1 基本概念
最小多项式是描述代数对象满足的最低次数首一多项式关系的工具。对代数元素、线性变换或矩阵而言，它刻画了对象在代数运算下的“最简消去关系”，在抽象代数与线性代数中都具有基础地位。
1.1 定义
最小多项式的定义因对象类型而略有差异，但核心思想一致：在所有能使对象代入后得到零的首一多项式中，取次数最小者。
1.1.1 代数元素的最小多项式
设 \( \alpha \) 是域扩张中的一个代数元素。如果存在非零多项式 \(f(x)\in F[x]\) 使得 \(f(\alpha)=0\)，则称 \(\alpha\) 为代数元素。使 \(f(\alpha)=0\) 的首一多项式中次数最低者，称为 \(\alpha\) 在域 \(F\) 上的最小多项式。
1.1.2 线性变换的最小多项式
设 \(T\) 是有限维向量空间上的线性变换。若存在非零多项式 \(f(x)\) 满足 \(f(T)=0\)，则可定义 \(T\) 的最小多项式为所有这类首一多项式中次数最低的那个。这里的 \(f(T)\) 指将多项式中的变量替换为线性变换后的复合运算。
1.1.3 矩阵的最小多项式
对方阵 \(A\) 也可定义最小多项式：若 \(f(A)=0\)，则称 \(f\) 为 \(A\) 的消去多项式。最小多项式是其中次数最小的首一多项式。由于矩阵对应线性变换的表示，二者的最小多项式在适当基下完全一致。
1.2 存在性与唯一性
最小多项式并非对任意对象都存在。其存在通常依赖于对象满足某种代数性或有限维性条件。
1.2.1 存在条件
对于代数元素，只要该元素对基域是代数的，便至少存在一个非零消去多项式，因此最小多项式存在。对于有限维线性变换和矩阵，由 Cayley-Hamilton 定理可知特征多项式可作为消去多项式，所以最小多项式也必然存在。
1.2.2 首一性与唯一性证明
首一性保证了最小多项式的规范化。若两个不同的首一多项式都具有最小次数且都能消去对象，则它们的差次数更低，且仍可构造出矛盾，从而说明这样的多项式只能有一个。换言之，最小多项式在首一条件下唯一确定。
1.3 基本性质
最小多项式具有若干重要的代数性质，这些性质构成了其后续应用的基础。
1.3.1 整除关系
任何能消去同一对象的多项式，都必须被最小多项式整除。这一性质使最小多项式成为所有消去关系中的“最小公共因子”，并常用于判断一个多项式是否足以描述对象的代数行为。
1.3.2 不可约因子分解
最小多项式可在底域上分解为若干不可约因子的乘积，并且这些因子反映了对象的基本代数结构。对于线性变换而言，不可约因子的种类与重数与其谱性质密切相关。
1.3.3 与零多项式的关系
最小多项式要求是非零首一多项式，因此不把零多项式纳入定义范围。零多项式虽然对任意对象都“形式上成立”，但由于次数无意义，不能承担最小化的比较角色。
2 代数元素的最小多项式
在域扩张中，最小多项式为理解代数元素提供了标准化语言，也常用于刻画域扩张的生成方式。
2.1 代数扩张中的角色
代数元素的最小多项式直接反映元素与基域之间的代数依赖关系。
2.1.1 代数元素与代数数
在数域或有理数域上，代数元素对应代数数的概念。一个复数若满足某个有理系数非零多项式，就称为代数数；其最小多项式则是在有理数域上次数最小的首一消去多项式。
2.1.2 生成域扩张
若 \(\alpha\) 是代数元素，则 \(F(\alpha)\) 是一个有限维域扩张。最小多项式的次数恰好给出扩张维数，即 \([F(\alpha):F]\) 等于最小多项式的次数。这使最小多项式成为描述单生成代数扩张的核心工具。
2.2 构造方法
求代数元素的最小多项式，通常可从已知代数关系出发，再不断压低次数与规范系数。
2.2.1 由消去多项式确定
若已知某元素满足某个显式方程，可先将其转化为一个消去多项式，再对该多项式进行因式分解，筛选出能真正消去该元素且次数更低的首一因子，直到得到最小多项式。
