特征多项式的计算公式：矩阵的“数学身份证”
特征多项式这东西，听起来像是数学界那些光怪陆离的谜题，但换个角度想，它实际上就是算出来的那个“终极特征值”的数学身份证。别管它叫 det(A - λI) 还是 “λ 的多项式”了，在核心算法要么工程落地的时候，这玩意儿就是那个唯一负责把矩阵的“灵魂”抽出来，用简洁的式子写死的家伙。
它跟矩阵本身的关系忒微妙了，就像是人如何呼吸跟肺功能的关系——别看呼吸是动作，但肺的结构才是本质。特征多项式不关心矩阵的具体数值如何跳动，它只关注矩阵的不变结构，通过一个统一的代数表达式，将矩阵的全部谱信息（即所有特征值）完整编码。
设 A 是一个 n × n 的复数域（或实数域）上的方阵，I 是同阶单位矩阵，λ 是一个待定复数，则表达式：
称为矩阵 A 的特征多项式（Characteristic Polynomial）。这是一个关于 λ 的 n 次首一多项式，其最高次项系数为 1，常数项为 (-1)ⁿ det(A)。
换言之，特征多项式是将矩阵运算抽象为一元多项式的一种“降维映射”——它把高维矩阵的空间结构，压缩进一条一维代数曲线中。这一压缩过程不仅不丢失信息，反而凸显了矩阵最本质的相似不变量。
在实际计算中，特征多项式是求解特征值问题的基石。特征值与特征向量共同构成了矩阵的“本征模式”，而特征多项式正是识别这些模式的“密钥”。无论矩阵是否可对角化，其特征多项式始终存在且唯一，这使得它成为连接抽象代数与数值计算的关键桥梁。
特征多项式的计算公式与三大主流方法
具体如何算？那得看你是想偷懒还是想博个全。最经典的那个公式，就是把矩阵元素全体拼凑起来，算一个式子，再减去 λ 的所有乘积项，直到把所有项都尽可能填进式子里。说大实话，这玩意儿好办操作得狠，就是做展开式嘛。
然而，直接按定义展开行列式仅适用于低阶矩阵（如 2×2 或 3×3）。对于高阶矩阵，需借助更高效的算法策略。以下介绍三种工程级可用的计算路径：
直接计算 det(A − λI)，通过按行/列展开或利用Sarrus法则（仅限3阶）完成。适用于阶数 ≤ 4 的矩阵，是教学与理论分析中最基础的方法。
适用场景与局限性
- ✅ 优点：直观、易理解，便于手算验证；
- ⚠️ 局限：当 n ≥ 5 时，展开项数呈阶乘级增长（n!），计算复杂度极高；
- ⚠️ 注意：数值稳定性较差，易受浮点舍入误差影响。
其中系数 c_k 均为矩阵 A 的主子式线性组合，具体由行列式展开的排列定义给出。
通过相似变换（如Householder变换）将 A 化为上Hessenberg矩阵 H（次对角线下方元素全为0），再计算 det(H − λI)。因 H 结构稀疏，展开项数大幅减少，计算效率显著提升。
为何Hessenberg矩阵更高效？
对 n 阶上Hessenberg矩阵 H，其特征多项式可通过递推公式快速计算：
p_1(λ) = h_{11} − λ,
p_k(λ) = (h_{kk} − λ)p_{k−1}(λ) − h_{k,k−1}^2 p_{k−2}(λ) (k = 2,3,…,n)
最终 f_A(λ) = p_n(λ)。此递推仅需 O(n²) 次运算，远优于直接展开的 O(n!)。
Faddeev–LeVerrier 算法是一种纯代数方法，通过迭代计算矩阵幂的迹（trace），直接求出特征多项式的系数，无需展开行列式。公式如下：
c_{n−k} = −(1/k) · tr(A · M_{k−1}), (k = 1,2,…,n)
M_k = A · (M_{k−1} + c_{n−k+1}I)
其中 M₀ = I，最终多项式为：
f_A(λ) = λⁿ + c_{n−1}λ^{n−1} + ⋯ + c₁λ + c₀
算法优势与数值注意
- ✅ 优点：仅需矩阵乘法与迹运算，适合符号计算（如Mathematica、Maple）；
- ⚠️ 缺点：对病态矩阵敏感，浮点误差会累积；
- ? 实用建议：配合缩放技术（如先对 A 做相似缩放）可提升稳定性。
在工程实践中（如控制系统分析、有限元建模），通常不直接计算特征多项式，而是采用QR算法或Arnoldi迭代等数值方法直接求特征值。特征多项式更多用于理论推导与低阶系统解析设计。
实例演示：从2×2到4×4的完整计算链
我们通过四个典型例子，手把手演示特征多项式的计算全过程，覆盖不同结构矩阵，强化理解。
例1：对角矩阵（最简情形）
设 A = diag(2, 3, 5)，即：
0 3 0
0 0 5]
则：
0 3−λ 0
0 0 5−λ]
行列式为对角线元素乘积：
特征值即为对角元：2, 3, 5。多项式结构完全由矩阵对角元决定。
例2：2×2 实对称矩阵
设 A = [1 2
