优化场景下：非奇异对称矩阵与正定矩阵是否等价？

嘿，这个问题在优化领域里真的很常见，好多刚接触的同学都会有这个疑惑，我来给你掰扯清楚：

首先直接给结论：对称且非奇异的矩阵，和正定矩阵完全不是等价的，前者的范围要大得多。

先看正定矩阵→对称且非奇异的推导 #

你已经说到点子上了：在优化场景的标准假设里，正定矩阵默认是对称的（当然有些广义定义会包含非对称，但咱们优化里基本都用对称正定的定义）。而正定矩阵的所有特征值都是正实数，行列式是所有特征值的乘积，自然不为0——这就满足了非奇异的条件。所以正定矩阵一定是对称且非奇异的，这部分没问题。

反过来，对称且非奇异≠正定 #

这是最容易踩坑的地方：对称且非奇异只要求矩阵的特征值都不为0，但完全可以包含负特征值。举个简单的例子，二阶对角矩阵：

[[1, 0],
 [0, -1]]

这个矩阵是对称的，行列式是1×(-1)=-1≠0，显然非奇异，但它的特征值是1和-1，不符合正定矩阵“所有特征值全正”的要求，甚至连半正定都算不上，属于不定矩阵。

再补个正定矩阵的判定小总结 #

你提到的行列式准则是其中一种：n阶对称矩阵正定的充要条件是所有顺序主子式都大于0。除此之外，常用的判定条件还有：

• 所有特征值都是正实数
• 对任意非零向量x，都有x^T A x > 0
• 存在可逆矩阵P，使得A = P^T P

这些条件都是等价的，但都比“对称且非奇异”要严格得多——后者只排除了奇异矩阵，而正定矩阵还要排除那些有负特征值的对称非奇异矩阵。

内容的提问来源于stack exchange，提问作者Norman