1 基本概念
代数重数是描述多项式某个根重复出现次数的量，常用于刻画方程解的结构以及线性变换的谱性质。它与“重根”的直观理解密切相关，但在矩阵和线性算子理论中，通常要结合特征多项式等对象来严格定义。
1.1 定义
设多项式 \(p(x)\) 可分解为 \[ p(x)=(x-a)^m q(x), \] 其中 \(q(a)\neq 0\)。则称 \(a\) 是 \(p(x)\) 的一个根，其代数重数为 \(m\)。这里的 \(m\) 表示 \((x-a)\) 作为因子在分解中出现的次数。
从根的角度看，代数重数反映的是该根在多项式中出现得有多“深”，而不是它在几何意义上的位置或对应空间的维数。
1.2 与根的重数的关系
在初等代数中，代数重数通常就等同于“根的重数”或“重复次数”。若一个根只出现一次，则称为单根；若出现两次、三次或更多次，则分别称为二重根、三重根等。
因此，代数重数可以看作重根概念的严格代数化表达。它不仅适用于实系数多项式，也适用于复系数以及更一般域上的多项式。
1.3 在特征值中的定义
在线性代数中，若矩阵 \(A\) 的特征多项式为 \[ \chi_A(\lambda)=\det(\lambda I-A), \] 则特征值 \(\lambda_0\) 的代数重数定义为 \(\lambda_0\) 作为 \(\chi_A(\lambda)\) 根的重数。
这一定义使代数重数成为矩阵谱理论中的基本参数。它与特征空间维数不同，二者共同描述特征值的代数与几何特征。
1.4 记号与术语
代数重数常记为 \(m_a(\lambda)\) 或 \(a(\lambda)\)，具体记号随教材和文献而异。对于根 \(r\)，也常写作“\(r\) 的重数为 \(m\)”。
在中文语境中，“代数重数”常与“重数”“重根”并用，但在严格表述时，前者更强调代数结构，后者更偏向口语化或初等代数表述。
2 多项式中的代数重数
多项式理论中，代数重数是分析根结构的核心工具。它能够区分单根与重复根，并帮助理解多项式的分解方式。
2.1 作为方程根的重复次数
若方程 \(p(x)=0\) 的某个解 \(a\) 使得 \(p(x)\) 可写成 \((x-a)^m q(x)\)，则 \(a\) 作为解出现了 \(m\) 次。此时，求解时虽然数值上只得到一个根 \(a\)，但它在代数上对应多个“合并”的解位。
这种重复性会影响方程的导数性质、图像切线行为以及多项式因式分解结果。
2.2 因式分解视角
从分解角度看，多项式的代数重数就是某个一次因子在分解式中的幂次。若 \[ p(x)=c(x-a)^2(x-b)^3, \] 则 \(a\) 的代数重数为 2，\(b\) 的代数重数为 3。
这一视角特别适合研究多项式的结构，因为它把“根”直接转换为“因子”的幂次问题。
2.2.1 重根与单根
单根对应一次因子只出现一次，通常意味着该根在图像上以较“平稳”的方式穿过横轴。重根则会使函数图像在根附近呈现更复杂的接触方式，常见现象是图像在该点附近“贴着”横轴再折返。
从代数上说，重根的判别并不依赖图形，而是依赖因式分解和导数条件。
2.2.2 多项式的分解结构
一个次数为 \(n\) 的多项式，在代数闭域中通常可以分解为若干一次因子的乘积，各因子的指数之和等于 \(n\)。这意味着所有根的代数重数总和等于多项式的次数。
因此，代数重数提供了一个“分配账本”：每个根占据若干次数份额，合起来恰好构成整个多项式。
2.3 复数域与实数域下的差异
在复数域中，多项式的根可以完全分解为一次因子的乘积，这使得代数重数的定义最为直接。复系数多项式的根结构通常更完整，也更便于分析。
在实数域中，某些多项式无法分解为一次因子，只能分解出不可约二次因子。但代数重数仍可在复数域中理解，或在实数域内借助更高层次的代数框架讨论。对于实系数多项式，非实根成共轭对出现，但各自的代数重数仍然相同。
3 线性代数中的代数重数
在线性代数中，代数重数是研究矩阵特征值、可对角化性和Jordan结构的关键概念。
3.1 特征多项式
矩阵 \(A\) 的特征多项式定义为 \[ \chi_A(\lambda)=\det(\lambda I-A). \] 它是一个次数等于矩阵阶数的多项式，其根正是矩阵的特征值。
由于特征多项式的根就是特征值，因此它的因式分解直接决定了每个特征值的代数重数。
3.2 特征值的代数重数
若 \(\lambda_0\) 是矩阵 \(A\) 的特征值，并且在 \(\chi_A(\lambda)\) 中作为根出现 \(m\) 次，则称 \(\lambda_0\) 的代数重数为 \(m\)。
