免费 Cholesky 分解计算器

矩阵分解基础

在线性代数中，矩阵分解（或因式分解）将给定矩阵重写为两个或多个更简单矩阵的乘积，类似于将整数分解为质因数。存在许多分解方法——其中使用最广泛的是LU分解、QR分解、奇异值分解（SVD）和Cholesky分解。每种方法针对特定类型的矩阵和应用而设计。特别是，Cholesky分解提供了一种快速且数值稳定的方式来处理特定类别的矩阵，并且经常在科学计算、优化和机器学习中实现。

定义 Cholesky 分解

Cholesky 分解（也称为 Cholesky 因式分解）将实对称正定矩阵 $A$ 分解为一个下三角矩阵 $L$ 与其转置 $L^{T}$ 的乘积：

$$A = L L^{T}.$$

要进行此分解，$A$ 必须满足三个条件：

• $A$ 必须是对称的，即 $A^{T} = A$。
• 因此 $A$ 必须是方阵。
• $A$ 必须是正定的（所有特征值为正，或等价地，对于任意非零向量 $z$，$z^{T} A z > 0$）。

满足这些要求时，$L$ 是唯一的，且其对角元素为实数。$L$ 的下三角结构——主对角线以上为零——使得许多后续计算（例如，求解线性方程组）变得简单得多。

计算 Cholesky 因子

Cholesky 分解没有单一的闭式公式，但存在一个算法过程：$L$ 的元素从左上角到右下角依次计算。对于一般的 $n\times n$ 矩阵，以下递推公式给出 $L$ 的元素。

对角元素（$i = j$）：

$$L_{ii} = \sqrt{ A_{ii} - \sum_{k=1}^{i-1} L_{ik}^{2} }$$

非对角元素（$i > j$）：

$$L_{ij} = \frac{1}{L_{jj}} \left( A_{ij} - \sum_{k=1}^{j-1} L_{ik} L_{jk} \right)$$

这些公式表明每个元素依赖于先前计算出的元素。该过程可应用于任意大小的矩阵；在线Cholesky 分解计算器实现了最常见大小的自动分解：2×2、3×3 和 4×4。

示例：2×2 Cholesky 分解

对于 2×2 矩阵 $A$，递推公式简化为：

$$L_{11} = \sqrt{A_{11}}, \quad L_{21} = \frac{A_{21}}{L_{11}}, \quad L_{22} = \sqrt{A_{22} - L_{21}^{2}}.$$

取 $A = \begin{pmatrix} 4 & 2 \\ 2 & 5 \end{pmatrix}$。则

$$L_{11} = \sqrt{4}=2,\quad L_{21} = \frac{2}{2}=1,\quad L_{22} = \sqrt{5-1}=2,$$

所以

$$L = \begin{pmatrix} 2 & 0 \\ 1 & 2 \end{pmatrix}.$$

乘以 $L L^{T}$ 可恢复原始矩阵 $A$，验证了分解的正确性。

示例：3×3 Cholesky 分解

现在考虑 3×3 对称正定矩阵

$$A = \begin{pmatrix} 4 & -2 & 2\\ -2 & 5 & 1\\ 2 & 1 & 6 \end{pmatrix}.$$

$L$ 的元素按固定顺序获得：

1. $L_{11} = \sqrt{4} = 2$
2. $L_{21} = \dfrac{-2}{2} = -1,\quad L_{31} = \dfrac{2}{2} = 1$
3. $L_{22} = \sqrt{5 - (-1)^{2}} = \sqrt{4} = 2$
4. $L_{32} = \dfrac{1 - [(-1)(1)]}{2} = \dfrac{1+1}{2} = 1$
5. $L_{33} = \sqrt{6 - (1^{2}+1^{2})} = \sqrt{4} = 2$

因此

$$L = \begin{pmatrix} 2 & 0 & 0\\ -1 & 2 & 0\\ 1 & 1 & 2 \end{pmatrix}.$$

可以验证 $L L^{T}$ 等于原始矩阵 $A$。同样的模式扩展到 4×4 矩阵及更大规模。

使用在线 Cholesky 分解计算器

此页面上的Cholesky 分解计算器使分解变得轻松。只需：

1. 选择矩阵大小 — 2×2、3×3 或 4×4。
2. 在提供的网格中填入矩阵元素。
3. 点击按钮进行计算。

该工具会立即返回下三角矩阵 $L$。如果输入矩阵不对称或不是正定矩阵，计算器会发出提醒。它还支持以有理数或小数形式显示结果，非常适合作业检查、工程分析或数据科学任务。

为什么 Cholesky 分解很重要

由于 $L$ 是下三角矩阵，分解 $A = L L^{T}$ 大大加快了许多线性代数运算。求解方程组 $A x = b$ 变为两步替换过程（前向替换后跟后向替换），比普通高斯消元快得多。对于对称正定矩阵，Cholesky 方法所需内存更少，数值稳定性更好。这些优势使其成为蒙特卡洛模拟、卡尔曼滤波、有限元分析和投资组合优化等应用中的首选方法。