求判断矩阵是否为幂零矩阵的数值稳定算法

1. 基于Schur分解的严格上三角验证 #

Schur分解是数值稳定性极强的矩阵分解算法，它能通过正交相似变换将任意方阵 ( A ) 转化为上三角矩阵 ( T )（即 ( A = Q T Q^H )，其中 ( Q ) 是正交矩阵）。

• 幂零矩阵的核心特征是所有特征值均为0，而Schur分解得到的 ( T ) 的对角元就是 ( A ) 的特征值。但直接对比对角元是否为0会受数值误差干扰，更可靠的方式是验证 ( T ) 是否为严格上三角矩阵：
  1. 对 ( A ) 执行Schur分解，得到上三角矩阵 ( T )。
  2. 计算 ( T ) 主对角线元素的绝对值，若所有元素的绝对值都远小于预设阈值（比如机器精度的100倍，可根据需求调整），即可判定 ( A ) 是数值意义下的幂零矩阵。
• 优势：正交变换不会放大误差，完全规避了特征值条件数带来的稳定性问题，适合处理高条件数矩阵。

2. 基于秩序列递减的验证 #

幂零矩阵的本质是存在 ( k \leq n )（( n ) 为矩阵阶数）使得 ( A^k = 0 )，对应秩序列满足 ( \text{rank}(A) \geq \text{rank}(A^2) \geq \dots \geq \text{rank}(A^n) = 0 )。

• 具体操作：
  1. 令 ( M = A )，计算初始秩 ( r_0 = \text{rank}(M) )（数值秩通过奇异值分解SVD计算，取大于阈值的奇异值个数）。
  2. 迭代计算 ( M = M \times A )，每次计算当前秩 ( r_i )。
  3. 若某次迭代后 ( r_i = 0 )（即所有奇异值都小于阈值），则判定 ( A ) 是幂零矩阵；若迭代至 ( n ) 次秩仍不为0，则排除幂零可能。
• 优势：完全不依赖特征值计算，逻辑直观，且SVD是数值最稳定的秩计算方法，能有效应对误差干扰。

3. 基于Hessenberg分解的幂运算验证 #

Hessenberg分解能将矩阵转化为上Hessenberg形式（次对角线以下元素全为0），分解过程数值稳定，且Hessenberg矩阵的幂运算效率远高于原矩阵。

• 操作步骤：
  1. 对 ( A ) 执行Hessenberg分解，得到矩阵 ( H )。
  2. 计算 ( H^k )（( k ) 从1到 ( n )），若 ( H^n ) 的所有元素绝对值均小于预设阈值，则判定 ( A ) 是幂零矩阵。
• 优势：Hessenberg矩阵的结构简化了幂运算，同时分解过程的稳定性避免了误差放大。

数值计算关键提醒 #

• 所有判断必须设置合理的误差阈值，通常可参考机器精度（如 ( 10^{-12} )），并结合问题的实际精度要求调整。
• 禁止直接计算原矩阵的 ( n ) 次幂后判断是否为零矩阵——高次幂运算会严重放大数值误差，尤其是当矩阵条件数较大时。

内容的提问来源于stack exchange，提问作者tommsch