2 1]
计算：
2 1−λ]
因式分解：(λ − 3)(λ + 1)，故特征值为 λ₁=3, λ₂=−1。
注意：即使 A 不是对角阵，其特征多项式仍可写成 λ² − tr(A)λ + det(A)，即：
此为2阶矩阵特征多项式的通用公式，可推广至更高阶（需引入更多不变量）。
例3：3×3 上三角矩阵（含重根）
设 A = [2 1 0
0 2 1
0 0 2]
则：
0 2−λ 1
0 0 2−λ]
上三角矩阵行列式仍为对角线乘积：
特征值 λ=2 为三重根。注意：此矩阵不可对角化（几何重数=1 < 代数重数=3），但特征多项式仍完整描述了其谱结构。
例4：4×4 稀疏矩阵（含零行/列）
设 A = [0 1 0 0
0 0 1 0
0 0 0 1
−1 0 0 0]
此为循环移位矩阵，其特征多项式满足：
推导过程（按第一行展开）：
0 −λ 1
0 0 −λ] − 1 · det[0 1 0
0 0 1
−1 0 0] + 0 − 0
特征值为四次单位根：λ = eiπ(2k+1)/4, k=0,1,2,3，即 ±(√2/2 ± i√2/2)。
无论矩阵具体数值如何变化（如全为1、全为0、含虚数单位 i），只要其相似类不变，特征多项式即唯一确定。这意味着：特征多项式是矩阵在相似变换下的不变量——这是它在控制系统、量子力学中至关重要的理论根基。
特征多项式 vs 特征值：概念辨析与常见误区
大量人可能误当作特征多项式就是矩阵本身的特征值。实际上不然，特征多项式是求出来的一个“结局”，而特征值就是那个“结局”里的那个数字。
- 特征多项式：是一个关于 λ 的多项式函数 f_A(λ)，属于代数对象；
- 特征值：是使 f_A(λ) = 0 成立的 λ 值，即多项式的根，属于数集；
- 特征向量：是满足 A? = λ? 的非零向量 ?，属于向量空间。
例如特征多项式是 f(λ) = λ² − 5λ + 6，则它的根为 λ=2 和 λ=3。此时：
- “λ 取 2 是特征多项式的根”——数学陈述；
- “λ=2 是矩阵 A 的特征值”——物理/工程意义（存在非零解 ? 使 A? = 2?）；
- 两者等价，但语义层级不同。
A = [0 1; 0 0] 与 B = [0 0; 0 0] 有相同特征多项式 λ²，但显然不同矩阵。
补充：特征多项式系数的物理意义
对 n 阶矩阵 A，其特征多项式可写为：
其中：
- tr A：迹，等于所有特征值之和；
- det A：行列式，等于所有特征值之积；
- S_k：k 阶初等对称函数，由所有 k 阶主子式之和构成。
这些系数统称为矩阵的不变量，在相似变换下保持不变，是刻画矩阵本质属性的核心参数。
特征多项式的实际应用场景：从理论到工程
在大量实际应用中，比如做系统分析要么管住理论，你时常需求知道一个系统的响应。这时候特征多项式就是那个判断依据。它能够告诉你系统有没有稳定的，有没有稳定的，要么有没有震荡。
线性微分方程组的稳定性分析
考虑系统 ?′ = A?，其解的长期行为由 A 的特征值决定：
- 所有特征值实部 < 0 → 渐近稳定；
- 存在特征值实部 > 0 → 不稳定；
- 特征值实部 = 0 且无重根 → 临界稳定（可能震荡）。
而特征多项式 f_A(λ) 的系数可直接用于Routh-Hurwitz判据，无需显式求根即可判断稳定性。
控制系统设计（传递函数极点配置）
对于单输入单输出系统，闭环传递函数的极点即为系统矩阵 A−BK 的特征值。设计控制器 K 时，常通过匹配特征多项式实现极点配置：
目标是让闭环系统特征多项式等于期望多项式（如巴特沃斯、切比雪夫响应）。
有限元建模中的固有频率提取
结构动力学中，无阻尼自由振动方程为 Mẍ + Kx = 0。设解为 x = φe^{iωt}，得广义特征值问题：
其特征值为 ω²，特征向量 φ 为振型。特征多项式 det(K − ω²M) = 0 的根即系统固有频率平方，直接决定结构共振风险。
机器学习中的主成分分析（PCA）
PCA 通过求解协方差矩阵 Σ 的特征值分解实现降维。特征值大小反映对应主成分的方差贡献率，特征向量给出投影方向。特征多项式虽不直接参与计算，但其根（特征值）是算法核心输出。
网友最关心的10个问题（FAQ）
from sympy import
A = Matrix([[1,2],[2,1]])
A.charpoly() 输出 λ² - 2λ - 3。① 核对 trace：系数 c_{n−1} = −tr(A)；
② 核对 det：常数项 = (−1)ⁿ det(A)；
③ 验证一个简单 λ 值（如 λ=0）：f_A(0) = det(−A) = (−1)ⁿ det(A)。