多线性代数、张量积与外代数¶

课程定位｜机器人学博士数学基础 · A 模块（高等线性代数）· 第 6 章 文档类型：理论教学（以数学推导为核心，代码仅作数值验证，text:code $\ge$ 85:15） 前置章节：20_向量空间与线性变换.md（向量空间、线性映射、对偶空间 $V^*$）、30_内积空间与伴随算子.md（内积、Riesz 表示、伴随算子 $T^*$）、40_谱定理SVD与极分解.md（谱定理、SVD、行列式的矩阵定义）、50_极小多项式与Jordan标准形.md（特征多项式、Cayley-Hamilton） 后继章节：70_点集拓扑.md、80_抽象代数.md、第一层（微分几何、李群、微分形式） 难度标记：⭐ 必学 · ⭐⭐ 核心 · ⭐⭐⭐ 进阶 · ⭐⭐⭐⭐ 研究级

前置自测 ⭐¶

📋 答不出 $\ge 2$ 题 $\to$ 先回前置章节复习再来。 本章从"多线性"出发构建张量积与外代数，所有推导都以线性映射、对偶空间、内积为基础工具。

编号	问题	答不出 $\to$ 回顾
1	对偶空间 $V^*$ 的元素是什么？给定 $V$ 的基 $\{e_1,\ldots,e_n\}$，对偶基 $\{e^1,\ldots,e^n\}$ 满足什么关系？	`20_向量空间` §对偶空间
2	Riesz 表示定理说了什么？它给出了 $V$ 与 $V^*$ 之间怎样的联系？	`30_内积空间` §Riesz
3	内积 $\langle u,v \rangle$ 关于每个变量分别是什么？如果固定 $u$，映射 $v \mapsto \langle u,v \rangle$ 是线性的还是共轭线性的？	`30_内积空间` §内积公理
4	行列式 $\det(A)$ 满足 $\det(AB)=\det(A)\det(B)$，但你能从排列公式直接看出这一点吗？觉得困难的话，本章会给出一行证明。	`40_谱定理SVD` + 本章 §6
5	什么是线性映射的像（range）和核（kernel）？如果 $\{v_1,\ldots,v_k\}$ 线性无关，$T$ 的限制在这组向量上一定是单射吗？	`20_向量空间` §线性映射

自测答案要点（先自己想，再对照）：

$V^*=L(V,F)$ 是所有线性泛函构成的空间；对偶基满足 $e^i(e_j)=\delta^i_j$（Kronecker $\delta$）。
Riesz 表示定理说每个线性泛函 $\varphi \in V^*$ 唯一地表示为 $\varphi(\cdot)=\langle u,\cdot \rangle$，从而给出共轭线性同构 $V \cong V^*$。
内积关于第一变量线性，第二变量共轭线性（本课程约定）。固定 $u$ 时，$v \mapsto \langle u,v \rangle$ 是共轭线性的（实数域退化为线性）。
从排列公式 $\det(A)=\sum_\sigma \operatorname{sgn}(\sigma)\prod_i a_{i,\sigma(i)}$ 直接推导乘法性需要冗长的组合论证。本章用外代数一行完成。
像 $\operatorname{range}(T)=\{Tv:v\in V\}$，核 $\ker(T)=\{v:Tv=0\}$。$T$ 限制在线性无关组上不一定是单射——这组向量可能部分在核中。

本章目标 ⭐¶

学完本章后，你应该能够：

**定义多线性映射**并区分它与线性映射的本质差异，解释为什么行列式、叉积、惯性张量都是多线性对象。
从泛性质出发构造张量积 $V \otimes W$，完成从自由向量空间到商空间的完整推导，并证明 $\dim(V \otimes W) = \dim V \cdot \dim W$。
区分简单张量与一般张量，解释为什么"并非所有张量都可分解"以及这与量子纠缠的联系。
构建外代数 $\Lambda(V)$ 并推导楔积的基本性质，包括分级反交换律 $\alpha \wedge \beta = (-1)^{pq}\beta \wedge \alpha$。
用外代数给出行列式的无坐标定义，并一行证明乘法性 $\det(AB)=\det(A)\det(B)$。
**推导 Hodge 星算子**并解释叉积 $u \times v = *(u \wedge v)$ 为何是三维空间的偶然现象。
掌握指标记号与 Einstein 求和约定，理解协变与逆变的区别以及度量张量的升降指标机制。
**认识 Clifford 代数**与四元数的联系，理解 $\operatorname{Spin}(3) \cong SU(2)$ 对 $SO(3)$ 的双重覆盖。

本章知识导航 ⭐¶

本章是高等线性代数（A2 模块）的收官之作。前四章（A2a--A2d）把"单线性"代数做到了极致：向量空间、对偶、内积、谱、Jordan 标准形。本章的分水岭是从线性跳到多线性——处理两个以上向量同时输入的对象。行列式、叉积、惯性张量、质量矩阵、刚体动能——这些机器人学的日用品全部是多线性的。

本章交付三件事：

补全行列式的黑箱：前章（A2c/A2d）使用行列式定义特征多项式和 SVD，但行列式本身依赖坐标。本章用外代数 $\Lambda^n$ 给出无坐标定义。
把"张量"从物理符号提升为严格数学对象：张量积的泛性质让多线性映射获得统一的代数框架。
为后续微分形式与李代数铺设纯代数脚手架：第一层的微分形式 $\Omega^k(M)$、Lie 括号 $[\cdot,\cdot]$、联络 $\nabla$ 都是本章工具的流形版本。

═══ 第一部分：多线性映射与双线性型 (§1–§2) ═══
§1 多线性映射 ──→ §2 双线性型与 Sylvester 惯性律
                        │
═══ 第二部分：张量积 (§3–§5) ═══
§3 张量积 V⊗W（泛性质与构造）──→ §4 线性映射的张量积 ──→ §5 迭代张量积
                                                               │
═══ 第三部分：对称与反对称 (§6–§7) ═══                         │
§6 对称与反对称张量 ←─────────────────────────────────────────┘
    │
    └──→ §7 张量代数 T(V)
              │
═══ 第四部分：外代数与楔积 (§8–§10) ═══
§8 楔积定义 ──→ §9 外代数 Λ(V) ──→ §10 基与维数
                                       │
═══ 第五部分：行列式的无坐标理论 (§11–§14) ═══
§11 行列式 = Λⁿ 上的标量 ──→ §12 行列式性质 ──→ §13 体积与定向
    │                                                │
    └──→ §14 余因子矩阵与 Cramer 法则                │
                                                     │
═══ 第六部分：楔积的几何应用 (§15–§17) ═══          │
§15 叉积 = *(u∧v) ←────────────────────────────────┘
    │
    └──→ §16 内积算子 ι_v ──→ §17 Hodge 星算子

═══ 第七部分：指标语言与张量分析 (§18–§20) ═══
§18 Einstein 求和 ──→ §19 度量张量与升降指标 ──→ §20 张量缩并与迹

═══ 第八部分：进阶代数 (§21–§22) ═══
§21 对称代数 S(V) ──→ §22 Clifford 代数与 Spin 群

推荐阅读路径：

首次精读（主干）：§1 $\to$ §2 $\to$ §3 $\to$ §5 $\to$ §6 $\to$ §8 $\to$ §10 $\to$ §11 $\to$ §12 $\to$ §15 $\to$ §17 $\to$ §18 $\to$ §19。这条线串起"多线性 $\to$ 张量积 $\to$ 外代数 $\to$ 行列式 $\to$ Hodge 星 $\to$ 指标语言"。
进阶补全（二读）：§4（Kronecker 积）、§7（张量代数）、§13--§14（体积/Cramer）、§16（内积算子）、§20（缩并与迹）、§21--§22（Clifford 代数）。
速查回头：遇到微分形式回来看 §8--§10；遇到指标记号回来看 §18--§19；遇到四元数回来看 §22。

前置知识桥接 ⭐¶

本章把前四章的工具从"单线性"升级到"多线性"。在深入之前，先重新激活三个关键概念：

回顾 20_向量空间与线性变换.md：对偶空间 $V^*$。 对偶空间 $V^*=L(V,F)$ 是所有线性泛函构成的空间。给定 $V$ 的基 $\{e_1,\ldots,e_n\}$，对偶基 $\{e^1,\ldots,e^n\}$ 满足 $e^i(e_j)=\delta^i_j$。在那里我们用对偶空间分析了零化子和维数公式。本章我们需要对偶空间的两个新角色：(1) 张量积 $V^* \otimes W \cong \operatorname{Hom}(V,W)$ 把线性映射空间统一到张量框架；(2) 外幂 $\Lambda^k(V^*)$ 成为微分 $k$-形式的代数模型。

回顾 30_内积空间与伴随算子.md：内积与 Riesz 表示。 内积 $\langle\cdot,\cdot\rangle$ 是正定对称（实）或 Hermite（复）双线性型。Riesz 表示定理给出共轭线性同构 $V \cong V^*$。本章将这个故事推广到两个方向：(1) 把"双线性"本身作为研究对象（§1--§2），而不只是工具；(2) 把 Riesz 同构用指标语言重述为"音乐同构" $\flat$ 和 $\sharp$（§19）。

回顾 40_谱定理SVD与极分解.md：行列式。 在那里行列式 $\det(A)$ 通过排列公式 $\det(A)=\sum_\sigma \operatorname{sgn}(\sigma)\prod_i a_{i,\sigma(i)}$ 定义——依赖于坐标选择。我们用行列式定义了特征多项式、证明了 $\det(AB)=\det(A)\det(B)$（虽然证明并不优雅）。本章将给出行列式的真正定义：它是 $\Lambda^n(T)$ 在一维空间 $\Lambda^n(V)$ 上的作用标量，不依赖任何基的选择，乘法性是函子性的直接推论。