例如，若 \[ \chi_A(\lambda)=(\lambda-2)^3(\lambda+1)^2, \] 则特征值 2 的代数重数为 3，-1 的代数重数为 2。
3.3 与矩阵秩无关的性质
代数重数由特征多项式决定，而特征多项式本质上是一个整体代数不变量，因此它不由某一时刻的矩阵秩直接确定。两个秩不同的矩阵，可能拥有相同的特征值代数重数；反之，秩相同也不意味着特征值结构相同。
这说明代数重数关注的是谱信息，而不是单纯的线性方程组解空间大小。
3.4 与最小多项式的联系
最小多项式是使 \(m_A(A)=0\) 的首一最低次数多项式。它与特征多项式都反映矩阵的代数结构，但关注点不同：前者强调“消去关系”，后者强调全部特征值及其重数。
一般而言，最小多项式中某个因子的幂次不超过该特征值的代数重数。若某特征值在最小多项式中只出现一次，则说明其对应Jordan块大小受到限制。
4 代数重数与几何重数
代数重数与几何重数是描述特征值的两类不同“计量方式”，前者看根在特征多项式中的次数，后者看特征空间的维数。
4.1 几何重数的定义
对于特征值 \(\lambda\)，其几何重数定义为特征空间 \[ \ker(A-\lambda I) \] 的维数。也就是说，几何重数表示线性无关特征向量的数量。
4.2 二者的大小关系
对任意特征值，几何重数总是不大于代数重数。这个不等式是线性代数中的基本结论，反映了特征空间的维数受特征多项式根重复度的上界约束。
直观上，代数重数像“名额总数”，几何重数像“实际能独立站出来的人数”，后者通常不会超过前者。
4.3 相等与可对角化条件
若矩阵的每个特征值都满足几何重数等于代数重数，并且所有代数重数之和等于矩阵阶数，那么矩阵往往可以对角化。更准确地说，矩阵可对角化当且仅当其最小多项式分解后没有重复因子，或等价地，每个特征值的几何重数达到代数重数。
因此，二者是否相等，是判断矩阵结构是否“足够简单”的重要信号。
4.4 典型反例与直观理解
一个常见反例是具有重复特征值但特征向量不足的矩阵。此时代数重数可能大于几何重数，导致矩阵无法被相似对角化。
这类例子说明：特征值重复并不必然意味着有足够多的独立特征向量。重复只说明根在多项式中出现得多，而不是特征空间自然变大到同样程度。
5 计算方法
代数重数的计算通常围绕多项式分解展开，在矩阵问题中则主要依赖特征多项式。
5.1 通过特征多项式求解
对于矩阵，先求特征多项式，再将其因式分解，是最标准的方法。若 \[ \chi_A(\lambda)=(\lambda-\lambda_1)^{m_1}\cdots(\lambda-\lambda_k)^{m_k}, \] 则各 \(\lambda_i\) 的代数重数分别为 \(m_i\)。
对于低阶矩阵，这种方法通常直接而有效。
5.2 多项式分解与因式提取
在纯多项式问题中，常通过提取公因子、配方法、分组分解或利用已知根构造因式分解来判断代数重数。若已知某根 \(a\)，可反复用多项式除法检验 \((x-a)\) 能否继续整除。
若 \((x-a)^m\) 可整除而 \((x-a)^{m+1}\) 不可整除，则 \(a\) 的代数重数恰为 \(m\)。
5.3 借助Jordan标准形判断
在已知矩阵的Jordan标准形时，特征值的代数重数等于对应Jordan块大小之和。换言之，同一特征值下所有Jordan块的维数总和就是它在特征多项式中的重数。
这一方法特别适用于理论分析，因为Jordan形将“重数”与块结构一一对应。
5.4 常见计算技巧
常用技巧包括：利用迹和行列式辅助检查特征多项式形式、使用有理根定理寻找可能的根、通过导数判断重根，以及借助数值计算软件验证分解结果。
在实际操作中，先确认根，再核实重数，往往比直接一次性展开计算更稳妥。
6 相关定理
代数重数的许多性质都由经典代数与线性代数定理支持。
6.1 代数基本定理下的性质
代数基本定理保证：任意非常数复系数多项式至少有一个复根，并且可完全分解为一次因子的乘积。因此，在复数范围内，代数重数总是良定义且总和等于多项式次数。
这也是代数重数在复线性代数中能完整发挥作用的重要基础。
6.2 Cayley-Hamilton定理中的应用
Cayley-Hamilton定理指出，任何方阵都满足其自身的特征多项式。这个结论把特征值及其代数重数与矩阵本身的运算联系起来。
它常用于推导矩阵幂、研究递推关系，以及分析最小多项式与特征多项式之间的关系。
6.3 Jordan分解中的角色
Jordan分解把矩阵拆解为若干Jordan块，其中每个特征值对应一组块。该特征值的代数重数等于这些块的总阶数之和。
因此，代数重数在Jordan理论中不仅是计数工具，也是连接“谱值”和“块大小分布”的桥梁。
6.4 可对角化判别定理
