谱半径

概述

矩阵 $A$ 的谱半径（spectral radius）定义为其所有特征值绝对值的最大值：$\rho(A) = \max{|\lambda| : \det(\lambda I - A) = 0}$。谱半径是矩阵"最强振荡模式"的量化，决定了矩阵幂次 $A^k$ 的长期增长行为。对于元素全正的矩阵，Perron-Frobenius定理保证谱半径恰好由一个正实特征值（Perron根）达到，使谱半径从抽象的 $\max|\lambda|$ 变成具有清晰几何含义的结构。

关键内容

定义与基本性质

$$\rho(A) = \max{|\lambda_1|, |\lambda_2|, \ldots, |\lambda_n|}$$

其中 $\lambda_i$ 为 $A$ 的全部特征值（含重数，计于代数重数）。

基本性质： - $\rho(A) \leq |A|$，对任意矩阵范数 $|\cdot|$（谱半径是所有相容范数的下确界） - $\rho(A^k) = \rho(A)^k$ - $\rho(AB) = \rho(BA)$（即使 $AB \neq BA$） - Gelfand公式：$\rho(A) = \lim_{k\to\infty} |A^k|^{1/k}$（与范数选取无关）

谱半径与矩阵幂次的关系

谱半径控制矩阵幂次的长期行为：

• $\rho(A) < 1$：$A^k \to 0$（离散时间系统渐近稳定）
• $\rho(A) = 1$：$|A^k|$ 有界（若谱半径处特征值单纯）或增长（若有多重特征值）
• $\rho(A) > 1$：$|A^k| \to \infty$（发散）

这是离散时间动力系统、迭代算法收敛性分析的基础。

Perron根：正矩阵中的谱半径

对于元素全正的矩阵（$a_{ij} > 0$），Perron-Frobenius定理给出更精细的结论：

$$\rho(A) = r \quad (\text{Perron根})$$

且： - $r$ 是 $A$ 的正实特征值（而非复数或负数） - $r$ 是简单特征值（代数重数 = 1） - 所有其他特征值满足 $|\lambda| < r$（严格不等式）

谱间隙（spectral gap）：$r - \max_{i \geq 2}|\lambda_i| > 0$，控制幂法迭代和Markov链混合时间。

Frobenius的极大极小刻画

格奥尔格·弗罗贝尼乌斯（1908）给出正矩阵Perron根的变分刻画：

$$r = \max_{x > 0} \min_i \frac{(Ax)i}{x_i} = \min{x > 0} \max_i \frac{(Ax)_i}{x_i}$$

这一双重极值给出了计算和估计Perron根的有效工具，精神上与极大极小定理相通。

计算方法

幂法：从正初始向量 $v_0$ 出发，迭代 $v_{k+1} = Av_k / |Av_k|$，则 $|Av_k| \to r$，$v_k \to$ Perron向量，收敛速率 $O((|\lambda_2|/r)^k)$。

Krylov方法：将幂法在Krylov子空间上精细化，用于大规模稀疏正矩阵（如PageRank的Google矩阵）。

应用

应用场景	谱半径的含义
Markov链平稳性	$\rho(P) = 1$，奥斯卡·佩龙</td> </tr> <tr> <td>Leontief模型可行性</td> <td>需要 $\rho(A) &lt; 1$（消耗[[矩阵）
离散线性系统稳定性	需要 $\rho(A) < 1$
迭代法收敛性（如Jacobi迭代）	需要迭代矩阵 $\rho < 1$
PageRank收敛速率	由第二大特征值 $

来源

• raw/books/矩阵分析/07_perron_positive_matrices_1907.md

相关

• Perron-Frobenius定理
• 矩阵理论
• 极大极小定理
• Rayleigh商