行列式展开的定义（拉普拉斯展开定理）
行列式的展开，正式称为拉普拉斯展开（Laplace expansion）或余子式展开（cofactor expansion），是计算n阶行列式的一种递归方法。它允许我们将高阶行列式转化为若干低阶行列式的加权和，非常实用，尤其在手算时。
核心定义
对于一个n阶方阵，其行列式 det(A) 可以按任意一行或任意一列展开。
- 按第i行展开：
其中 是余子式（cofactor），
是子式（minor），即删除第i行和第j列后得到的(n-1)阶子矩阵的行列式。
- 按第k列展开（类似）：
关键是符号项，它决定正负号。可以记忆为“棋盘格局”（从左上角开始交替正负）：
简单例子：2×2行列式（基础）
2阶行列式本身就是最简单的展开形式：
按第一行展开：
这正是定义本身。
详细例子：3×3行列式
取一个具体矩阵：
我们按第一行展开（i=1）：
现在计算每个2阶子行列式：
- 第一项：
→ 贡献：
- 第二项：
→ 贡献：
- 第三项：
→ 贡献：
总和：−3+12−9=0
（这个矩阵的行列式确实为0，因为第三行 = 第一行×3 - 第二行×2，行相关。）
如果你按其他行或列展开，会得到相同结果（行列式性质保证）。
图中展示了一个4×4 矩阵的行列式，使用拉普拉斯展开（Laplace expansion），选择按第二行展开，最终将 4 阶行列式转化为三个 3 阶行列式的加权和（其中一项因元素为 0 而省略）。
原矩阵
为什么选择按第二行展开？
- 第二行元素：0.25, x₂, 0, 0.3，只有两个非零元素（第三项为 0，可直接忽略），展开后只有三项需要计算（实际两项非零系数 + 一项 0）。
- 这比按其他行/列展开更简洁（例如第一行有三个非零元素，第四行四个全非零）。
- 展开后得到的 3×3 子矩阵结构较好，便于进一步计算（图中标注 “LU-decomposition applicable”），可能适合 LU 分解来快速求行列式。
拉普拉斯展开公式（按第 i=2 行）
其中是删除第 2 行、第 j 列后的3×3 子式（minor）的行列式。
逐项计算符号和贡献：
- j=1：元素
，符号
贡献：
- j=2：元素
，符号
贡献：
- j=3：元素
，贡献直接为 0（图中省略）
- j=4：元素
，符号
贡献：
于是：
这正是图中所示的展开式。
每个子矩阵是如何得到的？（删除过程可视化）
- 第一项（删除第2行、第1列）保留列 2,3,4：
- 第二项（删除第2行、第2列）保留列 1,3,4： 第一列全为 0（除最后一行），结构较“稀疏”。
- 第四项（删除第2行、第4列）保留列 1,2,3： 第一列同样几乎为 0。
为什么标注 “LU-decomposition applicable”？
观察三个 3×3 子矩阵：
- 第二、第三个子矩阵的第一列几乎全为 0（只有最后一行非零），这使得它们非常适合LU 分解（无需或仅需少量行交换）。
- LU 分解后，行列式 = L 和 U 对角元素乘积，计算极快（尤其是手工计算时）。
- 第一个子矩阵虽不那么稀疏，但整体结构也利于消元。
通过对这三个 3×3 矩阵分别进行 LU 分解或进一步展开，最终可得到关于 的线性表达式（图中最下方所示的部分）：
+（其他常数项）
（图中标注 “a part of Expression”，说明这只是完整表达式中的线性部分。）
图中子矩阵的LU分解过程讲解
在图中，通过拉普拉斯展开得到的三个3×3子矩阵具有明显的稀疏结构（许多零元素，第一列往往只有底部非零），这使得它们特别适合使用LU分解（或带行交换的PLU分解）来高效计算行列式。
LU分解的基本原理与计算行列式的优势
LU分解将矩阵A分解为A = LU（或PA = LU，P为置换矩阵）：
- L：单位下三角矩阵（对角线为1，下三角存放消元乘数）
