我们马上就要进入 lattice 相关的讨论了。鉴于我们很熟悉线性空间,我们可以先回顾线性空间的一些性质,来方便未来研究 lattice.

线性空间(vector spaces) 一个线性空间 V,是 Rm 的一个子集,满足α1v1+α2v2V,for all v1,v2V,α1,α2R
也就是说,一个线性空间,是对向量加法、标量乘法封闭Rm 的子集。
线性组合(linear combinations) v1,v2,,vkV 的一个线性组合是满足以下形式的向量: w=α1v1+α2v2++αkvk,α1,,αkR并将上述向量构成的集合{α1v1++α1vk:α1,,αkR}称为 {v1,,vk}张成空间(span).
线性无关(linearly independence) 称一个向量集合 v1,,vkV 线性无关,当且仅当方程 α1v1+α2v2++αkvk=0的唯一解是 α1=α2==ak=0. 反之则称这个向量集合线性相关(linearly dependent).
基(bases) 向量空间 V 的一个基,是可以张成 V线性无关向量集合 v1,,vn. 也就是说,任何一个向量 wV 都可以写成 v1,,vn 的线性组合的形式,其线性组合的系数是唯一的。

  接下来,我们讨论不同的基之间的关系,以及“维度”的概念。

  1. 任何一个线性空间 V 都有基。
  2. 任何两个基,含有的向量个数是相同的。基的向量个数称为 V维度(dimension).
  3. v1,,vnV 的一个基,w1,,wnV 中的一个向量组。我们把 wj 写成 vi 的线性组合的形式:w1=α11v1+α12v2++α1nvnw2=α21v1+α22v2++α2nvn  wn=αn1v1+αn2v2++αnnvn那么 w1,,wn 也是 V 的一个基,当且仅当下面矩阵的行列式不为 0(α11α12α1nα21α22α2nαn1αn2αnn)

  我们接下来介绍如何度量向量的长度,以及向量的夹角。

点积(dot product) v,wVRm. 记 v,w 的坐标如下:v=(x1,x2,,xm),w=(y1,y2,,ym)则记 vw 的点积为vw=x1y1+x2y2++xmymvw=0,我们称 vw 正交(orthogonal).

欧几里得范数(Euclidean norm) 向量 v 的长度,或称欧几里得范数,为v=x12+x22++xm2显然有 vv=v2.

  有了点积这个工具,接下来就可以研究角度。设 v,wVRm. 我们有:

  1. θ 为向量 v,w 之间的角(这里我们把 v,w 的起始点都放在原点 0)。则 vw=v wcosθ
  2. (Cauchy-Schwarz 不等式) 两向量的点积的绝对值,不大于向量长度的积。|vw|v w

  显然,两向量正交,则它们夹角是 90°. 来考虑向量相互正交的基:

正交基(orthogonal basis) 线性空间 V 的一个正交基,是满足以下条件的基 v1,,vnvivj=0for all ij
额外地,若这个基还满足 vi=1,则我们称这个基规范正交(orthonormal).

  若一个基是正交的,则很多式子都可以化简。举个例子:若 v1,,vn 是正交基,一个向量 v=a1v1++anvn 是这个基的线性组合,则有 v2=a1v1++anvn2=(a1v1++anvn)(a1v1++anvn)=i=1nj=1naiaj(vivj)=i=1nai2vi2最后一步的化简,正确性源于这个基里面的向量相互正交。若这还是一个规范正交基,式子可以进一步化简为 v2=ai2.

  有生成规范正交基的算法 (Gram-Schmidt),可以从任何一个向量组生成规范正交基,其张成空间不变。细节不再赘述,主要思路是将后面的向量除去所有前面向量方向上的分量。详情请阅维基百科