构特征。
一、先抓住两个定义
1. 代数重数
代数重数来自特征多项式。
若矩阵 A 的特征多项式为：
[
p(lambda)=det(lambda I-A)
]
且某个特征值 (lambda_0) 在 (p(lambda)) 中作为根出现 (k) 次，则 (lambda_0) 的代数重数为 (k)。
通俗理解：
- 代数重数看“特征多项式里这个特征值写了几次”。
- 它属于多项式层面的重数。
- 它与特征向量的个数不是同一个对象，但会限制特征向量空间的维数。
2. 几何重数
几何重数来自特征空间。
对特征值 (lambda_0)，特征空间定义为：
[
V_{lambda_0}={xmid Ax=lambda_0 x}
]
也可以写成：
[
V_{lambda_0}=ker(A-lambda_0 I)
]
几何重数就是这个特征空间的维数。
通俗理解：
- 几何重数看“这个特征值对应多少个线性无关的特征向量”。
- 它属于向量空间层面的重数。
- 它直接反映特征向量结构的丰富程度。
二、二者数量关系
| 对象 | 来源 | 直观含义 | 数学表达 |
|---|---|---|---|
| 代数重数 | 特征多项式 | 特征值作为根出现的次数 | (p(lambda)) 中 ((lambda-lambda_0)^k) 的 (k) |
| 几何重数 | 特征空间 | 线性无关特征向量个数 | (dimker(A-lambda_0 I)) |
二者的基本关系为：
[
ext{几何重数} le ext{代数重数}
]
原因可以从两个方向理解：
- 特征空间是满足 (Ax=lambda_0 x) 的解空间。
- 特征多项式重数描述该特征值在整体多项式结构中的层级。
- 特征空间维数受到特征多项式重数约束，所以几何重数小于或等于代数重数。
三、在可对角化中的位置
判断一个线性变换或矩阵是否可对角化，常用代数重数与几何重数关系：
| 特征值状态 | 几何重数 | 代数重数 | 可对角化视角 |
|---|---|---|---|
| 单个特征值 | 等于 | 等于 | 该特征值处特征向量数量满足需求 |
| 单个特征值 | 小于 | 大于 | 需要进一步考察广义特征空间 |
| 所有特征值 | 每个都等于 | 每个都对应满足 | 整体满足可对角化条件 |
核心判断：
[
A ext{ 可对角化} Longleftrightarrow ext{每个特征值的几何重数等于代数重数}
]
这个判断把代数重数与几何重数、特征多项式重数、特征空间维数放在同一套逻辑里，特征值重数关系因此成为线性变换结构分析的重要入口。
四、计算步骤
处理代数重数与几何重数时，可按以下清单执行：
步骤 1：求特征多项式
计算：
[
p(lambda)=det(lambda I-A)
]
步骤 2：确定特征值及代数重数
把 (p(lambda)) 分解为线性因子。
例如：
[
p(lambda)=(lambda-2)^3(lambda-5)^2
]
则：
- 特征值 2 的代数重数为 3。
- 特征值 5 的代数重数为 2。
步骤 3：求特征空间
对每个特征值 (lambda_0)，解：
[
(A-lambda_0 I)x=0
]
步骤 4：求几何重数
统计解空间的维数：
[
ext{几何重数}=dimker(A-lambda_0 I)
]
也可以用：
[
ext{几何重数}=n-operatorname{rank}(A-lambda_0 I)
]
其中 (n) 是矩阵阶数。
步骤 5：比较重数
对每个特征值分别比较：
[
ext{几何重数} le ext{代数重数}
]
如果每个特征值都满足相等，则线性变换可进入可对角化判断。
五、一个小型示例
设矩阵 A 的特征多项式为：
[
p(lambda)=(lambda-1)^2(lambda-4)
]
特征值：
| 特征值 | 代数重数 | 特征空间计算 | 几何重数 | 关系 |
|---|---|---|---|---|
| 1 | 2 | 解 ((A-I)x=0) | 1 或 2 | 小于或等于 2 |
| 4 | 1 | 解 ((A-4I)x=0) | 1 | 等于 1 |
如果特征值 1 的几何重数为 1，则：
- 特征值 1 的几何重数小于代数重数。
- 特征值 4 的几何重数等于代数重数。
- 整体可对角化判断需要在各特征值处都达到相等条件。
如果特征值 1 的几何重数也为 2，则：
- 每个特征值的几何重数等于代数重数。
- 代数重数与几何重数关系处于匹配状态。
- 线性变换满足可对角化条件。
六、理解角度总结
可以把代数重数与几何重数关系理解为三层：
- 多项式层：代数重数描述特征值在特征多项式中的根重数。
- 空间层：几何重数描述特征空间维数。
- 结构层：二者相等或对应，参与矩阵可对角化判断。
从学习角度看，代数重数与几何重数、特征多项式、特征空间、特征值重数关系构成一组常用术语网络。掌握这组术语，有助于分析矩阵相似标准形、Jordan 结构以及线性变换的空间分解方式。
【常见问题】
问题1：代数重数与几何重数在特征值重数关系里分别代表什么？
回答1：代数重数代表特征值在特征多项式中作为根出现的次数，几何重数代表该特征值对应特征空间的维数；在特征值重数关系里，前者看多项式重数，后者看特征向量空间维数。
问题2：代数重数与几何重数如何一起判断可对角化？
回答2：如果每个特征值的代数重数与几何重数都相等，就满足可对角化判断条件；此时特征多项式重数与特征空间维数在特征值重数关系上保持一致。
问题3：几何重数为什么不会超过代数重数？
回答3：因为几何重数来自特征空间维数，而特征空间维数受特征多项式中该特征值重数的约束；在代数重数与几何重数的比较中，几何重数小于或等于代数重数。
问题4：代数重数与几何重数不相等时怎么理解特征值重数关系？
回答4：这时几何重数小于代数重数，说明该特征值对应的特征空间维数小于特征多项式中的根重数；后续可结合广义特征空间或 Jordan 块数量继续分析代数重数与几何重数的结构对应。
