盖尔圆定理与特征值估计：从范数到相似变换的实用指南

做矩阵的人，十个里有九个在特征值上栽过跟头。中小型矩阵求全特征值，numpy一行就能出结果；可矩阵一大，或者参数带点误差，精确求值不仅贵，而且容易给你一种虚假的安全感。真正常用的做法，反而是先估算特征值的大致范围——上界、下界、落在复平面的哪个区域——用很小的代价换一颗定心丸。这也是矩阵论里“特征值估计”这一支存在的意义。

本文会沿着最实用的路线走：先看几种朴素的上下界估计，再重点讲盖尔圆（Gershgorin圆盘定理），包括它怎么用、怎么证明、怎么通过相似变换调整圆盘大小，最后用一个三阶矩阵完整跑一遍手算和代码验证。适合正在学矩阵论、数值线性代数的学生，也适合工程上想快速判断矩阵性质、又不想动不动上特征值求解器的从业者。

1. 为什么“只求范围”常常比“精确计算”更实用

1.1 现实场景里的一堆“范围判断”

特征值的问题，在工程里几乎都是“范围问题”。判断一个矩阵可不可逆，本质是问0是不是特征值；判断一个迭代法收不收敛，本质是问谱半径（最大特征值模）是不是小于1；判断一个动力系统稳不稳定，本质是问所有特征值的实部是不是都小于0；判断一个协方差矩阵能不能直接求逆，本质是问最小特征值是不是远离0。这些问题的共同特征是：只要知道特征值落在哪个区间，答案就出来了，根本不需要每个特征值的具体位置。

举几个实际场景。第一是PageRank和网络分析，特征值（特别是谱半径）决定了迭代算法的收敛速度，但网络矩阵动辄上亿维，你不可能先把全部特征值求出来再决定用哪个算法，通常是先用估计判断一下谱半径的量级。第二是预处理器的调试，很多迭代法收敛慢不是矩阵本身的问题，而是谱分布不好，先估一下谱范围能帮你决定要不要换预处理器，省下的时间不是一点点。第三是控制系统的稳定性分析，连续系统要求状态矩阵的特征值都在左半平面，如果盖尔圆并集完全落在左半平面，那么不需要求解器也能给出稳定结论。

这些场景的共同点是：要的不是“第几个特征值等于几”，而是“它们大概在哪个区域”。区域性判断通常比精确计算便宜一个数量级以上。

1.2 精确求特征值有多贵、多脆弱

为什么不能每次都老老实实把特征值算出来？答案有两个：贵，而且脆弱。

先说贵。稠密n阶矩阵求全部特征值，经典QR算法是O(n^3)量级。n=1000时，大约要10^9次浮点运算，勉强还能忍；n=10000时就是10^12次，单机跑起来得按小时算。而且很多工程矩阵不是拿来“求一次特征值”就结束的，参数稍微一变就得重算。相比之下，算一遍行和、列和、或者做一次简单的相似变换，成本只有O(n^2)甚至更少。这个差距在大型问题上完全是两个世界。

再说脆弱。特征值对矩阵扰动非常敏感，这不是危言耸听。数值线性代数里著名的Wilkinson矩阵就是典型反例：一个看着人畜无害的矩阵，只要某个元素抖动一点点，特征值就剧烈变化，条件数可以达到10^13以上。工程中的矩阵都是从测量、离散化、估计中来的，本身带误差，算出来的特征值再精确，也只是“某个近似矩阵”的特征值。所以在动手精算之前，先用估计把握一下大体范围，不仅省钱，还能给结果上一道保险——万一求解器返回一个超出估计范围的答案，第一反应不应该是怀疑估计，而应该是怀疑求解过程出了问题。

2. 先用范数和迹拿一个粗糙的上下界

2.1 谱半径与诱导范数

最朴素的估计是：所有特征值的模都不超过任意一个诱导范数。也就是ρ(A) = max_i |λ_i| ≤ ||A||。

证明一句话：设Ax = λx，x≠0，取范数得到|λ|·||x|| = ||Ax|| ≤ ||A||·||x||，约去||x||就得到|λ|≤||A||。因为对任意特征值成立，所以谱半径不超过范数。

实操中最常用的两个诱导范数是行和范数和列和范数：∞-范数是每行绝对值之和的最大值，1-范数是每列绝对值之和的最大值。两个都算一下，取小者当上界用。比如后面会反复用到的矩阵

