我们解决现实问题时可以自由选取其中任意一个作为模型。 我个人认为，线性方程组是最“质朴”的形式； 向量方程则是与几何建立了关系，这将方便我们进行更直观的推理； 矩阵方程则是向量方程的一种“封装”，是向量方程的一种抽象，它将具体的向量形式隐藏，提供给我们一个简洁的 API 形式——矩阵。 未来将要介绍的很多概念就是基于对这一层封装的研究，如果到时候我们发现某个概念理解有困难，不妨转换思路到向量方程或线性方程组的形式进行分析。

此外，我们之前还进行了关于线性方程组解集的讨论，在这章我们对其进一步探讨。

一、齐次线性方程组

形如 A x = 0 的线性方程组称为 齐次方程组 。 显然， x = 0 是方程的解，这个解太平凡了，以致于就叫 平凡解 。 我们平常更关心的是它还有没有别的解，即 非平凡解 。 下面以一个例子分析一下：

例： 判断下列齐次方程组是否有非平凡解，表示其解集。

对于这类求解集的问题，我们可以直接对增广矩阵化简，得到

从最后的行最简形式，我们可以得到解：

，其中 x 3 是自由变量。 所以 x 的通解就是

。 也就是说， A x = 0 的解是三维空间（因为向量 v 是三维的）中的一条直线（因为只有一个自由变量）。 进一步推广，我们不难想象，如果解集中有 p 个自由变量，则解集就是 m 维空间（ m 为 A 的行数）中， p 个向量张成的空间。 如果没有自由变量（也就是 A 各列线性无关），那么就有 0 个向量张成的空间，即 Span { 0 } ， A x = 0 也就只有平凡解。

二、非齐次线性方程组

非齐次线性方程组 形如 A x = b ， 为了方便对比，我们把上面那个例子改为一个非齐次方程组进行分析：

老套路，我们对这个方程组的增广矩阵行化简：

化简后可以得到方程组的解为：

，其中 x 3 是自由变量。 我们把这个解集用向量的形式表示出来就是：

注意到这个向量可分解为一个常数向量

和一个可任意伸缩的向量

，而且，常数向量就是行化简后矩阵的最后一列，而

同样是齐次方程组的解。这是因为非齐次方程组只是最后一列由 0 换成了 b ，而且最后一列不会影响前面三列，所以齐次和非齐次方程组行化简后，变量的对应系数是相同的（系数矩阵就是前三列）， 非齐次方程组的解仅仅只比齐次方程组的解多了一个常数向量 。 例如齐次方程组的解集为 x = t v ，则非齐次方程组的解集就是 x = p + t v ，其中 t 为任意实数。 从几何的角度来看，就是 齐次方程组的解集经向量 p 平移得到非齐次方程组的解集 。 这个 p 的学名就叫做 特解 。

注意，这里讲齐次方程组和非齐次方程组的解有一个前提，就是非齐次方程组首先要是有解的，如果 0 变成 b 导致方程组没有解，那么也就不能用齐次方程组的解集平移了。

结合之前总结的齐次线性方程组解的性质，当方程组含有 p 个自由变量时，齐次方程组的解集是 p 个向量的张成空间，而非齐次方程组解集只是这个空间进行了平移（前提是非齐次方程组有解），并没有改变这个空间的基本性质（比如空间的维度）。

三、列空间

矩阵

的各个列向量线性组合组成的集合，就是 A 的列空间。 记作 Col A ，即

Col A = Span { a 1 , a 2 , ⋯ , a n }

这个列空间，我们应该不陌生了，上一章中很多时候都是把矩阵看成列向量的排列，考虑 A x = b 的解的情况时其实就是在列向量中进行分析的。 列空间在分析矩阵中各列向量的线性相关性时很有帮助： 只有各列线性无关时，这 n 个列才能张成 n 维空间，这时就说这个矩阵的秩为 n ； 而假如这里面有 1 列和其他某列线性相关，那么这 n 个列就只能张成 n − 1 维空间，这个矩阵的秩就是 n − 1 ； 也就是说， 矩阵的秩说明了这个矩阵的列向量最多能张成多少维 。

如下图中， A = [ a 1 a 2 a 3 ] ，由于有两个向量线性相关，导致 3 个列向量只能张成 2 维，因此 A 的秩为 2。 所以 A x 得不到任意三维向量 b ，也就是 A x = b 并不对所有 b 成立（只有 b 是 A 列空间中的向量时才成立）。

更进一步，非齐次线性方程组 A x = b 中，如果 A 已知， x 和 b 未知，此时我们关注的问题是 A 的列向量能张成多少维；如果 A 和 b 已知，我们关注的问题就是 A 中 n 个列向量如何线性表示能表示成 b ，这时候我们如果提前知道 A 的列空间达不到 b 的维数，那么这些列向量就一定无法线性组合出 b 。

四、零空间

齐次方程 A x = 0 的全部解组成的集合，称为矩阵 A 的零空间，记作 Nul A 。

当 A 中的列向量线性无关时， A x = 0 只有零解，这时 A 的零空间就是 0 ； 而只要 A 中的列向量线性相关， A x = 0 就存在非零解，这时 A 的零空间就是一个维度大于 0 的空间。

关于列空间和零空间的讨论先在这里打住，之后会进一步讨论它们之间的关系和各自的意义。 目前只要知道列空间是由 A 的列向量张成的，而零空间的意义更隐晦一些，是 A x = 0 的所有解组成的空间。从列空间能看出 A 各列的线性相关关系，列向量越相关，列空间维度越低。 从零空间也能看出 A 各列的线性相关性，列向量越相关，零空间维度越高。 而负责量化描述 A 列向量有多么线性相关的，是一个叫做 秩 的东西。

# 参考资料：线性代数及其应用： 第3版/（美）莱（Lay, D.C.）著； 沈复兴等译. ——北京： 人民邮电出版社，2007.7麻省理工学院的 线性代数公开课