瑞丽商定义如下:
R(A,x)=x∗xx∗Ax
其中矩阵
A为
n×n的对称矩阵(Hermitian)。
有:
x=0maxxHxxHAx=xHx=1maxxHxxHAx=λmaxx=0minxHxxHAx=xHx=1minxHxxHAx=λmin
证明1:
因为
A为对称矩阵,可特征分解为
A=VTΣV。
V=[v1,...,vn],
Σ=diag(λ1,...,λn)。不妨设
λ1≥λ2≥...≥λn。
对原式进行如下展开。可得
R(A,x)=x∗xx∗Ax=∑i=1nyi2∑i=1nλiyi2
显然有:
λ1=∑i=1nyi2∑i=1nλ1yi2≤∑i=1nyi2∑i=1nλiyi2≤∑i=1nyi2∑i=1nλnyi2=λn
得证。
同时: 当且仅当
y1=0,...yn−1=0成立时,等号成立,取到最大值。 因此,当
x为
A的最大特征向量时,瑞丽商最大,为最大特征值。
证明2:
易见,我们可以引入一个限制条件而不影响瑞丽商的结果:
xTx=1
将这个限制条件用拉格朗日乘子法加入目标函数,有:
L=R(A,x)+λ(xTx−1)=xTAx+λ(xTx−1).
对
x求导,有
Ax+λx=0时取到极值。 那么显然,
x为
A的特征向量(特征分解的定义)。注意这里的
λ是拉格朗日乘子,而不是特征值。
由此,可知
x为
A的特征向量后,
xTAx的结果就是对应的特征值。
证毕。
拓展
X为矩阵时
求解R的最值:
R(A,X)=tr(XTAX(XTX)−1)
令
X=UΣVT为特征值分解。
R=tr(V∑TUAUT∑VT(VΣTΣVT)−1)=tr(∑TUAUTΣ(ΣTΣ)−1)=tr(UAUT[I0][I0])=tr(QTAQ)Q=UT[I0]
这说明,我们可以直接最后的式子
tr(QTAQ)。显然
QTQ=I。因此,对比R的原始式子,我们可以从一开始就增加限制条件,
XTX=I。
进一步使用拉格朗日方法可知,
X是由特征向量构成的矩阵。