A = [[10, 9, 0], [1, 2, 0], [0, 1, 3]]

行和分别是19、3、4，所以||A||_∞ = 19；列和分别是11、12、3，所以||A||_1 = 12。谱半径ρ(A) = 11，所以1-范数给的上界12已经比较靠谱，∞-范数19就比较松。这个差异提醒我们，不同范数估计的松紧程度差别很大，实际操作时多算几个再挑。

2.2 特征值平方和约束：Frobenius范数

第二个常用约束是Schur不等式：Σ_{i=1}^n |λ_i|² ≤ ||A||F² = Σ{i,j} |a_ij|²。

理解它不需要硬背公式。对任意方阵A做Schur分解A = UTU^H，其中U是酉矩阵，T是上三角矩阵。酉变换不改变Frobenius范数，所以||A||_F = ||T||_F。T的对角元就是A的特征值，但T还有非对角元，于是||T||F² = Σ|λ_i|² + Σ{i<j}|T_ij|² ≥ Σ|λ_i|²。

这个不等式的用途有两个。一个是验证特征值数量：如果n个特征值模的平方和已经被一个较大的特征值占了很多，其余特征值的模就必须很小。另一个是算上界：|λ_i| ≤ ||A||_F对每个特征值都成立。对于上面那个A，||A||_F² = 100+81+1+4+1+9 = 196，所以每个特征值的模不超过14。比1-范数的12松，但比∞-范数的19紧。可见这几个界各有优劣，实践中叠加使用。

另外还有一个经典约束是特征值的乘积等于行列式，和等于迹。这两个通常不单独用来做界，但当你已经确定了n−1个特征值范围时，可以用它们推断剩下的那个的范围。比如两个特征值实部都知道在某个区间，第三个的实部就可以用迹来反推。

2.3 实部虚部的另一个界：Hermitian部分

范数给的是模的界，但很多问题关心的是实部。比如稳定性判断要实部小于0，正定性判断要实部大于0。这时候可以用矩阵的Hermitian部分。

记H = (A + A^H)/2。对A的任意特征值λ和特征向量x，有x^H A x = λ x^H x，取实部得到 (x^H H x)/(x^H x) = Re(λ)。因为H是Hermitian矩阵，Rayleigh商的范围就在H的最小特征值和最大特征值之间，所以

λ_min(H) ≤ Re(λ) ≤ λ_max(H)。

类似地，令K = (A − A^H)/(2i)，可以得到虚部的界：

λ_min(K) ≤ Im(λ) ≤ λ_max(K)。

对那个例子A，H = [[10,5,0],[5,2,0.5],[0,0.5,3]]，它的特征值大致在[-0.4, 12.4]这个范围，所以A所有特征值实部都在[-0.4, 12.4]内。真实特征值1、3、11确实都落在里面。这个方法在小矩阵上可以直接用numpy算出H的特征值，在中大规模矩阵上也可以用Lanczos等方法只求两端特征值，成本可控。

这里有一个实操心得：Hermitian部分的界通常不比盖尔圆紧，但它给出的区间是“硬”的，而且对复特征值同样有效。盖尔圆擅长处理模与位置，Hermitian部分擅长处理实部，两者配合起来，往往能给出比单独使用任何一个都更完整的图像。

3. 盖尔圆：把特征值“圈”在圆盘里

3.1 定理内容与一行证明

Gershgorin圆盘定理是我在工程里用得最多的特征值估计工具。设A是一个n阶矩阵，记第i行除对角元外的绝对值之和为

R_i = Σ_{j≠i} |a_ij|，

定义第i个盖尔圆为

D_i = { z ∈ C : |z − a_ii| ≤ R_i }。

定理说：A的所有特征值都落在这些圆盘的并集里。证明很短，也很能体现这类问题的套路。

取A的任意特征值λ，以及对应的特征向量x。设|x_k|是x所有分量中绝对值最大的那个，显然|x_k|>0。把特征方程Ax = λx的第k行写出来：

λ x_k = Σ_{j=1}^n a_kj x_j，

移项得到

(λ − a_kk) x_k = Σ_{j≠k} a_kj x_j。

两边取模，再用三角不等式放缩：

|λ − a_kk| |x_k| ≤ Σ_{j≠k} |a_kj| |x_j| ≤ Σ_{j≠k} |a_kj| |x_k| = R_k |x_k|。

约去|x_k|，得到|λ − a_kk| ≤ R_k，也就是λ落在第k个盖尔圆里。这里的关键是取特征向量的最大分量那一行来展开，因为只有最大分量才能保证|x_j| ≤ |x_k|，从而完成放缩。