2.2.2 从极小次数候选中筛选
另一种思路是预设若干低次数首一多项式，逐一代入验证是否为零。该方法在具体算例中较直观，尤其适用于简单代数数或有限域元素的求解。
2.3 典型例子
典型例子有助于展示最小多项式的计算方式及其与代数结构的联系。
2.3.1 有理数上的简单代数数
例如 \(\sqrt{2}\) 在 \(\mathbb{Q}\) 上的最小多项式是 \(x^2-2\)。它首一、次数最低，并且代入 \(\sqrt{2}\) 后为零。类似地，\(\sqrt[3]{5}\) 在 \(\mathbb{Q}\) 上的最小多项式通常为 \(x^3-5\)。
2.3.2 平方根与复数单位
复数单位 \(i\) 在 \(\mathbb{Q}\) 上的最小多项式是 \(x^2+1\)。它说明 \(i\) 虽然不是有理数，但与有理数之间存在明确的二次代数关系。若在 \(\mathbb{R}\) 上讨论，则 \(i\) 不再是代数元素，因为不属于该域扩张的元素范围。
2.3.3 有限域中的元素
在有限域中，非零元素都满足某些幂次关系。某个元素在素域上的最小多项式可用于描述其在扩域中的生成性质，并常与不可约多项式的选取直接相关。
3 线性变换与矩阵的最小多项式
在线性代数中，最小多项式是研究算子结构的重要工具，尤其适用于判别可对角化性和分析 Jordan 结构。
3.1 定义与联系
线性变换与矩阵之间通过基的选取相互对应，因此它们的最小多项式具有一致性。
3.1.1 线性变换的作用方式
给定线性变换 \(T\)，将多项式 \(f(x)=a_0+a_1x+\cdots+a_kx^k\) 作用在 \(T\) 上时，定义为 \(f(T)=a_0I+a_1T+\cdots+a_kT^k\)。若该算子为零算子，则称 \(f\) 为 \(T\) 的消去多项式。
3.1.2 矩阵表示下的等价性
若 \(T\) 在某组基下的矩阵表示为 \(A\)，则 \(T\) 的最小多项式与 \(A\) 的最小多项式相同。这一事实说明最小多项式不依赖于具体基的选择，是线性变换的内在不变量。
3.2 计算方法
最小多项式的计算通常结合幂零性质、特征多项式与标准形结构进行。
3.2.1 由幂零性与循环子空间计算
若某些向量在 \(T\) 的反复作用下形成有限链，则可通过分析循环子空间来确定最小多项式。此方法尤其适用于块结构明显或存在幂零部分的算子。
3.2.2 由特征多项式分解推断
先求出特征多项式，再结合根的重数与线性无关关系，可缩小最小多项式的候选范围。最小多项式必须整除特征多项式，因此其因子只能从后者中选择。
3.2.3 由约当块结构确定
若已知 Jordan 标准形，则最小多项式可直接由各特征值对应最大 Jordan 块的大小确定。每个特征值在最小多项式中的幂次，等于对应最大 Jordan 块的阶数。
3.3 重要结论
最小多项式与算子的核心结构之间存在一系列经典判据。
3.3.1 最小多项式整除特征多项式
对于有限维线性变换或矩阵，最小多项式总是整除特征多项式。这一结论结合 Cayley-Hamilton 定理给出了最小多项式存在与求解的基本入口。
3.3.2 重根与可对角化判据
若最小多项式在代数闭包上没有重根，即可分解为互异一次因子的乘积，则对应矩阵或算子可对角化。反之，只要最小多项式中出现平方及更高次幂，通常就意味着存在非平凡 Jordan 块。
3.3.3 幂零矩阵的最小多项式
若矩阵 \(A\) 为幂零矩阵，即存在 \(k\) 使 \(A^k=0\)，则其最小多项式必形如 \(x^m\)。其中 \(m\) 是使 \(A^m=0\) 成立的最小正整数，反映了幂零指数。
4 与其他多项式的不变量关系
最小多项式并非孤立存在，它与特征多项式、首因式分解、循环分解等多种不变量密切相关。
4.1 与特征多项式
