1、化学工程中的数值方法：线性代数基础

化学工程中的数值方法：线性代数基础

1. 线性代数在化学工程中的重要性

在化学工程领域，线性代数是解决诸多问题的基础。例如，在模拟分离系统和解决流体力学边界值问题时，线性代数的方法起着关键作用。线性代数系统在特定条件下有唯一解，这使其成为构建更复杂算法的基本模块。

2. 线性代数方程组

2.1 一般形式

我们要解决的是一个包含(N)个未知数(x_1, x_2, \cdots, x_N)的(N)个联立线性代数方程组，其一般形式为：
[
\begin{cases}
a_{11}x_1 + a_{12}x_2 + \cdots + a_{1N}x_N = b_1 \
a_{21}x_1 + a_{22}x_2 + \cdots + a_{2N}x_N = b_2 \
\cdots \
a_{N1}x_1 + a_{N2}x_2 + \cdots + a_{NN}x_N = b_N
\end{cases}
]
其中，(a_{ij})是方程(i)中乘以未知数(x_j)的常数系数（假设为实数），(b_i)是方程(i)的常数“右侧”系数，同样假设为实数。

2.2 矩阵/向量形式

线性系统通常写成矩阵/向量形式(Ax = b)，其中：
[
A =
\begin{bmatrix}
a_{11} & a_{12} & a_{13} & \cdots & a_{1N} \
a_{21} & a_{22} & a_{23} & \cdots & a_{2N} \
\cdots & \cdots & \cdots & \cdots & \cdots \
a_{N1} & a_{N2} & a_{N3} & \cdots & a_{NN}
\end{bmatrix},
x =
\begin{bmatrix}
x_1 \
x_2 \
\cdots \
x_N
\end{bmatrix},
b =
\begin{bmatrix}
b_1 \
b_2 \
\cdots \
b_N
\end{bmatrix}
]
矩阵(A)的第(i)行包含方程(i)中乘以每个未知数(x_1, x_2, \cdots, x_N)的系数(a_{i1}, a_{i2}, \cdots, a_{iN})；第(j)列包含每个方程(i = 1, 2, \cdots, N)中乘以(x_j)的系数(a_{1j}, a_{2j}, \cdots, a_{Nj})。因此，我们有以下对应关系：
- 行 ⇔ 方程
- 列 ⇔ 每个方程中的特定未知数

2.3 示例及 MATLAB 求解

以方程组
[
\begin{cases}
x_1 + x_2 + x_3 = 4 \
2x_1 + x_2 + 3x_3 = 7 \
3x_1 + x_2 + 6x_3 = 2
\end{cases}
]
为例，此时
[
A =
\begin{bmatrix}
1 & 1 & 1 \
2 & 1 & 3 \
3 & 1 & 6
\end{bmatrix},
b =
\begin{bmatrix}
4 \
7 \
2
\end{bmatrix}
]
在 MATLAB 中，我们可以使用单个命令(x = A\setminus b)来求解该方程组。具体代码如下：

A = [1 1 1; 2 1 3; 3 1 6];
b = [4; 7; 2];
x = A\b;
disp(x);

运行结果为：

19.0000
-7.0000
-8.0000

3. 标量、向量和矩阵运算回顾

3.1 标量

在基础数学中，我们经常使用标量，即单值数字。标量可以是实数，如(3)、(1.4)、(\frac{5}{7})、(3.14159\cdots)，也可以是复数，如(1 + 2i)、(\frac{1}{2}i)（其中(i = \sqrt{-1})）。所有实数标量的集合记为(\Re)，所有复数标量的集合记为(\mathbb{C})。对于复数(z \in \mathbb{C})，我们写成(z = a + ib)，其中(a, b \in \Re)，且：
- (a = \text{Re}{z})：(z)的实部
- (b = \text{Im}{z})：(z)的虚部
复数(z = a + ib)的共轭复数(\overline{z} = z^* = a - ib)，且(\overline{z}z = a^2 + b^2 \geq 0)。我们可以定义(z)的实值非负模(\vert z \vert = \sqrt{\overline{z}z} = \sqrt{a^2 + b^2} \geq 0)。复数也常写成极坐标形式(z = a + ib = \vert z \vert(\cos\theta + i\sin\theta))，其中(\theta = \tan^{-1}(\frac{b}{a}))，利用欧拉公式(e^{i\theta} = \cos\theta + i\sin\theta)，可写成(z = \vert z \vert e^{i\theta})。

3.2 向量

3.2.1 向量表示

三维向量(v)可表示为(v =
\begin{bmatrix}
v_1 \
v_2 \
v_3
\end{bmatrix})，若(v_1, v_2, v_3 \in \Re)，则(v \in \Re^3)。在三维空间中，我们可以定义三个坐标基向量：
[
e^{[1]} =
\begin{bmatrix}
1 \
0 \
0
\end{bmatrix},
e^{[2]} =
\begin{bmatrix}
0 \
1 \
0
\end{bmatrix},
e^{[3]} =
\begin{bmatrix}
0 \
0 \
1
\end{bmatrix}
]
则(v \in \Re^3)可写成(v = v_1e^{[1]} + v_2e^{[2]} + v_3e^{[3]})。我们将此表示扩展到(N)维实向量(\Re^N)，向量(v)可表示为列向量(v =
\begin{bmatrix}
v_1 \
v_2 \
\cdots \
v_N
\end{bmatrix})，也可写成行向量(v = [v_1 \ v_2 \ \cdots \ v_N])。

