1 基本概念
Cholesky 分解是一类针对特定矩阵的分解方法，核心思想是将满足条件的矩阵写成三角矩阵与其转置的乘积。由于这种表示兼具结构清晰与计算高效的特点，它在多种数值计算任务中都十分常见。
1.1 定义
对于一个实对称正定矩阵 \(A\)，若存在实下三角矩阵 \(L\)，使得 \[ A = LL^T \] 则称 \(L\) 为 \(A\) 的 Cholesky 因子，式中 \(L^T\) 表示 \(L\) 的转置。若采用上三角矩阵表示，则可写为 \[ A = U^T U \] 其中 \(U\) 为上三角矩阵。两种写法本质等价，只是符号约定不同。
1.2 适用矩阵类型
Cholesky 分解并非对任意矩阵都成立，它依赖于矩阵的对称性与正定性。只有满足一定条件的矩阵，才能保证分解存在且在数值上可稳定计算。
1.2.1 对称正定矩阵
最标准的适用对象是对称正定矩阵。所谓对称，是指矩阵满足 \(A=A^T\)；所谓正定，是指对任意非零向量 \(x\)，都有 \(x^TAx>0\)。这类矩阵不仅具有良好的代数性质，也常在统计和优化中自然出现，例如协方差矩阵、某些 Hessian 矩阵等。
1.2.2 半正定矩阵的扩展情形
对称半正定矩阵允许出现零特征值，因此不一定能直接做标准 Cholesky 分解。若矩阵退化，通常需要采用带主元版本、修改型分解，或者在数值上加入微小正则项后再处理。此类扩展情形保留了部分结构，但结果不再像正定情形那样简单唯一。
1.3 分解形式
Cholesky 分解的表达形式主要有两种，分别对应下三角和上三角的因子表示。它们只是书写方向不同，适用范围和计算内容一致。
1.3.1 下三角分解
下三角形式最常见，写作 \[ A = LL^T \] 其中 \(L\) 是下三角矩阵，且其对角元通常取正值。实际计算中，这种形式便于按行逐步求解因子元素，也更符合许多数值库的默认接口。
1.3.2 上三角分解
上三角形式写作 \[ A = U^T U \] 其中 \(U\) 为上三角矩阵。若已得到下三角因子 \(L\)，则可取 \(U=L^T\)。在某些实现中，上三角写法更贴近矩阵存储习惯或后续求解流程。
1.4 唯一性与存在条件
当矩阵为实对称正定且要求对角元为正时，Cholesky 分解是唯一的。存在性则由正定性保证；如果矩阵不满足正定条件，标准分解可能失败。换言之，正定性既是可分解的充分条件，也是保证计算过程中平方根项始终有意义的关键。
2 数学性质
Cholesky 分解不仅是一个计算工具，也反映了矩阵内部的若干代数结构。它与乘积、特征值、行列式及逆矩阵之间都存在直接联系。
2.1 与矩阵乘积的关系
若 \(A=LL^T\)，则 \(A\) 由两个三角矩阵相乘得到。这意味着矩阵的整体结构可以由较简单的局部因子逐步构造出来。相较于直接处理原矩阵，利用因子分解往往更利于分步运算和误差控制。
2.2 与特征值的联系
对称正定矩阵的全部特征值均为正，这与 Cholesky 分解的存在密切相关。虽然分解本身并不直接给出特征值，但正定性所对应的谱性质保证了对角元计算中的平方根始终有定义。可以说，Cholesky 分解是特征值全正这一性质在计算层面的体现之一。
2.3 与行列式的关系
对于 \(A=LL^T\)，有 \[ \det(A)=\det(L)\det(L^T)=\det(L)^2 \] 而三角矩阵的行列式等于对角线元素乘积，因此 \[ \det(A)=\left(\prod_i l_{ii}\right)^2 \] 这使得计算行列式变得非常方便，只需读取分解结果的对角元即可。