特征多项式与最小多项式常被并列讨论，但二者信息层次并不相同。
4.1.1 次数关系
特征多项式的次数等于矩阵阶数，而最小多项式的次数不超过该阶数。通常，最小多项式提供的是更精炼的结构信息。
4.1.2 根集合关系
两者具有相同的根集合（在代数闭包中讨论时）。也就是说，某个标量是特征多项式的根，当且仅当它也是最小多项式的根之一。
4.1.3 重数与指数的差异
特征多项式中的根重数反映代数重数，而最小多项式中的幂次反映的是对应 Jordan 块的最大尺寸。前者关注“出现了多少次”，后者关注“最深的链有多长”。
4.2 与首因式分解
在底域上分解最小多项式，可以更清楚地看到对象的代数特征。
4.2.1 不可约因子的出现条件
某个不可约因子出现在最小多项式中，表示对象确实满足与该因子对应的不可约代数关系。对矩阵而言，这往往与其谱中某类不可约结构有关。
4.2.2 幂次的决定方式
不可约因子的幂次由对应结构的“最长链”决定，而不是由总出现次数决定。这一点使最小多项式比特征多项式更适合描述局部结构的深度。
4.3 与循环分解
最小多项式可以通过模结构与循环子空间分解得到更系统的解释。
4.3.1 有理标准形中的描述
在有理标准形中，线性变换对应若干伴随矩阵块。最小多项式是这些块对应不变因子的最大公因层面的结构表达，常作为整体约束多项式出现。
4.3.2 不变因子与初等因子
不变因子之间按整除链排列，最小多项式通常是最后一个也是最大的那个不变因子。初等因子则更细致地分解了局部幂次信息，两者共同刻画算子的模结构。
5 理论结果
最小多项式是许多经典定理和判据中的关键环节，在理论体系中具有枢纽作用。
5.1 Cayley-Hamilton 定理中的应用
Cayley-Hamilton 定理将特征多项式与算子自身直接联系起来，而最小多项式则在其中发挥“最简消去式”的作用。
5.1.1 定理陈述
Cayley-Hamilton 定理指出：任意方阵都满足自己的特征多项式。也就是说，将矩阵代入其特征多项式后，得到零矩阵。
5.1.2 由特征多项式得到消去关系
由于特征多项式是一个消去多项式，而最小多项式是所有消去多项式中次数最低者，因此最小多项式必整除特征多项式。这一推论是最小多项式理论的基础之一。
5.2 最小多项式的判别准则
最小多项式可直接用于判定矩阵或线性变换的一些重要性质。
5.2.1 是否可对角化
若最小多项式在代数闭包上分解为互异一次因子，则算子可对角化。若存在重复因子，则通常不可对角化，除非该重复结构被消去条件排除在外。
5.2.2 是否为幂零算子
若最小多项式是纯幂 \(x^m\)，则算子幂零；反之，只要最小多项式含有非零常数项或非零根，就不可能是幂零算子。
5.2.3 是否具有简单谱结构
若最小多项式的全部不可约因子均为一次且无重根，则说明谱结构较为简单，算子可以在适当域上同时简化为对角形式。
5.3 代数闭包下的性质
在代数闭包内讨论最小多项式时，因子分解更为直观，结构也更容易分析。
5.3.1 根的分解
在代数闭包中，最小多项式可分解成若干线性因子的乘积。每个根对应对象的一个谱值或代数共轭类。
5.3.2 重根结构分析
重根的出现说明对象在该根对应方向上存在更高阶的耦合结构。在线性代数中，这通常意味着存在长度更长的广义特征向量链。
6 计算与算法
最小多项式既是理论对象，也是常见的计算目标，因此形成了一系列手工与算法化的求解方法。
6.1 手工计算方法
在具体算例中，手工计算最小多项式往往依赖线性关系检验和候选多项式试验。
6.1.1 线性代数消元法
通过考察 \(I,A,A^2,\dots\) 的线性相关性，可寻找最早出现的非平凡关系。一旦某个幂次组合线性依赖，就能整理出一个消去多项式，再进一步化为首一最小多项式。
6.1.2 试除法与验证法
先列出可能的因子组合，再逐一代入验证，是一种直观且实用的办法。特别是在已知特征多项式时，可利用整除关系减少候选数量。