3.2.2 向量运算

• 加法 ：两个实向量(v \in \Re^N)和(w \in \Re^N)的加法为(v + w =
  \begin{bmatrix}
  v_1 + w_1 \
  v_2 + w_2 \
  \cdots \
  v_N + w_N
  \end{bmatrix})。
• 数乘 ：向量(v \in \Re^N)与实标量(c \in \Re)的乘法为(cv =
  \begin{bmatrix}
  cv_1 \
  cv_2 \
  \cdots \
  cv_N
  \end{bmatrix})。
• 点积 ：两个向量(v, w \in \Re^N)的点积（内积、标量积）为(v \cdot w = v_1w_1 + v_2w_2 + \cdots + v_Nw_N = \sum_{k = 1}^{N} v_kw_k)。例如，对于(v =
  \begin{bmatrix}
  1 \
  2 \
  3
  \end{bmatrix})和(w =
  \begin{bmatrix}
  4 \
  5 \
  6
  \end{bmatrix})，(v \cdot w = 1\times4 + 2\times5 + 3\times6 = 32)。
• 长度和范数 ：向量(v \in \Re^N)的长度(\vert v \vert = \sqrt{v \cdot v} = \sqrt{\sum_{k = 1}^{N} v_k^2} \geq 0)。长度满足范数的更一般性质，范数(| v |)是一个规则，它为每个向量(v \in \Re^N)分配一个实标量(| v | \in \Re)，且满足：
  • (| v | \geq 0)
  • (| 0 | = 0)
  • (| v | = 0) 当且仅当 (v = 0)
  • (| cv | = \vert c \vert | v |)
  • (| v + w | \leq | v | + | w |)
    常见的范数还有(p -)范数，(| v | p = (\sum {k = 1}^{N} \vert v_k \vert^p)^{\frac{1}{p}})。例如，对于向量((1, -2, 3))，不同(p)值下的(p -)范数如下表所示：
    | (p) | (| v | p) |
    | — | — |
    | 1 | 6 |
    | 2 | (\sqrt{14} = 3.742) |
    | 10 | 3.005 |
    | 50 | 3.00000000009 |
    当(p \to \infty)时，(| v | {\infty} = \lim_{p \to \infty} | v | p = \max {j \in [1, N]} { \vert v_j \vert })，对于向量([1 -2 3])，(| v |_{\infty} = 3)。

3.2.3 复向量

向量也可以是复数。所有(N)维复向量的集合记为(\mathbb{C}^N)，对于(v \in \mathbb{C}^N)，其每个分量(v_j = a_j + ib_j)（(a_j, b_j \in \Re)）。(v)的共轭复数(v^ =
\begin{bmatrix}
a_1 - ib_1 \
a_2 - ib_2 \
\cdots \
a_N - ib_N
\end{bmatrix})。对于复向量(v, w \in \mathbb{C}^N)，点积(v \cdot w = \sum_{k = 1}^{N} v_k^ w_k)，且(| v | 2^2 = \sum {k = 1}^{N} v_k^ v_k = \sum_{k = 1}^{N} (a_k^2 + b_k^2) \geq 0)。需要注意的是，对于(v, w \in \mathbb{C}^N)，(v \cdot w = (w \cdot v)^ \neq w \cdot v)。

3.3 向量运算流程

graph LR
    A[定义向量 v 和 w] --> B[向量加法 v + w]
    A --> C[向量数乘 cv]
    A --> D[向量点积 v · w]
    D --> E[计算向量长度 |v|]
    E --> F[计算向量范数 ||v||]

综上所述，线性代数中的线性方程组和向量矩阵运算在化学工程中具有重要地位。理解这些基础概念不仅有助于解决实际问题，还为进一步学习更复杂的数值方法奠定了基础。在后续的学习中，我们将深入探讨线性系统的求解方法、解的存在性和唯一性等问题。

4. 线性系统求解方法及相关概念

4.1 求解线性系统的重要性

虽然在 MATLAB 中可以使用简单的命令求解线性系统，但深入理解线性系统的基本性质对于掌握更复杂问题的解决方法至关重要。例如，在处理某些大型方程组时，现有的求解器可能会失效，此时就需要我们具备线性代数的知识来诊断问题并提出有效的解决方法。

4.2 消除法求解线性系统

消除法是求解线性系统的常用方法，如高斯消元法及其相关的 LU 和 Cholesky 分解。这些方法通过对线性方程组进行一系列的变换，将其转化为更容易求解的形式。以下是一个简单的高斯消元法的步骤说明：
1. 选择一个主元（通常是矩阵对角线上的元素）。
2. 通过行变换，将主元下方的元素消为零。
3. 重复上述步骤，直到矩阵化为上三角矩阵。
4. 从最后一个方程开始，逐步回代求解未知数。