2.4 与逆矩阵的关系
Cholesky 分解常被用于间接求逆，而非直接对原矩阵做高代价运算。由于三角矩阵易于求逆和求解线性方程，因此可以借助分解结果实现更高效的计算。
2.4.1 分解后的求逆思路
若要计算 \(A^{-1}\)，可先利用 \(A=LL^T\)，再分别解两个三角方程组。通常不会显式形成完整逆矩阵，而是通过求解 \(Ly=b\)、\(L^Tx=y\) 的方式获得所需结果。这种做法更节省运算，也更稳定。
2.4.2 结构保持性质
Cholesky 分解保持了原矩阵的对称结构。其因子虽然不是对称的，但乘积恢复了原来的对称正定形式。这种结构保持特性使它在数值分析中格外重要，因为它能在化简问题的同时不破坏原始模型的关键性质。
3 计算方法
Cholesky 分解的计算过程具有明确的递推结构，可逐元素完成。与一般矩阵分解相比，它的公式更简洁，且可直接利用对称性减少运算量。
3.1 经典 Cholesky 算法
经典算法从左上角开始，按照行列顺序逐步计算下三角矩阵 \(L\) 的各个元素。每一步都利用已求出的前置项，对当前元素进行更新。由于只需处理矩阵的一半，计算成本明显低于一般分解方法。
3.2 逐元素计算过程
设 \(A=(a_{ij})\)，\(L=(l_{ij})\)。对于每个位置 \((i,j)\)，先利用前面已完成的项计算中间和，再求得当前元素。若 \(i=j\)，则涉及平方根；若 \(i>j\)，则对应除法与减法。算法按顺序推进，直到整列或整行处理完毕。
3.3 递推公式
Cholesky 分解的核心是递推关系。每个新元素都建立在前面已确定的因子之上，因此计算过程具有很强的依赖性。
3.3.1 对角元计算
对角元通常按 \[ l_{jj}=\sqrt{a_{jj}-\sum_{k=1}^{j-1} l_{jk}^2} \] 计算。该式体现了当前主元要先减去已累积的贡献，再开平方得到结果。若括号内出现非正值，则说明矩阵不满足标准正定条件，或者数值误差已经较为显著。
3.3.2 非对角元计算
当 \(i>j\) 时， \[ l_{ij}=\frac{1}{l_{jj}}\left(a_{ij}-\sum_{k=1}^{j-1} l_{ik}l_{jk}\right) \] 这表示当前元素由对应矩阵项减去已知部分后，再除以对角元得到。由于同列或同行的前面元素已可使用，因此递推计算可以稳定推进。
3.4 算法复杂度
对于 \(n\times n\) 的稠密矩阵，Cholesky 分解的计算量约为 \(O(n^3/3)\)，存储需求约为 \(O(n^2)\)。与 LU 分解相比，其运算常数更小，因为只处理对称矩阵的一半。若矩阵具有稀疏结构，实际复杂度还会受到填充模式的显著影响。
3.5 数值稳定性
Cholesky 分解通常被视为较稳定的分解方法之一，尤其适合正定矩阵。不过，当矩阵条件数较大或接近奇异时，舍入误差仍可能被放大。
3.5.1 误差传播
由于算法中存在递推与累加，前面步骤中的微小误差会传递到后续元素。若矩阵本身的主元较小，这种误差积累可能更加明显。因此，在高精度需求场景中，常需结合条件数分析与误差估计。
3.5.2 舍入误差影响
浮点运算中，减法会造成有效数字损失，而平方根和除法也可能引入额外偏差。对于接近半正定边界的矩阵，舍入误差甚至会使本应为正的量变成略小于零，从而导致分解失败。为此，实际软件常加入保护机制或修正策略。
4 变体与扩展
在标准 Cholesky 分解之外，还存在多种适应不同矩阵结构和数值需求的变体。这些方法在工程实践中经常比基础算法更有用。