如果跳过本章会怎样 ⭐¶

不学本章，后续会在以下三个具体场景中卡住：

场景一：微分形式变成天书。 第一层（微分几何）的微分形式 $\omega \in \Omega^k(M)$ 是外代数丛 $\Lambda^k(T^*M)$ 的截面。如果你不理解楔积 $\wedge$、分级反交换律、Hodge 星 $*$，那么 Stokes 定理、de Rham 上同调、Cartan 魔法公式都无从入手。
场景二：张量的上下标让你彻底迷路。 机器人动力学和广义相对论中遍布 $T^{ij}_{\ \ k}$、$g_{ij}$、$\Gamma^i_{jk}$ 这样的指标表达式。不理解协变/逆变、Einstein 求和、升降指标，你只能机械地记忆公式而无法理解"为什么一个指标在上面、另一个在下面"。
场景三：不知道行列式到底是什么。 前几章用排列公式定义行列式，但那只是计算工具，不是概念本质。本章揭示行列式的真正身份：它是线性映射在最高外幂上的作用——一个关于体积和定向的几何量。不理解这一点，你就无法明白为什么 $\det(R)=+1$ 定义了"保持定向"的旋转。

预计阅读时间 ⭐¶

阅读方式	时间	适合谁
精读（含推导与练习）	12--16 小时	需要深入理解张量积和外代数的读者
速读（跳过进阶证明）	6--8 小时	有抽象代数基础的读者
速查（只看定义、定理和速查表）	30--45 分钟	遇到具体问题时回来查

第一部分：多线性映射与双线性型¶

§1 多线性映射 ⭐⭐¶

§1.1 动机：为什么线性不够用¶

前四章的所有对象——线性映射 $T:V \to W$、对偶空间 $V^*$、伴随 $T^*$——都是关于单个向量的线性函数。但机器人学中大量的核心对象同时依赖**两个或更多**向量，并且对每个变量分别线性：

内积 $\langle u,v \rangle$：固定 $u$ 对 $v$ 线性，固定 $v$ 对 $u$ 线性（即双线性），它把两个向量压缩成一个标量。
叉积 $u \times v$：固定 $u$ 对 $v$ 线性，固定 $v$ 对 $u$ 线性，它把两个三维向量变成另一个三维向量。
行列式 $\det(v_1,\ldots,v_n)$：把 $n$ 个向量映射为一个标量，对每个 $v_i$ 分别线性。
动能 $T = \frac{1}{2}\dot{q}^\top M(q)\dot{q}$：关于 $\dot{q}$ 是二次的——它是双线性型 $B(\dot{q}_1,\dot{q}_2) = \dot{q}_1^\top M(q)\dot{q}_2$ 的对角值 $B(\dot{q},\dot{q})$。

这些对象有一个共同特征：它们不是"整体线性"的。例如 $\det(cv_1,v_2,\ldots,v_n) = c\det(v_1,v_2,\ldots,v_n)$（对第一个变量齐次），但 $\det(v_1+v_1',v_2,\ldots,v_n) = \det(v_1,v_2,\ldots,v_n) + \det(v_1',v_2,\ldots,v_n)$（对第一个变量可加）——它对**每个变量分别**线性，而不是对所有变量的"组合"线性。

本质洞察：从线性到多线性，不是简单的"推广"，而是质的飞跃。线性映射 $T(cv+w)=cT(v)+T(w)$ 只涉及一个输入。多线性映射涉及多个输入之间的**耦合**——正是这种耦合产生了行列式（体积）、楔积（定向面积）、张量（多方向信息），这些都是单线性映射无法表达的几何量。

§1.2 多线性映射的定义¶

定义（多线性映射，Multilinear Map）：设 $V_1, V_2, \ldots, V_k, W$ 是域 $F$ 上的向量空间。映射

\[ f: V_1 \times V_2 \times \cdots \times V_k \to W \]

称为**$k$-线性映射**（$k$-linear map，或多线性映射），如果对每个 $i \in \{1,\ldots,k\}$，固定其他所有变量时，$f$ 关于第 $i$ 个变量是线性的。即对所有 $v_j \in V_j$（$j \neq i$）、$v_i, v_i' \in V_i$、$c \in F$：

\[ f(v_1, \ldots, v_i + v_i', \ldots, v_k) = f(v_1, \ldots, v_i, \ldots, v_k) + f(v_1, \ldots, v_i', \ldots, v_k) \]

\[ f(v_1, \ldots, cv_i, \ldots, v_k) = c \cdot f(v_1, \ldots, v_i, \ldots, v_k) \]

$k=2$ 时称**双线性**（bilinear），$k=3$ 时称**三线性**（trilinear），等等。

阶段小结：多线性映射是对每个输入槽分别线性的映射。它不是 $V_1 \oplus \cdots \oplus V_k \to W$ 的线性映射——后者只要求整体线性，前者要求逐槽线性，条件严格得多。

§1.3 多线性映射与线性映射的本质区别¶

这个区别值得展开讨论，因为初学者经常混淆。考虑 $f: V \times W \to U$ 双线性与 $g: V \oplus W \to U$ 线性：

线性映射 $g$ 满足 $g(c_1 v_1 + c_2 v_2, c_3 w_1 + c_4 w_2) = c_1 g(v_1,0) + c_2 g(v_2,0) + c_3 g(0,w_1) + c_4 g(0,w_2)$。它是"各分量独立贡献"的。
双线性映射 $f$ 满足 $f(c_1 v_1 + c_2 v_2, c_3 w_1 + c_4 w_2) = c_1 c_3 f(v_1,w_1) + c_1 c_4 f(v_1,w_2) + c_2 c_3 f(v_2,w_1) + c_2 c_4 f(v_2,w_2)$。注意**交叉项**的出现——这就是"耦合"。

类比：线性映射像加法，双线性映射像乘法。$a(x+y) = ax + ay$（线性），但 $(a+b)(x+y) = ax + ay + bx + by$（双线性展开出交叉项）。这个类比的边界在于：双线性映射的"乘法"不需要交换，也不需要结合，它只保证分别对每个因子线性。

§1.4 多线性映射空间¶

所有 $k$-线性映射 $V_1 \times \cdots \times V_k \to W$ 构成一个向量空间，记为 $\operatorname{Mult}(V_1,\ldots,V_k;W)$。加法和数乘逐点定义：

\[ (f+g)(v_1,\ldots,v_k) = f(v_1,\ldots,v_k) + g(v_1,\ldots,v_k) \]

\[ (cf)(v_1,\ldots,v_k) = c \cdot f(v_1,\ldots,v_k) \]

维数：选定各 $V_i$ 的基 $\{e^{(i)}_{j_i}\}$，一个 $k$-线性映射由其在所有基元素组上的值 $f(e^{(1)}_{j_1},\ldots,e^{(k)}_{j_k})$ 完全确定。因此

\[ \dim \operatorname{Mult}(V_1,\ldots,V_k;W) = (\dim V_1) \cdots (\dim V_k) \cdot \dim W \]

特别地，$\dim \operatorname{Mult}(V_1,\ldots,V_k;F) = \prod_{i=1}^k \dim V_i$。

§1.5 经典例子¶

例 1：点积（对称双线性型）。 标准内积 $\langle u,v \rangle = \sum_{i=1}^n u_i v_i$ 是 $\mathbb{R}^n \times \mathbb{R}^n \to \mathbb{R}$ 的双线性映射，且满足对称性 $\langle u,v \rangle = \langle v,u \rangle$。

例 2：叉积（反对称双线性映射）。 $u \times v: \mathbb{R}^3 \times \mathbb{R}^3 \to \mathbb{R}^3$ 满足 $u \times v = -(v \times u)$，因此是反对称的。它对每个变量线性，但结果不是标量而是向量。

例 3：行列式（$n$-重反对称多线性型）。 $\det: \underbrace{F^n \times \cdots \times F^n}_{n} \to F$ 是 $n$-线性且完全反对称的——交换任意两个输入，结果变号。

例 4：Curry 化同构。 存在自然同构

\[ \operatorname{Mult}(V,W;U) \cong \operatorname{Hom}(V, \operatorname{Hom}(W,U)) \]

将双线性映射 $f: V \times W \to U$ 与"返回线性映射的线性映射" $\hat{f}: V \to \operatorname{Hom}(W,U)$ 对应，其中 $\hat{f}(v)(w) = f(v,w)$。这是函数式编程中 Curry 化的数学原型，也是 §3 张量积泛性质的预演。

§1.6 机器人学中的多线性对象¶

机器人学中到处隐藏着多线性映射：

对象	类型	多线性性质
内积 $\langle u,v \rangle$	双线性 $V \times V \to \mathbb{R}$	对称
叉积 $u \times v$	双线性 $\mathbb{R}^3 \times \mathbb{R}^3 \to \mathbb{R}^3$	反对称
行列式 $\det(v_1,\ldots,v_n)$	$n$-线性 $(F^n)^n \to F$	完全反对称
质量矩阵 $\dot{q}^\top M(q)\dot{q}$	双线性型 $T_qQ \times T_qQ \to \mathbb{R}$	对称正定
Yoshikawa 可操作度 $\sqrt{\det(JJ^\top)}$	通过 $\Lambda^n$ 的合成	由 $n$-线性行列式诱导

应用视角：Jacobian $J$ 本身是线性映射 $J: T_qQ \to T_xM$，但"可操作性椭球体积" $\sqrt{\det(JJ^\top)}$ 把 $J$ 的列通过 $n$-线性的 $\Lambda^n$ 压成标量——这是 Yoshikawa 可操作度的多线性本质。

⚠️ 常见陷阱¶

💡 概念误区 1：混淆"多线性"与"线性" 新手想法：双线性映射 $f: V \times W \to U$ 就是 $V \oplus W \to U$ 的线性映射。 实际上：两者维数就不同。$\dim \operatorname{Hom}(V \oplus W, U) = (\dim V + \dim W)\dim U$，而 $\dim \operatorname{Mult}(V,W;U) = (\dim V)(\dim W)\dim U$。维数的"加法"变成了"乘法"——这正是张量积的代数本质。 正确理解：多线性是比线性更强的条件。直和上的线性是"分量独立"，乘积上的多线性是"分量耦合"。

