首先,本定理針對的是 hermitian 矩陣, 即共軛對稱矩陣。 因為只有共軛對稱矩陣的特徵值是確定為實數值的, 其他矩陣很可能是復數值, 而復數值,也就不存在大小關係了。
courant-fisher min-max 定理
對於 $n \times n$ 的矩陣 $\mathbf$ , 有:
其中, $\lambda_$ 是第 $k$ 小的特徵值。
由於 $\mathbf$ 是共軛對稱矩陣,所以根據共軛對稱矩陣的特徵分解的性質,選定其特徵向量 $ u_, \ldots, u_ $ 作為一組正交基。
現在,若有該 $n$ 維空間的乙個子空間 $u$ , 其維度為 $k$ , 和子空間 $\operatorname\left(u_, \ldots, u_\right)$ (我們假設 $u_, \cdots, u_$ 對應的特徵值為公升序排列), 必定存在乙個交集。這一點其實可以這樣證明:首先 $u$ 的維度是 $k$ , 而 $\operatorname\left(u_, \ldots, u_\right)$ 的維度是 $n-k+1$ 。 也就是說,兩者的維度之和 大於 $n$ 。因此,必定存在乙個非零的交集。(這一點其實可以這樣判斷:如果維度之和剛好是 $n$ ,那可能兩個子空間剛好由一組正交基的兩部分擴充套件二成,是沒有交集的。但和為 $n+1$ ,如果沒有交集,就說明這個空間其實應該有 $n+1$ 個正交基,這是違背的。沒 有想明白的讀者,可以根據 3 維空間來想像: 3 維空間的兩個二維子空間,必有交集。而 $3$ 維空間的 $1$ 個二維子空間和 $1$ 個一維子空間,是 可以沒有交集的。)
因此,假設 $v$ 是交集上的乙個元素, 即, 既屬於子空間 $u$ 又屬於 子空間 $\operatorname\left(u_, \ldots, u_\right)$ 。 那麼, $x \in \operatorname\left(u_, \ldots, u_\right)$ , 因此有:
$x=\sum \limits _^ \alpha_ u_$
(由於 $\|x\|=1$ , 有 $\sum \limits _^ \alpha_=1$ )
那麼,$x^ \mathbf x=\sum \limits _^ \alpha_^ u_^ \mathbf u_=\sum\limits _^ \lambda_ \alpha_^ \geq \lambda_$
不等號**於我們認為 $\lambda_ \geq \lambda_, \forall i>k$
即:$\underset \geq \lambda_$
對於所有子空間 $u$ 都成立。即:
$ \underset(u)=k} \;\;\underset \geq \lambda_$
這時候,我們再證另一半:
顯然,空間 $v=\operatorname\left\, \ldots, u_\right\} $ 作為選擇的 $k$ 維空間,有:
$x^ \mathbf x \leq \lambda_$
這個結論過於明顯,不做解釋了。
也就是說,
$\underset x^ \mathbf x \leq \lambda_$
而 $v $ 顯然是 $k$ 維的子空間 $u$ 之一,因此:
$\underset(u)=k} \;\;\underset \leq \lambda_$
所以有:
$\lambda_= \underset(u)=k} \;\;\underset x^ \mathbf x$
參考:維基百科
部落格
極大極小搜尋
極大極小搜尋演算法 用於圍棋,五子棋,象棋等棋類,結果有三種可能 勝利 失敗和平局。理論上可以窮舉所有的走法,這就需要生成整棵博弈樹。實際上不可行。因此搜尋時可以限 定博弈樹的深度,到達該深度則不再往下搜,相當於只往前看 n 步。如果題意是求出必勝,必敗,必和等,那麼肯定是全部搜完整一棵搜尋樹,此題...
極大極小演算法原理
該演算法的搜尋策略是考慮雙方若干步之後,從可能的步中選擇相對較好的走發來走。以max表示程式方,min表示對手方,p表示局勢,f 是根據當前局勢做出的估計函式。則f 0表示對max有利的局勢 f 0表示對min有利的局勢 f 0表示局勢均衡 該演算法的基本思想是 1 輪到min走時,max應考慮最壞...
極大極小博弈樹 轉)
2008年11月15日 星期六 11 03 這篇文章將介紹一種對於所有的gameai 遊戲智慧型 開發來說都非常重要的資料結構。對於幾乎每乙個棋類博弈遊戲程式來說,極大極小樹 the minimax tree 都是其中的核心。極大極小博弈樹 minimax game tree,簡寫為mgt,譯者注 ...