可对角化判别定理表明：矩阵可对角化当且仅当其存在一组由线性无关特征向量组成的基。等价地，从代数重数与几何重数的角度看，每个特征值都需满足二者相等。
这一判别法使代数重数成为判断矩阵是否能化为对角形式的核心参数之一。
7 例子
通过具体例子可以更直观地理解代数重数的含义及其与其他概念的区别。
7.1 二次多项式中的重复根
设 \[ p(x)=(x-3)^2. \] 则 \(x=3\) 是一个二重根，其代数重数为 2。虽然方程只有一个不同的解，但从代数结构看，它对应两个重合的根位。
若改为 \((x-3)(x+1)\)，则两个根都为单根，代数重数均为 1。
7.2 3阶矩阵的特征值示例
设矩阵的特征多项式为 \[ \chi_A(\lambda)=(\lambda-1)^2(\lambda-4). \] 则特征值 1 的代数重数是 2，特征值 4 的代数重数是 1。若再进一步求解特征空间，就可以比较它们的几何重数。
这种情形在三阶矩阵中非常常见，也便于用来演示“重特征值未必可对角化”。
7.3 具有相同代数重数的不同矩阵
两个矩阵可能拥有相同的特征值及其代数重数，但在几何结构上完全不同。例如，一个矩阵可能可对角化，另一个则可能含有非平凡Jordan块。
这说明仅凭代数重数不足以完全决定矩阵的相似类型，还需要结合几何重数或Jordan结构。
7.4 代数重数与几何重数不相等的例子
考虑一个特征多项式为 \((\lambda-2)^3\) 的矩阵，但其特征空间维数仅为 1。此时，特征值 2 的代数重数为 3，而几何重数为 1。
这类例子典型地体现了重复特征值与独立特征向量数量之间的差异，也正是Jordan块出现的根源。
8 应用
代数重数不仅是理论概念，也在多个数学和工程场景中发挥作用。
8.1 线性变换分析
在研究线性变换时，代数重数帮助描述变换的谱分布，并为理解不变子空间、特征分解和矩阵相似变换提供基础信息。
它常与特征向量一起使用，用来判断一个变换是否可简化为对角形式或近似对角形式。
8.2 微分方程与系统稳定性
在线性常系数微分方程和离散系统中，特征值的代数重数会影响解的形式。重复特征值往往带来乘以多项式因子的解项，从而改变系统响应的结构。
在稳定性分析中，特征值及其重数也会影响系统的动态行为，尤其是在临界情形下。
8.3 数值计算中的特征值问题
在数值线性代数中，重复或近似重复的特征值往往会增加计算难度，使得特征向量求解更不稳定。代数重数较高时，数值算法可能更容易出现聚类、误差放大或分离困难。
因此，理解代数重数有助于解释数值计算中“看起来接近但结构不同”的现象。
8.4 代数结构研究中的应用
在更抽象的代数环境中，代数重数用于研究多项式分解、模结构和算子表示。它可作为刻画重复因子的工具，帮助识别对象的内部层次。
在许多分解理论中，重数信息往往决定了后续结构分析能否顺利展开。
9 常见误区
代数重数的概念虽然直接，但在学习和应用中很容易与其他量混淆。
9.1 代数重数与几何重数混淆
最常见的错误是把代数重数误认为特征向量的个数。实际上，代数重数来自特征多项式的因子次数，几何重数才与特征空间维数相关。
二者相关但不相同，必须分开判断。
9.2 将“重根”与“重复出现”误解为不同概念
有时会误以为“重根”只是一种口头说法，而“代数重数”是另一套完全不同的定义。事实上，二者在多项式根的语境中本质一致，只是表述层次不同。
前者偏直观，后者偏严格。
9.3 忽略定义域对结果的影响
多项式在不同数域上分解方式不同，因此代数重数的讨论也会受到定义域影响。一个在复数域中分解为多个一次因子的多项式，在实数域中可能只分解到二次因子层面。
虽然根的重数概念仍可在更大域中解释，但具体结论必须说明所在域。
9.4 计算特征值时的常见错误
常见错误包括：漏掉根、把不同根合并、分解时忽略幂次，以及在符号计算中误判多项式展开结果。对于高阶矩阵，这类错误尤其容易发生。
因此，计算特征值及其代数重数时，往往需要核对特征多项式、检查因式分解并验证总重数是否等于矩阵阶数。
10 相关概念
代数重数常与若干基础概念并列出现，它们共同构成矩阵与多项式理论的核心框架。
10.1 几何重数
几何重数是特征空间的维数，用于衡量特征向量的独立数量。
10.2 最小多项式
最小多项式是使矩阵代入后为零的最低次数首一多项式，反映矩阵的消去关系。
10.3 特征值
特征值是满足 \(Av=\lambda v\) 的标量，是矩阵谱分析的基本对象。
10.4 重根
重根是某个根在多项式中出现多次的情形，是代数重数的直观来源。
10.5 Jordan标准形
Jordan标准形是将矩阵按相似变换化为由Jordan块组成的标准表示，能够精确反映特征值及其重数结构。