3.2 圆盘连成一片时，特征值个数怎么算

盖尔圆定理还有更强的一个版本：如果k个盖尔圆组成的集合与其余n−k个圆互不相交，那么这个连通分量里恰好包含A的k个特征值（按代数重数计）。

这个结论的直观理解很重要。把A写成A = D + B，其中D是对角部分，B是非对角部分。考虑连续路径A(t) = D + tB，t从0变到1。t=0时A(0)=D，特征值就是对角元a_ii，每个特征值正好落在自己的圆心上；t=1时A(1)=A，就回到原矩阵。随着t增大，特征值是连续变化的，而任意时刻每个特征值都落在“当前时刻的盖尔圆并集”里。当前时刻第i个盖尔圆的半径是t·R_i，圆心始终是a_ii。如果某个特征值想从一个连通分量“跑”到另一个，它必须穿过两个连通分量之间的空隙，但空隙里没有任何盖尔圆覆盖，特征值不可能出现在那里，所以每个连通分量里的特征值数量从头到尾保持不变。t=0时每个圆正好对应一个特征值，因此最终每个连通分量中有几个圆，就有几个特征值。

这个性质比原定理实用得多。它给了你一个“计数”能力：不仅能说特征值在这个并集里，还能说这个区域里有几个特征值。当你看到两个圆交叠在一起、跟其他圆分开时，就可以肯定这两个圆里一共只有两个特征值，不多不少。

3.3 列和半径、相似变换与常用推论

除了行和半径，还可以用列和半径。因为A^T与A有相同的特征值（复矩阵要考虑A^H，特征值是共轭关系），而A^T的第i行非对角元绝对值之和正是A第i列的非对角元之和：

C_i = Σ_{j≠i} |a_ji|。

于是可以用C_i定义“列盖尔圆”。行圆并集和列圆并集都包含所有特征值，所以它们的交集也包含所有特征值。实际计算中，行圆和列圆往往能把范围压缩不少。

比行列圆更进一步的是相似变换。对任意正对角矩阵D = diag(d_1, ..., d_n)，矩阵D^{-1}AD与A有相同的特征值。这个变换不改变特征值，但是会改变非对角元的比例：变换后第i行第j列元素变为a_ij·d_j/d_i，所以新的盖尔圆半径是

R_i' = Σ_{j≠i} |a_ij| · d_j / d_i。

圆心不变，还是a_ii。这就给了我们一个调节手段：想让第i个圆变小，就调整d_i和其他d_j的比例。这是盖尔圆工程应用里最核心的技巧，后面实操部分专门演示。

由盖尔圆定理可以直接得到两个常用推论。第一，如果A严格对角占优，也就是对每个i都有|a_ii| > R_i，那么原点不在任何盖尔圆里，0不是特征值，所以A可逆。这是数值线性代数里判断可逆性最廉价的方法。第二，如果A是实矩阵，且它的盖尔圆关于实轴对称，那么复特征值必然成共轭对出现，对应地出现在对称的两个圆里；如果某个圆盘关于实轴不对称，那它里面不可能含有非实数的共轭特征值。

4. 实操：手算、调圆、代码验证一条龙

4.1 手算一个三阶矩阵的盖尔圆

下面用矩阵

B = [[10, 9, 0], [1, 2, 0], [0, 1, 3]]

来完整跑一遍。先算行半径：第一行非对角元素绝对值之和是9，第二行是1，第三行是1，所以行盖尔圆是

• D1: |z − 10| ≤ 9，即实轴上区间[1, 19]；
• D2: |z − 2| ≤ 1，区间[1, 3]；
• D3: |z − 3| ≤ 1，区间[2, 4]。

三个圆在实轴上的投影分别是[1,19]、[1,3]、[2,4]，可以看到它们完全连成一片，覆盖了[1,19]这一整段。也就是说，仅靠行圆只能判断特征值都在[1,19]里，但它到底是靠近1还是靠近19，完全说不清。