4.1 LDLᵀ 分解
LDLᵀ 分解将矩阵写成 \[ A=LDL^T \] 其中 \(L\) 为单位下三角矩阵，\(D\) 为对角矩阵。与 Cholesky 相比，它避免了对角元开平方，更适合处理部分退化或符号变化较复杂的情形。对于正定矩阵，Cholesky 分解可看作其特殊形式。
4.2 带主元的 Cholesky 分解
当矩阵的正定性不够“强”或数值条件较差时，可以通过主元选择来改善分解的可行性和稳定性。带主元的方法会重新排列矩阵行列，以优先处理较有利的元素。这种方式常用于半正定或近似半正定问题。
4.3 稀疏 Cholesky 分解
对于大量零元素的矩阵，稀疏 Cholesky 分解能够显著减少存储和运算开销。其关键在于尽量避免分解过程中产生过多新非零元。
4.3.1 稀疏矩阵填充问题
填充是指原本为零的位置在分解后变成非零。填充越多，存储与计算成本越高。稀疏 Cholesky 的重要目标之一，就是寻找合适的消元顺序，以减少这种额外填充。
4.3.2 排序策略
常见排序策略包括最小度排序、近似最小度排序等。通过重新安排变量消元顺序，可以在保持结果正确的前提下，减少填充并提高效率。不同策略在不同结构的矩阵上效果差异明显。
4.4 块 Cholesky 分解
块 Cholesky 将矩阵按子块划分，分别对块进行分解和更新。这种方法更适合现代计算机体系结构，因为它能利用缓存优化和矩阵乘法加速。对于大规模问题，块形式往往比逐元素方式更易并行化。
4.5 增量与降阶更新
在某些动态场景中，矩阵会随数据变化而局部修改，此时不必从头重新分解。增量更新可在增加新变量时扩展已有因子，降阶更新则在删除变量后修正结果。这类技术在在线优化、滤波和自适应计算中很实用。
5 应用领域
由于能够高效处理正定矩阵，Cholesky 分解在多个领域都有稳定而广泛的用途。
5.1 线性方程组求解
对于对称正定线性方程组 \(Ax=b\)，先做 Cholesky 分解，再解两个三角方程组，通常比直接求逆更高效。该方法是工程计算中的标准工具之一，尤其适合需要重复求解同一矩阵不同右端项的情形。
5.2 最小二乘问题
在最小二乘框架中，常会出现正规方程，其系数矩阵往往是对称正定的。此时可借助 Cholesky 分解加速求解。不过在病态问题中，数值上更稳健的 QR 分解有时会更受青睐。
5.3 优化算法中的 Hessian 处理
许多二次优化与牛顿法相关算法都需要处理 Hessian 矩阵。若 Hessian 在某一迭代点上正定，则可利用 Cholesky 分解判断曲率并构造搜索方向。它也常用于构建预条件器，以改善迭代收敛速度。
5.4 统计学中的协方差矩阵分解
在统计建模中，协方差矩阵通常是对称正定的，因此非常适合 Cholesky 分解。借助这一分解，可以更方便地进行随机模拟和相关结构分析。
5.4.1 多元正态分布采样
若要从多元正态分布中生成样本，可先对协方差矩阵做 Cholesky 分解，然后将标准正态随机向量乘以分解因子，从而得到具有目标协方差结构的样本。这是蒙特卡洛模拟中的常用方法。
5.4.2 相关性建模
在建立变量相关关系时，Cholesky 因子可以直接编码协方差或相关矩阵的结构。通过调整矩阵元素，研究者能够构造满足指定相关性的随机变量组合，便于后续分析与仿真。
5.5 工程与物理计算
在有限元分析、控制理论、电路仿真和物理建模中，经常会出现大规模对称正定系统。Cholesky 分解因其速度快、存储效率高，常被用于求解这些系统或作为更复杂算法的基础模块。
6 与其他分解方法的比较