🧠 思维陷阱 1：以为多线性映射可以像线性映射一样"提取公因子" 新手想法：$f(u+v, w) = f(u,w) + f(v,w)$，所以 $f(cu, cv) = c^2 f(u,v)$？ 实际上：确实如此！$f(cu,cv) = c f(u,cv) = c \cdot c f(u,v) = c^2 f(u,v)$。这不是错误，但要注意 $f(cu+dv, w) = cf(u,w) + df(v,w)$，而**不是** $(c+d)f(u+v,w)/2$ 之类的错误简化。多线性映射的齐次性是**逐变量**的。

§1.7 多线性映射与线性映射的维数对比¶

为了加深理解，我们把两种空间的维数放在一起比较：

空间	维数	公式性质
$\operatorname{Hom}(V \oplus W, U)$	$(\dim V + \dim W) \cdot \dim U$	加法
$\operatorname{Mult}(V, W; U)$	$(\dim V) \cdot (\dim W) \cdot \dim U$	乘法

维数从"加法"变成"乘法"——这是多线性映射的核心数学特征。张量积（§3）的维数公式 $\dim(V \otimes W) = \dim V \cdot \dim W$ 正是这个"乘法"的体现。

考虑一个具体的数值例子。设 $V = \mathbb{R}^3$, $W = \mathbb{R}^2$, $U = \mathbb{R}$。则：

线性映射 $V \oplus W \to U$ 的空间维数 $= (3+2) \cdot 1 = 5$
双线性映射 $V \times W \to U$ 的空间维数 $= 3 \cdot 2 \cdot 1 = 6$

5 vs 6——维数不同，两者当然不可能等同！双线性映射空间"更大"是因为它包含了两个输入之间的耦合信息。

如果不引入多线性映射会怎样？ 我们只能在 $V \oplus W$ 上做线性运算，那么两个输入的耦合信息（如 $v_1 w_2 - v_2 w_1$ 这种"交叉项"）将无法被表达。行列式、叉积、动能——所有这些涉及变量耦合的量都将失去统一的代数框架。

练习¶

（推导题） 证明：如果 $f: V \times W \to U$ 是双线性映射，且 $f(v,w)=0$ 对所有 $w \in W$ 成立，则 $v=0$ 或 $f$ 不是非退化的。给出"非退化双线性映射"的精确定义。
（开放思考题） 三线性映射 $f: V \times V \times V \to F$ 的"对称"和"反对称"该如何定义？有多少种不同的对称类型？（提示：对称群 $S_3$ 的不可约表示。）
（推导题） 验证 Curry 化同构 $\operatorname{Mult}(V,W;U) \cong \operatorname{Hom}(V, \operatorname{Hom}(W,U))$：写出两个方向的映射并验证它们互逆。（在草稿纸上完成。）

§2 双线性型与 Sylvester 惯性律 ⭐⭐¶

§2.1 动机：从内积到一般双线性型¶

30_内积空间与伴随算子.md 中我们定义了**正定对称双线性型**（即内积）。但物理和工程中大量出现不正定的双线性型：

Minkowski 度量 $\eta = \operatorname{diag}(-1,+1,+1,+1)$ 是 Lorentz 空间的双线性型，签名 $(1,3)$，不正定。
辛形式 $\omega(u,v) = u^\top J v$（$J = \begin{pmatrix} 0 & I \\ -I & 0 \end{pmatrix}$）是反对称非退化双线性型，在 Hamilton 力学中无处不在。
二次型 $Q(v) = v^\top A v$ 出现在优化的二阶条件（Hessian）、Lyapunov 稳定性分析中。

如果只研究正定内积，我们会错过这些重要对象。本节把双线性型从正定的特例推广到一般情形。

§2.2 双线性型的定义与矩阵表示¶

定义：域 $F$ 上向量空间 $V$ 上的**双线性型**（bilinear form）是双线性映射 $B: V \times V \to F$。

给定 $V$ 的基 $\{e_1,\ldots,e_n\}$，$B$ 由矩阵 $M = (m_{ij})$ 表示：

\[ B(u,v) = u^\top M v, \quad m_{ij} = B(e_i, e_j) \]

基变换：若新基 $\{\tilde{e}_j\}$ 满足 $\tilde{e}_j = \sum_i P_{ij} e_i$（即基变换矩阵为 $P$），则

\[ \tilde{M} = P^\top M P \]

这称为**合同变换**（congruence）。注意与相似变换 $P^{-1}MP$ 的区别：

变换类型	公式	保持不变的	何时出现
相似	$P^{-1}MP$	特征值、迹、行列式	线性映射 $T$ 在不同基下的矩阵
合同	$P^\top MP$	签名（正/负/零特征值个数）	双线性型 $B$ 在不同基下的矩阵

本质洞察：相似变换和合同变换的区别反映了线性映射与双线性型的根本差异。线性映射 $T: V \to V$ 吃一个向量吐一个向量，基变换时输入和输出各变换一次（$P^{-1}$ 和 $P$）。双线性型 $B: V \times V \to F$ 吃两个向量吐一个标量，基变换时两个输入各变换一次（$P^\top$ 和 $P$）。

§2.3 对称型、反对称型、非退化性¶

对称双线性型：$B(u,v) = B(v,u)$，等价于矩阵 $M$ 对称（$M = M^\top$）。

反对称双线性型（又称斜对称）：$B(u,v) = -B(v,u)$，等价于矩阵 $M$ 反对称（$M = -M^\top$）。在 $\operatorname{char}(F) \neq 2$ 时，$B(v,v) = -B(v,v) = 0$。

非退化：$B$ 称为非退化的，若 $B(v,w)=0$ 对所有 $w$ 成立蕴含 $v=0$。等价地，诱导的线性映射

\[ \hat{B}: V \to V^*, \quad \hat{B}(v)(w) = B(v,w) \]

是同构。再等价地，矩阵 $M$ 可逆（$\det M \neq 0$）。

回顾 30_内积空间：Riesz 表示定理说的正是"内积诱导的 $\hat{B}: V \to V^*$ 是（共轭线性）同构"。因此**内积 = 正定对称非退化双线性型**——它是双线性型中非常特殊的一类。

§2.4 对称型的对角化¶

定理：设 $F$ 的特征 $\operatorname{char}(F) \neq 2$，$B$ 为 $V$ 上对称双线性型。则存在 $V$ 的基 $\{f_1,\ldots,f_n\}$，使得

\[ B(f_i, f_j) = 0 \quad (i \neq j) \]

即 $B$ 在此基下的矩阵为对角阵 $\operatorname{diag}(d_1,\ldots,d_n)$。

证明思路：如果存在 $v$ 使 $B(v,v) \neq 0$，取 $f_1 = v$，对 $\{f_1\}^\perp$（相对于 $B$）做归纳。如果所有 $B(v,v)=0$，则由极化恒等式 $B(u+v,u+v) - B(u,u) - B(v,v) = 2B(u,v)$ 知 $B=0$（需要 $\operatorname{char} \neq 2$）。

在 $\mathbb{R}$ 上，每个非零对角元素可以通过缩放变为 $\pm 1$（取 $f_i' = f_i/\sqrt{|d_i|}$），得到标准形 $\operatorname{diag}(\underbrace{+1,\ldots,+1}_{p},\underbrace{-1,\ldots,-1}_{q},\underbrace{0,\ldots,0}_{z})$。

§2.5 Sylvester 惯性律¶

定理（Sylvester 惯性律，Sylvester's Law of Inertia, 1852）：实对称双线性型的签名 $(p,q,z)$（正、负、零对角元素的个数）是基变换不变量。

证明：设两组对角化分别给出 $p$ 个正元素和 $p'$ 个正元素，不妨设 $p > p'$。令 $V_+$ 为第一组对角化中 $B$ 正定的 $p$ 维子空间，$V'_{\le 0}$ 为第二组中 $B \le 0$ 的 $(q'+z')$ 维子空间。则

\[ \dim V_+ + \dim V'_{\le 0} = p + (q'+z') = p + (n-p') > n \]

因此 $V_+ \cap V'_{\le 0} \neq \{0\}$。取非零 $v \in V_+ \cap V'_{\le 0}$，则 $B(v,v) > 0$（因为 $v \in V_+$）且 $B(v,v) \le 0$（因为 $v \in V'_{\le 0}$），矛盾。

阶段小结：签名 $(p,q,z)$ 是合同变换下的完整不变量——两个实对称双线性型合同当且仅当它们签名相同。秩 $= p+q$，零度 $= z$。

§2.6 二次型与极化恒等式¶

给定对称双线性型 $B$，对应的**二次型**为 $Q(v) = B(v,v)$。反过来，$B$ 可以从 $Q$ 通过**极化恒等式**恢复：

\[ B(u,v) = \frac{1}{2}[Q(u+v) - Q(u) - Q(v)] \]

因此在 $\operatorname{char}(F) \neq 2$ 时，对称双线性型与二次型是等价的。

正定性判则（Sylvester 判据）：对称矩阵 $M$ 正定 $\iff$ 所有顺序主子式（leading principal minors）$> 0$：

\[ m_{11} > 0, \quad \begin{vmatrix} m_{11} & m_{12} \\ m_{21} & m_{22} \end{vmatrix} > 0, \quad \ldots, \quad \det(M) > 0 \]

§2.7 机器人学中的双线性型¶

质量矩阵是正定对称双线性型。 机器人的动能

\[ T = \frac{1}{2}\dot{q}^\top M(q)\dot{q} \]

其中 $M(q)$ 是正定对称矩阵。从抽象角度看，$M(q)$ 在每个配置 $q$ 处定义了切空间 $T_qQ$ 上的正定对称双线性型——这正是 Riemann 度量。签名 $(n,0,0)$ 对应物理合理性（动能非负，只在静止时为零）。

Minkowski 度量的签名。 在狭义相对论中，时空度量 $\eta = \operatorname{diag}(-1,+1,+1,+1)$ 的签名是 $(3,1,0)$（或 $(1,3,0)$，取决于约定）。光锥上 $\eta(v,v)=0$ 的向量对应光速运动。