- U：上三角矩阵
计算行列式的关键：
- 无行交换时：
- 有s次行交换时：
过程本质是高斯消元：
- 从左到右、从上到下处理每一列k。
- 若当前主元（pivot）
，交换行使主元非零（记录交换次数）。
- 对下方的每一行i (>k)：
- 计算乘数
- 第i行
第k行
- 计算乘数
- 最终得到U，L由乘数填充。
优势：在图中子矩阵中，零元素多，交换后往往只需1~2步消元，计算量极小，非常适合手算。
示例1：x₂对应的子矩阵（最典型，结构最稀疏）
矩阵B：
步骤1：检查第一主元a₁₁ = 0 → 需要行交换。交换第1行和第3行（一次交换，符号因子-1）：
交换后：
步骤2：k=1，消元第一列下方两行第一列已为0，无需任何操作（l₂₁=0, l₃₁=0）。
步骤3：k=2，消元第二列
主元a₂₂ = 0.3 ≠0
l₃₂ = 0.5 / 0.3 = 5/3
第3行 -= (5/3) × 第2行：
第三行新值：
- 第2列：0.5 - (5/3)×0.3 = 0.5 - 0.5 = 0
- 第3列：0 - (5/3)×0.5 = -5/6
得到U：
计算行列式：
对角积 = 0.15 × 0.3 × (-5/6) = -0.0375
一次交换 → det(B) = (-1) × (-0.0375) =0.0375
贡献项：+x₂ × 0.0375（图中0.0375x₂正是由此而来）
示例2：0.3对应的子矩阵（结构类似，含1-x₁）
矩阵C：
步骤1：第一主元0→ 交换第1行和第3行（一次交换）：
交换后：
步骤2：k=1→ 下方已为0，无消元。
步骤3：k=2主元0.2 l₃₂ = (1-x₁)/0.2 = 5(1-x₁) 第3行 -= 5(1-x₁) × 第2行：
- 第2列：1-x₁ - 5(1-x₁)×0.2 = 1-x₁ - (1-x₁) = 0（完美抵消！）
- 第3列：0.5 - 5(1-x₁)×0.3 = 0.5 - 1.5(1-x₁) = 1.5x₁ - 1
得到U对角：0.15, 0.2, 1.5x₁ - 1
对角积 = 0.03(1.5x₁ - 1) = 0.045x₁ - 0.03
det(C) = (-1) × (0.045x₁ - 0.03) = -0.045x₁ + 0.03
贡献项：0.3 × det(C) =-0.0135x₁ + 0.009
示例3：-0.25对应的子矩阵（含1-x₁，无需交换）
矩阵D：
步骤1：第一主元1-x₁（假设≠0）→ 无需交换。
步骤2~3：正常消元两列（计算稍多，但仍可手算）。消元后U的对角会包含(1-x₁)因子和常数项，最终det(D)会产生另一部分x₁线性项。
贡献项：-0.25 × det(D)（提供剩余的x₁系数和常数项）。
为什么图中特别标注“LU-decomposition applicable”？
- 第二、第三个子矩阵只需一次行交换 + 一到两次消元，且常出现完美抵消（如第二列直接变0）。
- 第一子矩阵虽稍复杂，但整体计算量远低于直接用定义或Sarrus法则展开3阶行列式。
- 合并三项后，自然得到关于x₁、x₂的简单线性表达式（图中最下方所示部分）。
这种结构优化是典型的手算技巧：稀疏+零元素 → 少量运算即可得精确（或高精度）系数。
为什么有用？
- 递归性：高阶行列式总能降到低阶。
- 实际计算：如果某行/列有很多0，选择含0最多的行/列展开，能大幅简化（很多项直接为0）。
- 理论证明：这是行列式公理化定义的等价形式之一。
总结
- 图中巧妙利用第二行只有两个有效非零元素进行拉普拉斯展开，将 4 阶问题降为三个 3 阶问题。
- 子矩阵结构稀疏，便于后续 LU 分解或手工计算。
- 这种展开策略是典型的手算优化技巧：总是优先选择含 0 最多或变量最少的行/列展开。
