Cholesky 分解計算器 - 正定矩陣分解

Cholesky 分解是數值線性代數中最重要的矩陣分解之一。給定一個對稱正定矩陣 A，該分解會生成唯一的下三角矩陣 L，且其對角線元素嚴格為正，使得 A = L·Lᵀ。該演算法歸功於法國砲兵軍官 André-Louis Cholesky（1875–1918），於 1924 年身後發表，隨後成為科學計算的基石。 本計算器使用的 Cholesky-Banachiewicz 演算法按列推進。對於每個對角元素，它先用 A 中對應對角元素減去同一行先前所有元素平方和，再開平方。對於對角線下方的非對角元素，則減去之前計算出的元素點積後再除以目前對角元素。對於 n×n 矩陣，計算量約為 n³/6 次乘法，因此對於對稱正定輸入，它的效率大約是通用 LU 分解的兩倍。 最重要的前提是矩陣既要對稱又要正定。對稱性表示對所有 (i, j) 都有 A[i][j] = A[j][i]。正定性表示對每個非零實向量 x 都有 xᵀAx > 0，這等價於所有特徵值都嚴格為正。在 Cholesky 演算法中，正定性失效會表現為嘗試對非正數開平方，而這正是本計算器執行的檢查。 在統計學中，共變異數矩陣始終是對稱且半正定的。當不存在兩個變數完全共線時，它們就嚴格正定，因此可以直接使用 Cholesky 分解。該分解可用於生成多變量常態隨機樣本：如果 z 是由獨立標準常態變數組成的向量，那麼 L·z 的共變異數矩陣就是 A。此技術支撐了相關金融資產的蒙地卡羅模擬、氣候模型集合以及結構可靠度分析。 在機器學習中，高斯程序迴歸和貝葉斯神經網路都高度依賴 Cholesky 分解來高效求逆或計算核矩陣的對數行列式。A 的對數行列式等於 L 的對角線元素對數之和的兩倍，這避免了直接計算行列式帶來的數值不穩定。卡爾曼濾波實作常使用所謂的平方根卡爾曼濾波，它傳播的是共變異數矩陣的 Cholesky 因子而不是共變異數本身，從而在長期估計問題中顯著提升數值穩定性。 本計算器支援 2×2、3×3 和 4×4 矩陣——這些尺寸最常見於課堂練習、小規模數值分析問題以及數值演算法原型設計。對於更大的矩陣，同樣的演算法依然適用，並且可以在現代硬體上借助 BLAS 第三級運算高效實作。無論你是在檢查作業、驗證手算分解，還是探索正定矩陣的性質，這個工具都能即時給出準確的 Cholesky 因子。