⚠️ 常见陷阱¶

💡 概念误区 2：混淆"合同"与"相似" 新手想法：$P^\top M P$ 和 $P^{-1}MP$ 差不多，反正基变换嘛。 实际上：相似保特征值，合同保签名——这是两个完全不同的不变量。例如 $\operatorname{diag}(1,4)$ 相似于 $\operatorname{diag}(1,4)$（特征值 $1,4$），但合同于 $\operatorname{diag}(1,1)$（签名 $(2,0)$）。 根本原因：相似变换对应"同一个线性映射换基"，合同变换对应"同一个双线性型换基"。两者的几何意义完全不同。

🧠 思维陷阱 2：以为所有对称双线性型都可以"找到正交基" 新手想法：谱定理说对称矩阵可以正交对角化，所以对称双线性型也行。 实际上：谱定理需要**内积**（正交性依赖内积定义），对称双线性型的对角化**不需要正交性**——只需要找到一组基使矩阵对角。当 $B$ 本身不正定时，"相对于 $B$ 的正交"可能不是通常意义的正交。

§2.8 反对称双线性型与辛形式¶

前面讨论了对称双线性型。现在简要提及另一大类——反对称型。

辛形式（symplectic form）：设 $V$ 为偶数维（$\dim V = 2n$），$\omega: V \times V \to F$ 是非退化的反对称双线性型。则存在基 $\{e_1,\ldots,e_n,f_1,\ldots,f_n\}$ 使得

\[ \omega(e_i, f_j) = \delta_{ij}, \quad \omega(e_i, e_j) = 0, \quad \omega(f_i, f_j) = 0 \]

矩阵形式为 $J = \begin{pmatrix} 0 & I_n \\ -I_n & 0 \end{pmatrix}$。这在 Hamilton 力学中至关重要——相空间 $T^*Q$ 天然带有辛结构，Hamilton 方程 $\dot{z} = J \nabla H(z)$ 中的 $J$ 正是辛矩阵。

双线性型类型	对称性	标准形	物理应用
正定对称	$B(u,v)=B(v,u)$, $B(v,v)>0$	$I_n$	动能、Riemann 度量
不定对称	$B(u,v)=B(v,u)$	$\operatorname{diag}(\pm 1)$	Minkowski 度量
非退化反对称	$B(u,v)=-B(v,u)$	$J$	辛形式、Hamilton 力学

这三种类型覆盖了物理和工程中几乎所有重要的双线性型。对称型用 Sylvester 惯性律分类（签名），反对称型用辛标准形分类（维数）。

练习¶

（推导题） 设 $B$ 是 $\mathbb{R}^3$ 上矩阵为 $M = \begin{pmatrix} 1 & 2 & 0 \\ 2 & 1 & 0 \\ 0 & 0 & -3 \end{pmatrix}$ 的对称双线性型。求 $B$ 的签名 $(p,q,z)$。在草稿纸上完成对角化。
（证明题） 证明：反对称双线性型 $B(u,v)=-B(v,u)$ 的矩阵在 $\operatorname{char}(F) \neq 2$ 时秩必为偶数。（提示：反对称矩阵的特征值成对出现。）
（开放思考题） 为什么辛形式要求 $\dim V$ 为偶数？如果 $\dim V$ 是奇数，非退化反对称双线性型存在吗？

第二部分：张量积¶

§3 张量积 $V \otimes W$：泛性质与构造 ⭐⭐¶

§3.1 动机：让多线性"变成"线性¶

§1 告诉我们多线性映射是重要的。但线性代数的全部工具——基、维数、秩-零度定理、特征值——都是为**线性映射**准备的。如果能把多线性映射"翻译"成线性映射，我们就能复用整套线性代数工具。

张量积 $V \otimes W$ 正是实现这个翻译的"万能适配器"。核心思想是：

\[ \text{双线性映射 } V \times W \to U \quad \longleftrightarrow \quad \text{线性映射 } V \otimes W \to U \]

左边的对象（双线性）是"困难"的，右边的对象（线性）有全套工具可用。张量积 $V \otimes W$ 是一个新的向量空间，它"吸收"了双线性性，使得后续只需处理线性映射。

类比：这就像对数把"乘法"变成"加法"——$\log(ab) = \log a + \log b$。张量积把"双线性"变成"线性"。像的部分：两者都是"改变运算类型的转换器"。不像的部分：对数是实数上的标量函数，张量积是向量空间层面的构造；对数是可逆的，张量积的映射 $\otimes: V \times W \to V \otimes W$ 不是同构（维数不同）。

§3.2 泛性质（Universal Mapping Property）¶

定义（张量积的泛性质）：向量空间 $V$ 和 $W$ 的**张量积**是一对 $(V \otimes W, \otimes)$，其中 $V \otimes W$ 是向量空间，$\otimes: V \times W \to V \otimes W$ 是双线性映射，满足以下**泛性质**：

对任意向量空间 $U$ 和任意双线性映射 $B: V \times W \to U$，存在**唯一**的线性映射 $L: V \otimes W \to U$，使得 $B = L \circ \otimes$。

用交换图表示：

\[ \begin{array}{ccc} V \times W & \xrightarrow{\otimes} & V \otimes W \\ & \searrow^{B} & \downarrow^{\exists ! L} \\ & & U \end{array} \]

这张图必须刻进脑海。 它说的是：每个双线性映射 $B$ 都唯一地"经过" $V \otimes W$ 分解为 $\otimes$ 后接线性映射 $L$。

本质洞察：泛性质不是在说"张量积是什么"（具体构造），而是在说"张量积做什么"（任何双线性映射都能唯一线性化）。这种"由功能定义对象"的思维方式贯穿现代数学——范畴论的核心精神。

§3.3 泛性质的唯一性¶

定理：满足泛性质的 $(V \otimes W, \otimes)$ 在同构意义下唯一。

证明：设 $(T, b)$ 和 $(T', b')$ 都满足泛性质。对 $b': V \times W \to T'$（双线性），由 $(T,b)$ 的泛性质得唯一的线性 $f: T \to T'$ 使 $b' = f \circ b$。对 $b: V \times W \to T$，由 $(T',b')$ 的泛性质得唯一的线性 $g: T' \to T$ 使 $b = g \circ b'$。

则 $g \circ f: T \to T$ 满足 $b = (g \circ f) \circ b$。但 $\operatorname{id}_T$ 也满足 $b = \operatorname{id}_T \circ b$。由 $(T,b)$ 泛性质的**唯一性**，$g \circ f = \operatorname{id}_T$。同理 $f \circ g = \operatorname{id}_{T'}$。因此 $f$ 是同构。

阶段小结：泛性质既保证存在性（下面构造），又保证唯一性（刚才证明）。这是数学中"用性质定义对象"的范式——先说清楚你要的功能（泛性质），再构造一个满足它的对象，唯一性自动跟来。

§3.4 具体构造¶

存在性证明：我们需要构造一个具体的 $(V \otimes W, \otimes)$。

Step 1：自由向量空间。 对集合 $V \times W$ 取**自由向量空间** $F(V \times W)$：以 $V \times W$ 的每个元素 $(v,w)$ 为一个独立基向量 $\delta_{(v,w)}$，生成的向量空间。$F(V \times W)$ 是巨大的——每对 $(v,w)$ 都是独立的，还没有任何线性或双线性关系。

Step 2：商掉双线性关系。 定义子空间 $D \subseteq F(V \times W)$ 为以下四类元素生成的子空间：

\[ \delta_{(v+v',w)} - \delta_{(v,w)} - \delta_{(v',w)} \quad \text{（左分配律）} \]

\[ \delta_{(v,w+w')} - \delta_{(v,w)} - \delta_{(v,w')} \quad \text{（右分配律）} \]

\[ \delta_{(cv,w)} - c\,\delta_{(v,w)} \quad \text{（左齐次性）} \]

\[ \delta_{(v,cw)} - c\,\delta_{(v,w)} \quad \text{（右齐次性）} \]

Step 3：定义张量积。 令 $V \otimes W := F(V \times W) / D$，映射 $\otimes(v,w) := \delta_{(v,w)} + D$（商类），简记为 $v \otimes w$。

验证泛性质：给定双线性 $B: V \times W \to U$，定义 $\tilde{L}: F(V \times W) \to U$ 为 $\tilde{L}(\delta_{(v,w)}) = B(v,w)$ 的线性延拓。由于 $B$ 是双线性的，$\tilde{L}$ 在 $D$ 上为零（例如 $\tilde{L}(\delta_{(v+v',w)} - \delta_{(v,w)} - \delta_{(v',w)}) = B(v+v',w) - B(v,w) - B(v',w) = 0$）。因此 $\tilde{L}$ 因子分解为 $L: V \otimes W \to U$。唯一性：$L$ 在生成元 $v \otimes w$ 上的值被 $B$ 完全确定，所以 $L$ 唯一。

§3.5 维数定理¶

定理：$\dim(V \otimes W) = \dim V \cdot \dim W$。若 $\{e_1,\ldots,e_m\}$ 是 $V$ 的基，$\{f_1,\ldots,f_n\}$ 是 $W$ 的基，则 $\{e_i \otimes f_j : 1 \le i \le m,\ 1 \le j \le n\}$ 是 $V \otimes W$ 的基。

证明：

张成性：任意 $v \otimes w = (\sum_i a_i e_i) \otimes (\sum_j b_j f_j) = \sum_{i,j} a_i b_j (e_i \otimes f_j)$（利用双线性性）。由于简单张量张成 $V \otimes W$（由构造），而简单张量可以用 $\{e_i \otimes f_j\}$ 线性表示，所以 $\{e_i \otimes f_j\}$ 张成 $V \otimes W$。

线性无关（这是深刻的一步）：对每对 $(k,\ell)$，构造双线性映射 $B_{k\ell}: V \times W \to F$，定义为

\[ B_{k\ell}(v,w) = e^k(v) \cdot f^\ell(w) \]

其中 $e^k, f^\ell$ 是对偶基。由泛性质得唯一线性 $L_{k\ell}: V \otimes W \to F$ 满足

\[ L_{k\ell}(e_i \otimes f_j) = B_{k\ell}(e_i, f_j) = e^k(e_i) \cdot f^\ell(f_j) = \delta_{ik}\delta_{j\ell} \]