4.3 解的存在性和唯一性

在求解线性系统时，需要考虑解的存在性和唯一性。一个线性系统可能有唯一解、无穷多解或无解。判断解的情况可以通过矩阵的秩、行列式等概念。例如，如果系数矩阵的行列式不为零，则线性系统有唯一解。

4.4 行列式

行列式是一个与方阵相关的标量值，它在判断线性系统解的存在性和唯一性时非常重要。对于一个(n\times n)的方阵(A)，其行列式记为(\det(A))。行列式的计算方法有多种，如按行（列）展开法等。

4.5 矩阵求逆

矩阵求逆是线性代数中的一个重要操作。对于一个方阵(A)，如果存在矩阵(A^{-1})，使得(AA^{-1} = A^{-1}A = I)（(I)为单位矩阵），则称(A)可逆，(A^{-1})为(A)的逆矩阵。求逆矩阵的方法有伴随矩阵法、初等变换法等。

4.6 矩阵分解

矩阵分解是将一个矩阵表示为几个特殊矩阵的乘积形式。常见的矩阵分解方法有 LU 分解、Cholesky 分解等。这些分解方法在求解线性系统、计算矩阵的行列式和逆矩阵等方面都有重要应用。

4.7 矩阵范数和秩

矩阵范数是对矩阵大小的一种度量，常见的矩阵范数有 Frobenius 范数、1 - 范数、(\infty -)范数等。矩阵的秩是矩阵中线性无关的行（列）向量的最大个数，它反映了矩阵的“有效”信息含量。

4.8 子矩阵和矩阵分区

子矩阵是从原矩阵中选取部分行和列组成的新矩阵。矩阵分区是将矩阵划分为若干个子矩阵的过程，这种方法在处理大型矩阵时可以简化计算。

4.9 示例：建模分离系统

以建模分离系统为例，说明线性代数在实际问题中的应用。假设我们有一个分离系统，其中包含多个组分的物质在不同阶段进行分离。我们可以通过建立线性方程组来描述各组分在不同阶段的物质平衡关系，然后求解该线性系统得到各组分的含量。

4.10 稀疏矩阵和带状矩阵

在实际应用中，经常会遇到稀疏矩阵和带状矩阵。稀疏矩阵是指矩阵中大部分元素为零的矩阵，带状矩阵是指非零元素集中在主对角线附近的矩阵。处理这些特殊矩阵可以利用其结构特点，减少计算量。例如，对于稀疏矩阵，可以采用稀疏矩阵存储和计算方法；对于带状矩阵，可以利用其带宽特性进行高效计算。

4.11 线性系统求解流程

graph LR
    A[给定线性系统 Ax = b] --> B[判断矩阵 A 的类型（稀疏、带状等）]
    B --> C{选择求解方法}
    C -->|高斯消元法| D[进行高斯消元]
    C -->|LU 分解| E[进行 LU 分解]
    C -->|Cholesky 分解| F[进行 Cholesky 分解]
    D --> G[回代求解 x]
    E --> G
    F --> G

5. MATLAB 总结及相关问题

5.1 MATLAB 求解线性系统

在 MATLAB 中，可以使用 x = A\b 命令求解线性系统(Ax = b)。此外，MATLAB 还提供了许多与线性代数相关的函数，如 det() 计算行列式、 inv() 求矩阵逆、 lu() 进行 LU 分解等。

5.2 相关问题及练习

为了巩固所学知识，可以通过做一些相关的练习题来加深理解。以下是一些练习题的示例：
1. 求解线性系统(\begin{cases}2x_1 + 3x_2 = 5 \ 4x_1 - x_2 = 3\end{cases})。
2. 计算矩阵(A = \begin{bmatrix}1 & 2 \ 3 & 4\end{bmatrix})的行列式和逆矩阵。
3. 对矩阵(A = \begin{bmatrix}1 & 2 & 3 \ 4 & 5 & 6 \ 7 & 8 & 9\end{bmatrix})进行 LU 分解。

5.3 练习题解答示例

以下是上述练习题的解答：

练习题 1

A = [2 3; 4 -1];
b = [5; 3];
x = A\b;
disp(x);

练习题 2

A = [1 2; 3 4];
det_A = det(A);
inv_A = inv(A);
disp(['行列式: ', num2str(det_A)]);
disp('逆矩阵:');
disp(inv_A);

练习题 3

A = [1 2 3; 4 5 6; 7 8 9];
[L, U] = lu(A);
disp('L 矩阵:');
disp(L);
disp('U 矩阵:');
disp(U);

通过学习线性代数的基础知识，我们可以更好地理解和解决化学工程中的各种问题。同时，掌握 MATLAB 中相关的函数和操作，可以提高我们的计算效率。在后续的学习中，我们还将进一步探讨非线性代数系统、矩阵特征值分析等更高级的内容。