2. 向量与矩阵范数回顾

条件数刻画的是“输入的小扰动会被放大多少倍”，而“大小”这件事在矩阵分析里必须用范数来度量。因此，在正式定义条件数之前，需要把向量范数与矩阵范数的定义、常用类型以及诱导范数的计算方式梳理清楚。本节的目标不是罗列公式，而是建立一条清晰的逻辑链：向量范数度量向量长度 → 矩阵范数度量矩阵作用强度 → 诱导范数把两者联系起来 → 条件数由此获得严格的度量基础。

一、向量范数：长度的公理化推广

向量范数是从向量空间到非负实数的一个映射 ‖·‖，对任意向量 x、y 和标量 α 满足三条性质：正定性（‖x‖ ≥ 0，且 ‖x‖ = 0 当且仅当 x = 0）、齐次性（‖αx‖ = |α|·‖x‖）、三角不等式（‖x + y‖ ≤ ‖x‖ + ‖y‖）。这三条性质保证了范数可以像“长度”一样使用。

最常用的三种向量范数是：

• 1-范数：‖x‖₁ = Σ|xᵢ|，即各分量绝对值之和，也称曼哈顿范数。
• 2-范数：‖x‖₂ = √(Σxᵢ²)，即欧几里得长度，最常用。
• ∞-范数：‖x‖∞ = max|xᵢ|，即最大分量绝对值，也称切比雪夫范数。

以 x = (3, −4, 1)ᵀ 为例：‖x‖₁ = 3 + 4 + 1 = 8；‖x‖₂ = √(9 + 16 + 1) = √26 ≈ 5.099；‖x‖∞ = max(3, 4, 1) = 4。可以看到，同一个向量在不同范数下的“长度”不同，但都满足范数公理。有限维空间中任意两种范数等价，即存在常数 c₁、c₂ 使 c₁‖x‖ₐ ≤ ‖x‖ᵦ ≤ c₂‖x‖ₐ，这保证了用不同范数讨论收敛性时结论一致，但具体数值会不同——这也是条件数必须注明所用范数的原因。

二、矩阵范数：从向量到算子的推广

矩阵范数同样满足正定性、齐次性和三角不等式，但矩阵还有乘法，因此额外要求次乘性：‖AB‖ ≤ ‖A‖·‖B‖。这一性质使得矩阵范数能够控制复合映射的放大倍数，是分析误差传播的关键。

矩阵范数分两大类。一类是元素型范数，直接把矩阵拉成向量来度量，例如 Frobenius 范数 ‖A‖_F = √(Σᵢⱼ aᵢⱼ²)，它计算方便，但不与向量范数直接配套。另一类是诱导范数（也称算子范数），由向量范数“诱导”而来，定义为：

‖A‖ = max_{‖x‖ = 1} ‖Ax‖

其含义是：在所有单位向量中，矩阵 A 能把向量拉伸的最大倍数。等价地，‖A‖ = max_x≠0 ‖Ax‖ / ‖x‖。诱导范数天然满足次乘性，并且与向量范数相容：‖Ax‖ ≤ ‖A‖·‖x‖。这正是条件数分析所需要的“放大倍数上界”。

三、诱导范数的计算

三种常用诱导范数都有显式计算公式，无需真正做优化：

• 1-范数（列和范数）：‖A‖₁ = max_j Σᵢ|aᵢⱼ|，即各列绝对值之和的最大值。
• ∞-范数（行和范数）：‖A‖∞ = max_i Σⱼ|aᵢⱼ|，即各行绝对值之和的最大值。
• 2-范数（谱范数）：‖A‖₂ = √(λ_max(AᵀA))，即 AᵀA 最大特征值的平方根，也就是 A 的最大奇异值 σ_max。

前两者只需按行或按列求和取最大，计算量小；2-范数需要求特征值或奇异值，代价较高但几何意义最清晰——它就是最大奇异值。

四、计算示例与几何直观

取矩阵 A = [[1, −2], [3, 4]]。按列求和：第 1 列 |1| + |3| = 4，第 2 列 |−2| + |4| = 6，故 ‖A‖₁ = 6。按行求和：第 1 行 1 + 2 = 3，第 2 行 3 + 4 = 7，故 ‖A‖∞ = 7。对 2-范数，计算 AᵀA = [[10, 10], [10, 20]]，其特征值为 15 ± 5√5，最大特征值约 26.18，故 ‖A‖₂ ≈ 5.117。三个值各不相同，说明范数选择会直接影响数值结果。

下面的图示把三种诱导范数的计算路径并列呈现，并标出示例矩阵的计算结果，便于对照记忆。

五、为条件数奠定基础

有了诱导范数，就可以严格表述“矩阵放大误差”的能力。对线性方程组 Ax = b，若 b 有扰动 Δb，解的变化满足 ‖Δx‖ ≤ ‖A⁻¹‖·‖Δb‖，而 ‖b‖ ≤ ‖A‖·‖x‖，两式相除得到相对误差放大关系：

‖Δx‖ / ‖x‖ ≤ ‖A‖·‖A⁻¹‖ · (‖Δb‖ / ‖b‖)

其中 κ(A) = ‖A‖·‖A⁻¹‖ 正是条件数。可以看到，条件数的定义完全建立在诱导范数之上：‖A‖ 度量 A 的最大拉伸，‖A⁻¹‖ 度量 A⁻¹ 的最大拉伸（即 A 的最小压缩的倒数），二者乘积刻画了最坏情况下的相对误差放大倍数。若改用 Frobenius 范数，虽然也能定义某种“条件数”，但它不与向量范数相容，误差界不再成立，因此标准条件数一律采用诱导范数。