现在设 $\sum_{i,j} c_{ij}(e_i \otimes f_j) = 0$。对此等式施加 $L_{k\ell}$ 得

\[ c_{k\ell} = L_{k\ell}\Big(\sum_{i,j} c_{ij}(e_i \otimes f_j)\Big) = L_{k\ell}(0) = 0 \]

由 $(k,\ell)$ 的任意性，所有 $c_{ij} = 0$。这证明了线性无关。

Keith Conrad 格言："不知怎么办时，造一个巧妙的双线性映射，然后用泛性质把它变成线性映射。" 这个技巧在张量积理论中反复出现——泛性质不仅是定义，更是强大的证明工具。

§3.6 简单张量与一般张量¶

形如 $v \otimes w$ 的元素称为**简单张量**（simple tensor）或**可分解张量**（decomposable tensor）。一般的张量是简单张量的**有限线性组合** $\sum_i v_i \otimes w_i$。

关键事实：并非所有张量都是简单张量。 在 $\mathbb{R}^2 \otimes \mathbb{R}^2$ 中考虑

\[ \tau = e_1 \otimes e_1 + e_2 \otimes e_2 \]

如果 $\tau = v \otimes w$（可分解），则在 $V^* \otimes W \cong \operatorname{Hom}(V,W)$ 的同构下，$\tau$ 对应秩 $1$ 矩阵。但 $\tau$ 对应的矩阵是 $\begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}$（单位阵），秩为 $2$。矛盾！

类比（有边界的）：这与量子力学中的**纠缠态**完全对应。Bell 态 $\frac{1}{\sqrt{2}}(|0\rangle \otimes |0\rangle + |1\rangle \otimes |1\rangle)$ 不可分解为 $|\psi\rangle \otimes |\phi\rangle$ 的形式。像的部分：两者都是张量空间中不可分解的元素。不像的部分：量子力学中的张量积带有 Hilbert 空间结构（内积、归一化），而纯代数的张量积不需要。

§3.7 张量积的代数性质¶

在深入同构定理之前，整理张量积的基本运算性质：

交换律：$V \otimes W \cong W \otimes V$（通过 $v \otimes w \mapsto w \otimes v$），但注意这是**同构**而非恒等——$v \otimes w$ 和 $w \otimes v$ 是不同空间的元素。

分配律：$V \otimes (W_1 \oplus W_2) \cong (V \otimes W_1) \oplus (V \otimes W_2)$。这与整数的分配律 $a(b+c)=ab+ac$ 完全对应——张量积对直和的分配律是"维数乘法对维数加法"的分配。

标量张量积：$F \otimes V \cong V$（通过 $c \otimes v \mapsto cv$）。标量域 $F$ 是张量积的"乘法单位元"。

零空间：$\{0\} \otimes V = \{0\}$——与零做张量积得零。

这些性质让张量积在向量空间的范畴中扮演了"乘法"的角色，而直和 $\oplus$ 扮演"加法"。维数公式 $\dim(V \otimes W) = \dim V \cdot \dim W$ 和 $\dim(V \oplus W) = \dim V + \dim W$ 完美对应。

§3.8 同构 $V^* \otimes W \cong \operatorname{Hom}(V,W)$¶

定理：在有限维情形下，$V^* \otimes W \cong \operatorname{Hom}(V,W)$。

证明：定义双线性映射 $\Phi: V^* \times W \to \operatorname{Hom}(V,W)$，$\Phi(\varphi, w)(v) = \varphi(v) \cdot w$。由泛性质得线性映射 $\tilde{\Phi}: V^* \otimes W \to \operatorname{Hom}(V,W)$。

在基 $\{e^i \otimes f_j\}$ 上，$\tilde{\Phi}(e^i \otimes f_j)$ 是"把 $e_i$ 分量取出来乘以 $f_j$"的映射，即矩阵中第 $(j,i)$ 位为 $1$、其余为 $0$ 的线性映射。这组映射构成 $\operatorname{Hom}(V,W)$ 的基，因此 $\tilde{\Phi}$ 是同构。

简单张量 $\leftrightarrow$ 秩 $1$ 映射：$\varphi \otimes w$ 对应 $v \mapsto \varphi(v) w$，这是像为一维的线性映射（秩 $1$）。一般张量对应一般秩的映射。

⚠️ 常见陷阱¶

💡 概念误区 3：以为 $v \otimes w$ 中 $\otimes$ 只是"形式符号" 新手想法：$v \otimes w$ 就是把 $v$ 和 $w$ 并排写，没有实质内容。 实际上：$\otimes$ 蕴含了商空间的全部关系——$(v+v') \otimes w = v \otimes w + v' \otimes w$、$c(v \otimes w) = (cv) \otimes w = v \otimes (cw)$ 等。没有这些关系，$V \times W$ 的自由向量空间是无穷维的（每对 $(v,w)$ 独立）；正是商掉关系 $D$ 才使维数变为 $\dim V \cdot \dim W$。

💡 概念误区 4：以为所有张量都可分解 新手想法：$V \otimes W$ 中的元素都可以写成 $v \otimes w$。 实际上：如 §3.6 所示，$e_1 \otimes e_1 + e_2 \otimes e_2$ 不可分解。可分解张量在 $V \otimes W$ 中张成但不构成基。在 $V^* \otimes W \cong \operatorname{Hom}(V,W)$ 的视角下，可分解张量恰好是秩 $\le 1$ 的映射——它们只占全部映射的一个"薄"子集。

🧠 思维陷阱 3：以为张量积是笛卡尔积 新手想法：$V \otimes W$ 和 $V \times W$ 差不多。 实际上：$\dim(V \times W) = \dim V + \dim W$，$\dim(V \otimes W) = \dim V \cdot \dim W$。加法 vs 乘法——完全不同！$V \times W$ 的元素是"有序对" $(v,w)$，$V \otimes W$ 的元素是"线性组合" $\sum c_{ij} e_i \otimes f_j$。

练习¶

（推导题） 证明 $F \otimes V \cong V$（标量域张量上去不增加信息）。提示：考虑双线性映射 $(c,v) \mapsto cv$，用泛性质。
（证明题） 在 $\mathbb{R}^2 \otimes \mathbb{R}^2$ 中，判断 $\tau = e_1 \otimes e_2 + e_2 \otimes e_1$ 是否可分解。如果不可分解，证明之；如果可分解，找到 $v,w$ 使 $\tau = v \otimes w$。

§4 线性映射的张量积与 Kronecker 积 ⭐⭐¶

§4.1 映射的张量积¶

给定线性映射 $T: V \to V'$ 和 $S: W \to W'$，定义 $T \otimes S: V \otimes W \to V' \otimes W'$：

首先 $(v,w) \mapsto T(v) \otimes S(w)$ 是双线性映射 $V \times W \to V' \otimes W'$。由泛性质，唯一存在线性映射 $T \otimes S: V \otimes W \to V' \otimes W'$ 满足

\[ (T \otimes S)(v \otimes w) = T(v) \otimes S(w) \]

函子性：$(T' \otimes S') \circ (T \otimes S) = (T'T) \otimes (S'S)$，$\operatorname{id}_V \otimes \operatorname{id}_W = \operatorname{id}_{V \otimes W}$。这在范畴论语言中说的是 $\otimes$ 是一个**双函子**。

§4.2 矩阵表示：Kronecker 积¶

在基 $\{e_i \otimes f_j\}$ 下，$T \otimes S$ 的矩阵是**Kronecker 积** $[T] \otimes_{\mathrm{Kr}} [S]$。如果 $[T]$ 是 $m \times m$ 矩阵，$[S]$ 是 $n \times n$ 矩阵，则 Kronecker 积是 $mn \times mn$ 的分块矩阵：

\[ [T] \otimes_{\mathrm{Kr}} [S] = \begin{pmatrix} t_{11}[S] & t_{12}[S] & \cdots & t_{1m}[S] \\ t_{21}[S] & t_{22}[S] & \cdots & t_{2m}[S] \\ \vdots & \vdots & \ddots & \vdots \\ t_{m1}[S] & t_{m2}[S] & \cdots & t_{mm}[S] \end{pmatrix} \]

Kronecker 积的性质：

性质	公式	备注
迹	$\operatorname{tr}(T \otimes S) = \operatorname{tr}(T) \cdot \operatorname{tr}(S)$	迹是"乘法性的"
行列式	$\det(T \otimes S) = \det(T)^n \cdot \det(S)^m$	$m = \dim V$, $n = \dim W$
秩	$\operatorname{rank}(T \otimes S) = \operatorname{rank}(T) \cdot \operatorname{rank}(S)$	秩也是"乘法性的"
特征值	$\lambda_i(T) \cdot \mu_j(S)$ 是 $T \otimes S$ 的特征值	所有两两乘积

工程中常见的 Kronecker 积于此获得内蕴解释：它不是一个"随意定义"的矩阵运算，而是张量积在基下的坐标表示。

⚠️ 常见陷阱¶

💡 概念误区 5：Kronecker 积 $=$ 张量积 新手想法：Kronecker 积就是张量积，两个词可以互换。 实际上：Kronecker 积是张量积在**选定基之后**的矩阵表示。张量积是内蕴的（不依赖基），Kronecker 积依赖基的排序。换基后 Kronecker 积矩阵会变，但它们表示的是同一个张量积映射。

练习¶

（计算题） 计算 $A = \begin{pmatrix} 1 & 2 \\ 0 & 3 \end{pmatrix}$ 和 $B = \begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix}$ 的 Kronecker 积 $A \otimes_{\mathrm{Kr}} B$。验证 $\det(A \otimes_{\mathrm{Kr}} B) = \det(A)^2 \cdot \det(B)^2$。

§5 迭代张量积与张量空间 ⭐⭐¶

§5.1 结合律¶

定理：$(U \otimes V) \otimes W \cong U \otimes (V \otimes W) \cong U \otimes V \otimes W$（自然同构）。

这个同构**不是恒等映射**，但总是自然的（即不依赖基的选择）。在实践中，我们可以"略去括号"，直接写 $U \otimes V \otimes W$。

§5.2 张量幂¶

定义：$V^{\otimes k} = \underbrace{V \otimes \cdots \otimes V}_{k}$，$\dim V^{\otimes k} = (\dim V)^k$。