6.2 计算机代数系统中的实现
现代计算环境中，最小多项式通常由符号算法自动求得。
6.2.1 符号计算流程
系统一般先对输入对象进行规范化，再执行因式分解、线性代数求解或模结构分析，最终输出最小多项式。对代数数则常结合消去理论与代数扩张计算。
6.2.2 矩阵输入与输出格式
在矩阵情形中，输入通常是系数域上的方阵。输出则是一个首一多项式，常以标准多项式形式呈现，便于后续进行对角化、求函数矩阵等操作。
6.3 复杂度与效率
最小多项式的求解复杂度取决于对象规模、系数域类型与算法选择。
6.3.1 多项式运算成本
若底域上的多项式运算代价较高，则因式分解和整除检验会显著影响总体效率。对高次数对象，代价主要集中在线性代数与多项式约简过程。
6.3.2 大规模矩阵的计算策略
对于大规模矩阵，常采用稀疏算法、随机化方法或分块结构分析，以降低计算负担。若矩阵具有特殊结构，还可利用其对称性或幂零性进行加速。
7 应用
最小多项式的应用覆盖多个数学分支，并在实际计算中具有明确作用。
7.1 线性代数中的应用
在线性代数里，最小多项式是判断结构性质的重要依据。
7.1.1 对角化判定
通过检查最小多项式是否含重根，可以迅速判断矩阵是否可对角化。这比直接构造特征向量组更具整体性。
7.1.2 Jordan 结构分析
最小多项式中的幂次信息对应 Jordan 块的最大大小，因此可用于推断 Jordan 结构的大致形态，尤其适合与特征多项式结合使用。
7.2 数论与域论中的应用
在数论和域论中，最小多项式是描述代数扩张与代数数的重要语言。
7.2.1 代数数表示
一个代数数的最小多项式往往就是其最简代数表示。它可用于描述该数的共轭、范数与迹等性质，并帮助组织数域中的元素结构。
7.2.2 有限域构造
有限域常通过不可约多项式构造。某个元素的最小多项式若在素域上不可约，就可用于生成扩域，从而实现有限域的显式表示。
7.3 其他数学分支中的应用
最小多项式还会出现在若干更广泛的数学场景中。
7.3.1 微分方程线性系统
在线性常系数微分方程组中，矩阵指数与系统解密切相关。最小多项式可帮助化简高次矩阵幂，从而提升求解与表示的效率。
7.3.2 组合与编码理论中的相关问题
在组合结构和编码理论中，线性变换的最小多项式可用于分析递推关系、序列周期性以及某些校验矩阵的代数特征。
8 相关概念
最小多项式与若干经典概念彼此交织，共同构成线性代数和抽象代数中的结构框架。
8.1 特征多项式
特征多项式是最常与最小多项式并列出现的概念。
8.1.1 定义比较
特征多项式由行列式 \(\det(xI-A)\) 定义，直接反映矩阵的整体谱信息；最小多项式则是最短的消去关系，强调代数约束的最简形式。
8.1.2 信息含量比较
特征多项式包含全部特征值及其代数重数，而最小多项式只保留决定结构复杂度的必要信息。因此，特征多项式更“全面”，最小多项式更“精炼”。
8.2 不变因子
不变因子来自模论与标准形理论，是理解最小多项式的重要桥梁。
8.2.1 与模结构的联系
在线性算子对应的 \(F[x]\)-模中，不变因子描述模的分解情况。最小多项式常作为其中最大的不变因子，反映整体模块的最强约束。
8.2.2 与标准形的联系
有理标准形由不变因子直接构造，而最小多项式决定了这些因子链中的最高层结构，因此在标准形理论中占有核心位置。
8.3 约当标准形
约当标准形是分析最小多项式幂次结构的经典工具。
8.3.1 块大小与重数
在约当标准形中，每个 Jordan 块的大小决定了最小多项式中相应特征值因子的幂次上界。最大块的大小最直接地进入最小多项式。
8.3.2 由最小多项式反推结构
已知最小多项式后，可以反推出各特征值对应 Jordan 块至少不会超过的尺寸范围。虽然仅凭最小多项式不能完全恢复标准形，但它能提供关键的结构限制。