再用列半径算一次：第一列非对角元绝对值之和是1，第二列是10，第三列是0，所以列盖尔圆是

• E1: |z − 10| ≤ 1，区间[9, 11]；
• E2: |z − 2| ≤ 10，区间[-8, 12]；
• E3: |z − 3| ≤ 0，就是单点3。

列圆并集是[-8, 12]，和行圆并集[1, 19]取交集，得到所有特征值都在[1, 12]内。这个范围已经比单独用行圆好不少，但还是不够精细。真实特征值其实是1、3、11，其中11恰好被列圆E1锁定在[9,11]里，3则被E3锁定为单点。

这个例子说明，行圆、列圆各算一遍，把两个并集叠起来，就已经能排除很多不可能的位置了。

4.2 用相似变换把圆盘“收紧”到孤立

接着做相似变换。目标是让第一行那个大圆缩小，以便把特征值11单独隔离出来。第一行的大半径来源于a_12 = 9，要让它对第一行的贡献变小，就要让d_2/d_1尽量小。我取D = diag(1, 0.5, 1)，也就是d_1 = 1, d_2 = 0.5, d_3 = 1。

计算变换后D^{-1}BD的元素：第(1,2)元素变成9×0.5/1 = 4.5，第(2,1)元素变成1×1/0.5 = 2，第(3,2)元素变成1×0.5/1 = 0.5。于是新的行半径是：

• R_1' = 4.5，所以D1' = [5.5, 14.5]；
• R_2' = |2| + 0 = 2，所以D2' = [0, 4]；
• R_3' = 0.5，所以D3' = [2.5, 3.5]。

变换后在实轴上三个区间是：D1' = [5.5,14.5]，D2' = [0,4]，D3' = [2.5,3.5]。D2'和D3'明显重叠，连成一个连通分量[0,4]；D1'与它们之间有空隙（4到5.5之间没有圆覆盖）。按照连通分量计数规则，D1'单独一个圆，所以[5.5,14.5]内恰好有一个特征值；D2'和D3'共两个圆，所以[0,4]内恰好有两个特征值。真实特征值1、3、11完美对应：1和3在[0,4]，11在[5.5,14.5]。

把几种估计方式放在一起看：

这个例子把相似变换的价值体现得很明显：原本三个圆连成一整段，几乎给不出分区信息；调一下d的尺度，两个分量就分开了，而且带着“个数”的结论。

4.3 用Python快速完成全套验证

手算容易出错，实际工程里我都是写一个几行的脚本直接跑。下面这段代码可以在任何装了numpy的Python环境里运行。

import numpy as np def gersh_circles(A): A = np.asarray(A, dtype=float) centers = np.real(np.diag(A)) row_r = np.sum(np.abs(A), axis=1) - np.abs(np.diag(A)) col_r = np.sum(np.abs(A), axis=0) - np.abs(np.diag(A)) return centers, row_r, col_r A = np.array([ [10., 9., 0.], [1., 2., 0.], [0., 1., 3.] ]) centers, row_r, col_r = gersh_circles(A) print("圆心:", centers) print("行半径:", row_r) print("行区间:", list(zip(centers - row_r, centers + row_r))) print("列半径:", col_r) print("列区间:", list(zip(centers - col_r, centers + col_r))) D = np.diag([1.0, 0.5, 1.0]) B = np.linalg.inv(D) @ A @ D centers2, row_r2, col_r2 = gersh_circles(B) print("相似变换后行半径:", row_r2) print("相似变换后行区间:", list(zip(centers2 - row_r2, centers2 + row_r2))) print("真实特征值:", np.linalg.eigvals(A))

输出大致是：

圆心: [10. 2. 3.] 行半径: [9. 1. 1.] 行区间: [(1.0, 19.0), (1.0, 3.0), (2.0, 4.0)] 列半径: [ 1. 10. 0.] 列区间: [(9.0, 11.0), (-8.0, 12.0), (3.0, 3.0)] 相似变换后行半径: [4.5 2. 0.5] 相似变换后行区间: [(5.5, 14.5), (0.0, 4.0), (2.5, 3.5)] 真实特征值: [11. 3. 1.]