$k$-重张量等同于 $k$-线性映射的线性化。具体地，$V^{\otimes k}$ 的对偶 $(V^{\otimes k})^* \cong (V^*)^{\otimes k}$ 恰好是所有 $k$-线性型 $V^k \to F$ 构成的空间。

§5.3 对称群作用¶

翻转同构：$\tau: V \otimes W \to W \otimes V$，$v \otimes w \mapsto w \otimes v$，是自然同构（非恒等）。

在 $V^{\otimes k}$ 上，对称群 $S_k$ 通过置换因子位置给出右作用：

\[ \sigma \cdot (v_1 \otimes \cdots \otimes v_k) = v_{\sigma^{-1}(1)} \otimes \cdots \otimes v_{\sigma^{-1}(k)} \]

这个群作用是 §6 对称/反对称分解的基础。

§5.4 $(p,q)$-型张量空间¶

定义：

\[ T^p_q(V) := \underbrace{V \otimes \cdots \otimes V}_{p} \otimes \underbrace{V^* \otimes \cdots \otimes V^*}_{q} \]

$p$ 称为**逆变秩**（contravariant rank），$q$ 称为**协变秩**（covariant rank）。

$(p,q)$	对象	机器人学中的例子
$(1,0)$	向量 $v \in V$	速度 $\dot{q}$
$(0,1)$	余向量 $\varphi \in V^*$	力/力矩 $\tau$
$(1,1)$	线性映射 $T \in \operatorname{Hom}(V,V)$	Jacobian $J$
$(0,2)$	双线性型 $B: V \times V \to F$	质量矩阵 $M(q)$, 度量 $g$
$(2,0)$	$V \otimes V$ 中的元素	逆度量 $g^{-1}$

本质洞察：机器人学和物理学中所有的"张量"都是 $T^p_q(V)$ 的元素——这不是一个比喻，而是精确的数学陈述。当物理学家说"惯性张量是二阶张量"时，他们的意思是 $I \in T^0_2(V)$（或 $T^2_0(V)$，取决于升降指标约定）。

⚠️ 常见陷阱¶

🧠 思维陷阱 4：混淆"逆变"与"协变" 新手想法："上指标"和"下指标"只是书写习惯。 实际上：逆变分量（上指标）在基变换时与基**反向**变换（$\tilde{v}^i = (P^{-1})^i_{\ j} v^j$），协变分量（下指标）与基**同向**变换（$\tilde{\alpha}_i = P^j_{\ i} \alpha_j$）。混淆二者会导致坐标变换出错。§18 将详细展开。

练习¶

（推导题） 证明 $(V \otimes W)^* \cong V^* \otimes W^*$（有限维情形）。提示：两边维数相同，构造自然映射并验证它是同构。
（开放思考题） 如果 $V$ 是无穷维的，$(V \otimes W)^* \cong V^* \otimes W^*$ 还成立吗？哪一步会失败？

第三部分：对称与反对称张量¶

§6 对称与反对称张量 ⭐⭐¶

§6.1 对称化与反对称化算子¶

$V^{\otimes k}$ 上的对称群 $S_k$ 作用允许我们定义两个投影算子：

对称化算子：

\[ \operatorname{Sym} = \frac{1}{k!}\sum_{\sigma \in S_k} \sigma \]

反对称化（交替）算子：

\[ \operatorname{Alt} = \frac{1}{k!}\sum_{\sigma \in S_k} \operatorname{sgn}(\sigma) \cdot \sigma \]

在 $\operatorname{char}(F) = 0$（或 $\operatorname{char}(F) \nmid k!$）时，$\operatorname{Sym}$ 和 $\operatorname{Alt}$ 都是**幂等的**（$\operatorname{Sym}^2 = \operatorname{Sym}$），即它们是投影算子。

$k=2$ 的例子：对 $v \otimes w \in V^{\otimes 2}$：

\[ \operatorname{Sym}(v \otimes w) = \frac{1}{2}(v \otimes w + w \otimes v) \]

\[ \operatorname{Alt}(v \otimes w) = \frac{1}{2}(v \otimes w - w \otimes v) \]

任意 $\tau \in V^{\otimes 2}$ 都可以分解为 $\tau = \operatorname{Sym}(\tau) + \operatorname{Alt}(\tau)$——这是 $k=2$ 时的**对称-反对称分解**。

§6.2 对称张量空间与反对称张量空间¶

\[ \operatorname{Sym}^k(V) := \operatorname{Im}(\operatorname{Sym}) \subseteq V^{\otimes k} \]

\[ \Lambda^k(V) := \operatorname{Im}(\operatorname{Alt}) \subseteq V^{\otimes k} \]

维数公式：

\[ \dim \operatorname{Sym}^k(V) = \binom{n+k-1}{k} \quad \text{（组合重复）} \]

\[ \dim \Lambda^k(V) = \binom{n}{k} \quad \text{（组合无重复）} \]

其中 $n = \dim V$。

$k$	$\dim \operatorname{Sym}^k(\mathbb{R}^3)$	$\dim \Lambda^k(\mathbb{R}^3)$
0	1	1
1	3	3
2	6	3
3	10	1
4	15	0

注意 $\Lambda^k(V) = 0$ 当 $k > n$——这与 $\operatorname{Sym}^k(V)$ 永远非零形成对比。直觉上，反对称性强制不同因子"占据不同位置"（类似 Pauli 不相容原理），所以 $k$ 不能超过空间维数 $n$。

§6.3 物理意义¶

对称张量：应力张量 $\sigma_{ij} = \sigma_{ji}$（角动量守恒）、惯性张量 $I_{ij} = I_{ji}$（定义对称）、质量矩阵 $M_{ij}(q) = M_{ji}(q)$（动能对称性）——它们都是 $\operatorname{Sym}^2(V^*)$ 的元素。

反对称张量：电磁场张量 $F_{\mu\nu} = -F_{\nu\mu}$、微分 $2$-形式、涡量张量——它们是 $\Lambda^2(V^*)$ 的元素。

⚠️ 常见陷阱¶

💡 概念误区 6：以为 $V^{\otimes k}$ 总是分解为对称+反对称 新手想法：$V^{\otimes k} = \operatorname{Sym}^k(V) \oplus \Lambda^k(V)$。 实际上：$k=2$ 时确实如此。但 $k \ge 3$ 时有更多的 $S_k$ 不可约分量（对应 Young 图）。例如 $V^{\otimes 3}$ 分解为完全对称、完全反对称和两个"混合对称"部分。

练习¶

（推导题） 对 $V = \mathbb{R}^2$，显式写出 $V^{\otimes 2}$ 到 $\operatorname{Sym}^2(V) \oplus \Lambda^2(V)$ 的分解。在草稿纸上验证 $\dim \operatorname{Sym}^2(\mathbb{R}^2) + \dim \Lambda^2(\mathbb{R}^2) = \dim V^{\otimes 2}$。

§7 张量代数 $T(V)$ ⭐⭐⭐¶

§7.1 定义与泛性质¶

定义：张量代数

\[ T(V) = \bigoplus_{k=0}^{\infty} V^{\otimes k} = F \oplus V \oplus (V \otimes V) \oplus (V \otimes V \otimes V) \oplus \cdots \]

是以 $\otimes$ 为乘法的**分次结合代数**（graded associative algebra）。$T^0(V) = F$（标量），$T^1(V) = V$（向量），乘法就是张量积。

泛性质：任意线性映射 $\varphi: V \to A$（$A$ 是结合代数）唯一延拓为代数同态 $\tilde{\varphi}: T(V) \to A$。换言之，$T(V)$ 是 $V$ 生成的**自由结合代数**。

§7.2 通往外代数与对称代数的桥梁¶

$T(V)$ 是"最自由"的代数——没有任何交换或反对称关系。通过商掉不同的关系，我们得到：

商掉 $\langle v \otimes v : v \in V \rangle$ $\to$ 外代数 $\Lambda(V)$（§8）
商掉 $\langle v \otimes w - w \otimes v : v,w \in V \rangle$ $\to$ 对称代数 $S(V)$（§21）

            T(V)（自由，无关系）
           ╱                    ╲
   商掉 v⊗v=0               商掉 v⊗w=w⊗v
          ╱                        ╲
     Λ(V)（反对称）            S(V)（对称）
   dim = 2ⁿ（有限）        dim = ∞（多项式环）

第四部分：外代数与楔积¶

§8 楔积的定义 ⭐⭐¶

§8.1 动机：为什么需要反对称乘积¶

行列式是**反对称**的——交换任意两行，结果变号。叉积也是**反对称**的——$u \times v = -(v \times u)$。这些对象有一个共同的代数结构，需要一个统一的框架来描述。

如果不引入外代数会怎样？我们只能在每个具体情境中单独处理反对称性——行列式用排列公式，叉积用分量计算——无法看到它们的深层统一。

§8.2 两种等价定义¶

路径 (a)：交替多线性路径。 $\Lambda^k(V) := \operatorname{Alt}^k(V) \subseteq V^{\otimes k}$（§6 的反对称化像）。楔积定义为

\[ \alpha \wedge \beta = \frac{(p+q)!}{p!\, q!}\operatorname{Alt}(\alpha \otimes \beta) \]

其中 $\alpha \in \Lambda^p(V)$，$\beta \in \Lambda^q(V)$。组合因子 $\frac{(p+q)!}{p!\,q!}$ 保证结合律成立。

路径 (b)：商路径。 $\Lambda(V) := T(V) / I$，其中 $I$ 是由 $\{v \otimes v : v \in V\}$ 生成的双边理想。$v$ 在商中的像仍记为 $v$，乘法记为 $\wedge$。

两条路径在 $\operatorname{char}(F) = 0$ 时给出同构的结果。在 $\operatorname{char}(F) = 2$ 时，只有商路径 (b) 正确（因为 $\operatorname{Alt}$ 不再是投影）。