Cholesky 分解虽然高效，但它并不是所有场景的最佳选择。不同矩阵分解方法各有适用范围，实际使用时需要根据问题性质决定。
6.1 LU 分解
LU 分解适用于更一般的方阵，不要求对称或正定。相比之下，Cholesky 专用于对称正定矩阵，因此在其适用范围内通常更快、更省内存。但 LU 的通用性更强。
6.2 QR 分解
QR 分解以正交矩阵和上三角矩阵为核心，数值稳定性通常优于直接求正规方程加 Cholesky 的做法。尤其在最小二乘问题中，QR 往往能更好地抵抗病态性，不过其计算开销一般也更高。
6.3 特征值分解
特征值分解能直接揭示矩阵的谱结构，但代价通常较大。Cholesky 不提供特征值信息，却能更快地完成求解与行列式计算。若目标只是高效运算而非谱分析，Cholesky 更具优势。
6.4 SVD 分解
SVD 分解是最通用、最稳健的矩阵分解之一，但也是最昂贵的之一。与之相比，Cholesky 在结构受限时效率极高，适合大规模正定问题；而 SVD 更适合秩分析、降维和奇异情形处理。
6.5 优缺点对比
Cholesky 的优点是速度快、实现简洁、存储需求较低，并且在正定条件下数值性能良好。缺点是适用范围较窄，一旦矩阵不满足对称正定要求，标准形式往往无法使用。相比之下，LU 和 SVD 更通用，但成本更高。
7 历史与发展
Cholesky 分解的形成与数值计算的发展密切相关。它从早期工程计算中的矩阵处理需求出发，逐步成为现代线性代数软件的基础功能之一。
7.1 命名来源
这一方法以法国数学家 André-Louis Cholesky 的名字命名。相关思想最初出现在测地学、最小二乘和工程测量等领域的计算中，后经整理传播，逐渐形成今天所称的 Cholesky 分解。
7.2 早期研究背景
在电子计算机普及之前，矩阵运算主要依赖手工或机械计算。由于正定矩阵在物理和统计问题中频繁出现，人们需要一种比一般消元更节省步骤的方法。Cholesky 型分解正是在这种背景下获得重视。
7.3 在数值计算中的推广
随着数值线性代数的发展，Cholesky 分解被系统化并纳入标准算法体系。特别是在大规模科学计算兴起后，它因高效率和良好的结构利用能力而得到广泛推广，成为基础矩阵分解之一。
7.4 现代计算库实现
如今，多数数值计算库都提供了 Cholesky 分解接口，并在底层针对缓存、向量化和多线程进行了优化。对于稀疏、块状或批量矩阵，现代实现还会自动采用不同策略，以适应不同硬件平台和问题规模。
8 实现与软件支持
Cholesky 分解已成为主流科学计算环境中的标准功能。无论是通用数值库，还是专门的稀疏矩阵软件，都通常提供相应接口。
8.1 常见数值库接口
常见线性代数库通常直接提供对称正定矩阵的分解与求解函数，允许用户输入矩阵后返回分解因子，或进一步完成方程求解。许多接口还支持原地计算，以减少额外存储。
8.2 稀疏矩阵软件支持
针对稀疏矩阵，相关软件通常会先进行符号分析，再执行数值分解。符号阶段确定填充结构，数值阶段完成实际因子计算。这种两阶段设计有助于提高重复求解场景中的效率。
8.3 并行与高性能实现
在高性能计算中，Cholesky 分解常被拆分为多个块任务，再通过并行调度执行。由于块之间存在依赖关系，调度策略对性能影响很大。合理的并行实现可显著缩短大规模矩阵分解时间。
8.4 硬件加速与优化策略
现代处理器、图形加速器以及专用计算硬件都可用于加速 Cholesky 分解。常见优化包括利用向量指令、提升数据局部性、减少访存冲突以及将核心计算转化为高效矩阵乘法。对于大矩阵问题，这些策略往往决定实际性能上限。