建议每次调试时把真实特征值打印出来对照，确认估计没有算错。如果想可视化，可以再加几行matplotlib画圆：每行圆心画一个圆，再把真实特征值画在复平面里，一眼就能看出估计区域是否覆盖了所有特征值。

5. 常见翻车点与实操心得

5.1 盖尔圆不是“一圆一特征值”

初学盖尔圆最容易犯的错误，是把定理反向使用：看到第i个圆就以为里面一定有特征值，或者看到某个圆比较大就以为里面特征值很多。定理只保证每个特征值至少落在某一个圆里，并不保证每个圆里都有特征值。

一个简单的反例是2阶矩阵[[0, 10], [0.1, 0]]，特征值是±1。行圆有两个：第一个圆心0半径10，第二个圆心0半径0.1。第二个圆 |z|≤0.1 里没有任何特征值，因为±1都在外面。但它完全被第一个圆包含，所以也不违反定理。这个例子提醒我们，在做判断时，要用“并集覆盖”和“连通分量计数”，而不是“逐个圆对应”。

5.2 相似变换的尺度怎么选

相似变换不是随便选的。我的经验是分三步走。

第一步，先看哪些行半径太大，找出是哪些非对角元造成的。第二步，针对性地调整d_i和d_j的比例。想缩小第i个圆，就减小所有与它相连的d_j/d_i，也就是要么增大d_i，要么减小其他d_j。第三步，接受代价：被你调小的圆可能变大。比如实操那个例子里，为了缩小第一行的大圆，我把d_2调小，结果第二行的半径从1涨到了2，但这个代价换来的是连通分量被拆开，非常值。

如果矩阵规模不大，完全可以枚举几组d值，看哪一组能把关心的区域孤立出来。如果矩阵规模很大，有一种理论选法：对非负矩阵B（取|a_ij|、对角置0），取d为B的Perron特征向量，可以让所有圆盘同时收缩到最小。这个结论非常漂亮，但工程上多数时候不必追求全局最优，只要把关心的特征值区域“抠”出来就够了。

5.3 结合实部虚部界做更稳的判断

光靠盖尔圆有时候会误判。特别是当盖尔圆横跨虚轴或横跨0点的时候，你无法确定特征值到底在左边还是右边。这时候建议叠加Hermitian部分的实部估计和反Hermitian部分的虚部估计。具体做法是：

1. 先算A的H和K；
2. 用numpy求H的最小、最大特征值，得到实部硬范围；
3. 再用盖尔圆看整体位置和连通分量；
4. 如果盖尔圆范围很大、实部范围很小，就说明特征值集中在某条竖直带内，虚部可能较大。

我在工程里的习惯是：所有矩阵一上来先把这四个量全部算一遍——行圆、列圆、H的端特征值、K的端特征值。这几步成本都很低，但能把特征值的分布大致框在一个很小的区域内，之后再决定要不要做精确特征值分解。

5.4 大型稀疏矩阵场景下的使用建议

最后聊一下大规模问题。对n很大但稀疏的矩阵，盖尔圆估计的计算量只有O(nnz)，也就是非零元个数，几乎可以忽略。这使它成为大型迭代算法里非常理想的预筛工具。

实际用法之一，是判断稀疏矩阵是否可逆。如果行圆并集不包含原点，可以直接说可逆；如果原点落在某个大圆里，则无法下结论，需要再用列圆或相似变换进一步判断。用法之二，是给迭代法的收敛性提供参考。很多迭代算法要求谱半径严格小于1，如果盖尔圆并集完全落在以原点为中心的单位圆内，那谱半径一定小于1，收敛性就有保障。用法之三，是在做预处理的时候估计条件数的量级。条件数是最大奇异值与最小奇异值之比，虽然不是特征值，但估计思路类似。

大规模场景下做相似变换要小心，因为D虽然是对角阵，变换后矩阵的稀疏结构不变，但数值范围可能发生很大变化。我通常只在中小型矩阵上用相似变换精调，大规模矩阵只做行圆、列圆和实部虚部估计，图的就是省事和稳。

上面这套流程，概括起来就是：先范数框模，再Hermitian部分框实部，然后用盖尔圆定位和计数，最后用相似变换把模糊的地方调清楚。我自己的体会是，特征值估计这活儿，工具不难，难的是结合具体问题判断“哪个界够用就行”。很多场合你根本不需要知道特征值精确到小数点后几位，只要知道它不在0附近、不在虚轴附近、谱半径没有超过1，就已经能做决定了。如果哪次估计结果恰好把你关心的区域框得很准，那种感觉比跑通一个复杂算法还舒服。