§8.3 基本性质¶

性质 1：$v \wedge v = 0$ 对所有 $v \in V$。

证明（商路径）：由理想 $I$ 的定义直接得到。

性质 2：$v \wedge w = -w \wedge v$。

证明：由 $(v+w) \wedge (v+w) = 0$ 展开得

\[ v \wedge v + v \wedge w + w \wedge v + w \wedge w = 0 \]

\[ 0 + v \wedge w + w \wedge v + 0 = 0 \]

\[ v \wedge w = -w \wedge v \]

性质 3（分级反交换律）：若 $\alpha \in \Lambda^p(V)$，$\beta \in \Lambda^q(V)$，则

\[ \alpha \wedge \beta = (-1)^{pq}\, \beta \wedge \alpha \]

特别地，当 $p$ 和 $q$ 都是奇数时，$\alpha \wedge \beta = -\beta \wedge \alpha$（反交换）。当至少一个是偶数时，$\alpha \wedge \beta = \beta \wedge \alpha$（交换）。

§8.4 为什么两种定义等价¶

在 $\operatorname{char}(F) = 0$ 下，路径 (a) 和路径 (b) 给出同构的代数。直觉上：

路径 (a) 从 $V^{\otimes k}$ 内部出发，用投影 $\operatorname{Alt}$ "挑出"反对称部分。
路径 (b) 从 $T(V)$ 出发，用商映射"压碎"对称部分。

同构映射是：$\operatorname{Alt}$ 的像 $\hookrightarrow V^{\otimes k} \twoheadrightarrow T(V)/I$ 的 $k$-次分量。在 $\operatorname{char} = 0$ 时 $\operatorname{Alt}$ 是投影，其像在商映射下同构到对应分量。

为什么 $\operatorname{char} = 2$ 时路径 (a) 失败？ 因为 $\operatorname{Alt} = \frac{1}{k!}\sum \operatorname{sgn}(\sigma)\sigma$，当 $\operatorname{char}(F) | k!$ 时，分母 $k!$ 不可逆，$\operatorname{Alt}$ 不再是投影。例如 $\operatorname{char} = 2$ 时 $\operatorname{Alt}(v \otimes w) = \frac{1}{2}(v \otimes w - w \otimes v)$，而 $\frac{1}{2}$ 在 $\mathbb{F}_2$ 中不存在。路径 (b) 的商构造不依赖特征，总是有效的。

阶段小结：两种定义各有优势——路径 (a) 的几何直觉更好（反对称化投影），路径 (b) 的代数适用范围更广（任意特征）。在特征零的实数域/复数域（机器人学的工作域）中，两者完全等价。

§8.5 可分解楔积的几何意义¶

定理：$v_1 \wedge v_2 \wedge \cdots \wedge v_k \neq 0$ 当且仅当 $\{v_1, \ldots, v_k\}$ 线性无关。

证明：如果 $v_1,\ldots,v_k$ 线性相关，不妨设 $v_k = \sum_{i=1}^{k-1} c_i v_i$。则

\[ v_1 \wedge \cdots \wedge v_k = v_1 \wedge \cdots \wedge v_{k-1} \wedge \left(\sum_{i=1}^{k-1} c_i v_i\right) = \sum_{i=1}^{k-1} c_i (v_1 \wedge \cdots \wedge v_{k-1} \wedge v_i) = 0 \]

因为每一项中 $v_i$ 出现两次，$v_i \wedge v_i = 0$。

反方向（线性无关 $\Rightarrow$ 楔积非零）需要基扩充和对偶基技术，在 §10.2 证明。

几何直觉：$|v_1 \wedge v_2 \wedge \cdots \wedge v_k|$（需要内积定义模长）是这 $k$ 个向量张成的**$k$-维平行多面体的体积**。楔积为零等价于这些向量共面——"体积塌陷"。

⚠️ 常见陷阱¶

💡 概念误区 7：以为 $v \wedge w = 0$ 意味着 $v=0$ 或 $w=0$ 新手想法：像乘法一样，积为零则因子之一为零。 实际上：$v \wedge w = 0$ 当且仅当 $v$ 和 $w$ 线性相关（即共线）。例如 $(2e_1) \wedge (3e_1) = 6(e_1 \wedge e_1) = 0$，但两个因子都不为零。

🧠 思维陷阱 5：符号是 $(-1)^{pq}$ 不是 $(-1)^{p+q}$ 新手想法：$\alpha \wedge \beta = (-1)^{p+q} \beta \wedge \alpha$。 实际上：正确的是 $(-1)^{pq}$。当 $p=q=2$ 时，$(-1)^{pq} = (-1)^4 = +1$（交换），而 $(-1)^{p+q} = (-1)^4 = +1$——两者碰巧一致。但 $p=1, q=3$ 时 $(-1)^{pq} = (-1)^3 = -1$，$(-1)^{p+q} = (-1)^4 = +1$——差一个符号！

练习¶

（推导题） 在 $\mathbb{R}^4$ 中，验证 $e_1 \wedge e_2 \wedge e_3 \wedge e_4 \neq 0$ 但 $e_1 \wedge e_2 \wedge (e_1+e_2) \wedge e_4 = 0$。
（证明题） 证明分级反交换律：对可分解元素 $\alpha = v_1 \wedge \cdots \wedge v_p$ 和 $\beta = w_1 \wedge \cdots \wedge w_q$，有 $\alpha \wedge \beta = (-1)^{pq}\beta \wedge \alpha$。（在草稿纸上完成。）

§8.6 楔积的结合律¶

定理：楔积满足结合律 $(\alpha \wedge \beta) \wedge \gamma = \alpha \wedge (\beta \wedge \gamma)$。

在商路径 (b) 中这是直接的——$\Lambda(V)$ 继承了 $T(V)$ 的结合乘法。在路径 (a) 中需要验证组合因子的选择使得 $\operatorname{Alt}((\operatorname{Alt}(\alpha \otimes \beta)) \otimes \gamma) = \operatorname{Alt}(\alpha \otimes (\operatorname{Alt}(\beta \otimes \gamma)))$，这需要一些组合计算。

结合律意味着我们可以不加括号地写 $v_1 \wedge v_2 \wedge \cdots \wedge v_k$——运算顺序不影响结果。这与实数乘法的结合律类似，但楔积不满足交换律（只满足**分级**交换律）。

§9 外代数 $\Lambda(V)$ 作为分次代数 ⭐⭐¶

§9.1 结构¶

\[ \Lambda(V) = \bigoplus_{k=0}^{n} \Lambda^k(V) \]

是**有限维分次代数**。$\Lambda^0(V) = F$（标量），$\Lambda^1(V) = V$（向量），$\Lambda^k(V) = 0$ 当 $k > n = \dim V$。

总维数：

\[ \dim \Lambda(V) = \sum_{k=0}^{n} \binom{n}{k} = 2^n \]

类比：如果把 $\{e_1,\ldots,e_n\}$ 看作 $n$ 个"独立选择"（取或不取），$\Lambda(V)$ 的基恰好由 $\{e_1,\ldots,e_n\}$ 的所有子集标记——$2^n$ 个。这与集合的幂集一一对应。像的部分：两者都是"从 $n$ 个元素中选子集"。不像的部分：外代数中子集有序（$e_1 \wedge e_2 = -e_2 \wedge e_1$），幂集中子集无序。

§9.2 $\mathbb{Z}_2$-分级与超交换¶

$\Lambda(V)$ 不仅是 $\mathbb{Z}$-分次的（按 $k$ 分），还可以更粗糙地按奇偶性分为 $\mathbb{Z}_2$-分次：

\[ \Lambda(V) = \Lambda^{\text{even}}(V) \oplus \Lambda^{\text{odd}}(V) \]

其中 $\Lambda^{\text{even}} = \Lambda^0 \oplus \Lambda^2 \oplus \Lambda^4 \oplus \cdots$，$\Lambda^{\text{odd}} = \Lambda^1 \oplus \Lambda^3 \oplus \Lambda^5 \oplus \cdots$。

偶次元素之间**交换**：$\alpha \wedge \beta = \beta \wedge \alpha$（$\alpha, \beta \in \Lambda^{\text{even}}$）。这使得 $\Lambda^{\text{even}}(V)$ 是一个交换子代数。

奇次元素之间**反交换**：$\alpha \wedge \beta = -\beta \wedge \alpha$（$\alpha, \beta \in \Lambda^{\text{odd}}$）。

在物理中，这种 $\mathbb{Z}_2$-分次结构对应**费米子代数**——费米子场算符满足反对易关系 $\{a, b\} = ab + ba = 0$，这正是外代数的分级反交换律。

§9.3 下游预告：微分形式¶

$\Lambda(V)$ 是纯代数的。在微分几何中，把 $V$ 替换为余切空间 $T^*_pM$，并让 $p$ 遍历流形 $M$ 的每一点，就得到**微分形式代数** $\Omega^*(M) = \Gamma(\Lambda(T^*M))$。外微分 $d: \Omega^k \to \Omega^{k+1}$ 满足 Leibniz 规则 $d(\alpha \wedge \beta) = d\alpha \wedge \beta + (-1)^p \alpha \wedge d\beta$——这里的 $(-1)^p$ 正是分级反交换律的体现。

§10 $\Lambda^k(V)$ 的基与维数 ⭐⭐¶

§10.1 基的构造¶

定理：给定 $V$ 的基 $\{e_1,\ldots,e_n\}$，则

\[ \{e_{i_1} \wedge e_{i_2} \wedge \cdots \wedge e_{i_k} : 1 \le i_1 < i_2 < \cdots < i_k \le n\} \]

是 $\Lambda^k(V)$ 的基，$\dim \Lambda^k(V) = \binom{n}{k}$。

张成性：由楔积的反对称性，任意 $v_1 \wedge \cdots \wedge v_k$ 都可以展开为上述形式的线性组合（将每个 $v_i$ 用基展开，利用 $e_i \wedge e_i = 0$ 和反交换律整理为递增指标序列）。

线性无关：用与 §3.5 类似的对偶基技术。对每个递增指标序列 $I = (i_1 < \cdots < i_k)$，构造对偶的多线性泛函 $\omega_I(e_{j_1} \wedge \cdots \wedge e_{j_k}) = \delta_{I,J}$。这些泛函把假设的线性关系 $\sum c_I e_I = 0$ 中的每个系数 $c_I$ 分离出来，证明都为零。

§10.2 分级反交换律的完整证明¶

定理：对 $\alpha = v_1 \wedge \cdots \wedge v_p \in \Lambda^p(V)$ 和 $\beta = w_1 \wedge \cdots \wedge w_q \in \Lambda^q(V)$：

\[ \alpha \wedge \beta = (-1)^{pq}\, \beta \wedge \alpha \]

证明：

\[ \alpha \wedge \beta = v_1 \wedge \cdots \wedge v_p \wedge w_1 \wedge \cdots \wedge w_q \]

将 $w_1$ 逐次越过 $v_p, v_{p-1}, \ldots, v_1$（利用 $a \wedge b = -b \wedge a$），共 $p$ 次换位，产生因子 $(-1)^p$：

\[ = (-1)^p\, w_1 \wedge v_1 \wedge \cdots \wedge v_p \wedge w_2 \wedge \cdots \wedge w_q \]

然后将 $w_2$ 越过 $v_1,\ldots,v_p$（$p$ 次换位，因子 $(-1)^p$），以此类推。$q$ 个 $w_j$ 各移动 $p$ 次，总符号为 $(-1)^{pq}$：

\[ = (-1)^{pq}\, w_1 \wedge w_2 \wedge \cdots \wedge w_q \wedge v_1 \wedge \cdots \wedge v_p = (-1)^{pq}\, \beta \wedge \alpha \]

对一般的（非可分解）$\alpha, \beta$，由线性延拓得到相同结论。 $\square$

阶段小结：符号 $(-1)^{pq}$ 而不是 $(-1)^{p+q}$ 的原因是清楚的——每个 $w_j$ 要越过**所有** $p$ 个 $v_i$，共 $q$ 次各 $p$ 步，总步数 $pq$。

§10.3 维数对偶性¶

$\binom{n}{k} = \binom{n}{n-k}$——这是一个组合恒等式，但它有深刻的几何意义：$\Lambda^k(V)$ 和 $\Lambda^{n-k}(V)$ 维数相同，因此存在（非自然的）同构。当 $V$ 配备内积和定向时，Hodge 星 $*: \Lambda^k(V) \to \Lambda^{n-k}(V)$（§17）给出**自然的**等距同构。

§10.4 Grassmannian 与 Pluecker 嵌入¶

Grassmannian $\operatorname{Gr}(k,n)$ 是 $\mathbb{R}^n$ 中所有 $k$ 维子空间的集合。它是一个光滑流形，维数为 $k(n-k)$。

外代数给出 Grassmannian 的自然嵌入——Pluecker 嵌入：

\[ \operatorname{Gr}(k,n) \hookrightarrow \mathbb{P}(\Lambda^k(\mathbb{R}^n)) \]

具体地，$k$ 维子空间 $W = \operatorname{span}\{v_1,\ldots,v_k\}$ 映射到 $[v_1 \wedge \cdots \wedge v_k] \in \mathbb{P}(\Lambda^k(\mathbb{R}^n))$（射影化后的楔积）。

良定义性：不同的基 $\{v_1',\ldots,v_k'\}$ 给出的楔积 $v_1' \wedge \cdots \wedge v_k' = \det(P) \cdot v_1 \wedge \cdots \wedge v_k$（$P$ 为基变换矩阵），在射影空间中是同一个点。

机器人学应用：Pluecker 坐标描述三维空间中的直线（$\operatorname{Gr}(2,4)$ 的 Pluecker 嵌入到 $\Lambda^2(\mathbb{R}^4)$）。Featherstone 的空间代数中，螺旋轴的表示与 Pluecker 坐标直接相关。

§10.5 关键例子：$\Lambda^2(\mathbb{R}^3)$¶

$\dim \Lambda^2(\mathbb{R}^3) = \binom{3}{2} = 3$，恰好与 $\dim \mathbb{R}^3 = 3$ 相同。基为 $\{e_1 \wedge e_2,\ e_2 \wedge e_3,\ e_3 \wedge e_1\}$。这个"维数巧合" $\binom{n}{2} = n \iff n = 3$ 是叉积存在的唯一理由（§15）。

对比：$\dim \Lambda^2(\mathbb{R}^4) = \binom{4}{2} = 6 \neq 4$，所以 $\mathbb{R}^4$ 中**没有叉积**。六个独立的"旋转平面"对应 $\mathfrak{so}(4)$ 的六维李代数。

⚠️ 常见陷阱¶

💡 概念误区 8：以为叉积在任何维度都存在 新手想法：叉积可以推广到 $\mathbb{R}^n$。 实际上：叉积 $V \times V \to V$（双线性反对称、值在 $V$ 中）只在 $n=3$ 和 $n=7$ 时存在。$n=3$ 来自 $\binom{3}{2}=3$（上面解释的），$n=7$ 来自八元数。本章只讨论 $n=3$ 的情形。

练习¶

（推导题） 写出 $\Lambda^*(\mathbb{R}^3) = \Lambda^0 \oplus \Lambda^1 \oplus \Lambda^2 \oplus \Lambda^3$ 的所有基元素和维数。验证总维数 $= 2^3 = 8$。
（开放思考题） $\Lambda^n(V)$ 是一维的（$\binom{n}{n}=1$）。这个一维空间的非零元素代表什么几何对象？（提示：体积形式。）

第五部分：行列式的无坐标理论¶

上一部分建立了外代数。现在我们用它来彻底理解行列式——这是本章最令人满意的应用之一。

§11 行列式的外代数定义 ⭐⭐¶

§11.1 动机：行列式的"真正"定义¶

40_谱定理SVD与极分解.md 中我们用排列公式 $\det(A) = \sum_\sigma \operatorname{sgn}(\sigma)\prod_i a_{i,\sigma(i)}$ 定义了行列式。这个定义可以用来计算，但有三个不满意之处：

它**依赖坐标**——需要选基才能写出矩阵 $A$。
基独立性需要额外证明——不同基下计算得到相同结果，不是显然的。
$\det(AB) = \det(A)\det(B)$ 的**证明冗长**——需要组合论证。

外代数给出一个更优雅的定义，三个问题全部消失。

§11.2 定义¶

设 $T: V \to V$ 是线性映射，$\dim V = n$。$T$ 诱导 $\Lambda^n(T): \Lambda^n(V) \to \Lambda^n(V)$：

\[ \Lambda^n(T)(v_1 \wedge \cdots \wedge v_n) = T(v_1) \wedge \cdots \wedge T(v_n) \]

由于 $\Lambda^n(V)$ 是**一维的**（$\binom{n}{n}=1$），$\Lambda^n(T)$ 只能是某个标量的乘法：

\[ \Lambda^n(T)(\omega) = c \cdot \omega, \quad \forall \omega \in \Lambda^n(V) \]

定义 $\det(T) := c$。即 $T(v_1) \wedge \cdots \wedge T(v_n) = \det(T) \cdot (v_1 \wedge \cdots \wedge v_n)$。

本质洞察：行列式是线性映射在最高外幂上的"放大因子"。$|\det(T)|$ 是体积的放大率，$\operatorname{sgn}(\det(T))$ 是定向的保持/反转。这个定义不需要选基——$T$ 和 $V$ 就足够了。

§11.3 可操作度的外代数解释¶

Jacobian 的列 $Je_1, \ldots, Je_n$ 的楔积给出

\[ Je_1 \wedge \cdots \wedge Je_n = \det(J) \cdot (e_1 \wedge \cdots \wedge e_n) \]

对非方形 $J$（$m \times n$, $m < n$），Yoshikawa 可操作度 $w = \sqrt{\det(JJ^\top)}$ 是这 $n$ 个列向量在 $\mathbb{R}^m$ 中张成的 $n$-维子体积的 Gram 行列式平方根。奇异位形 $\iff$ $\det(J) = 0$ $\iff$ 列的 $n$-楔消失 $\iff$ 可操作性椭球塌陷。

这给出了奇异性的**几何解释**：在奇异位形处，末端执行器的速度能力在某个方向上"退化"——对应的体积（楔积的模）为零。

§11.4 与排列公式的一致性¶

取标准基 $\{e_1,\ldots,e_n\}$，$T(e_j) = \sum_i a_{ij}e_i$。则

\[ T(e_1) \wedge \cdots \wedge T(e_n) = \left(\sum_{i_1} a_{i_1 1}e_{i_1}\right) \wedge \cdots \wedge \left(\sum_{i_n} a_{i_n n}e_{i_n}\right) \]

展开后，只有 $(i_1,\ldots,i_n)$ 是 $\{1,\ldots,n\}$ 的排列时项才不为零（否则有重复指标，楔积消失）。得到

\[ = \sum_{\sigma \in S_n} a_{\sigma(1),1} \cdots a_{\sigma(n),n} \cdot e_{\sigma(1)} \wedge \cdots \wedge e_{\sigma(n)} \]

\[ = \sum_{\sigma \in S_n} \operatorname{sgn}(\sigma) \cdot a_{\sigma(1),1} \cdots a_{\sigma(n),n} \cdot (e_1 \wedge \cdots \wedge e_n) \]

因此 $\det(T) = \sum_\sigma \operatorname{sgn}(\sigma) \prod_i a_{\sigma(i),i}$，恢复了 Leibniz 公式。

阶段小结：排列公式不是行列式的**定义**，而是外代数定义在选定基之后的**坐标表达**。

§12 行列式的性质 ⭐⭐¶

§12.1 乘法性¶

定理：$\det(AB) = \det(A)\det(B)$。

证明：$\Lambda^n(AB) = \Lambda^n(A) \circ \Lambda^n(B) = (\det A \cdot \operatorname{id}) \circ (\det B \cdot \operatorname{id}) = (\det A \cdot \det B) \cdot \operatorname{id}$。

一维空间上两个标量乘法的合成等于标量之积——一行证明完毕。

对比排列公式的乘法性证明，需要 Cauchy-Binet 公式或冗长的组合论证。外代数定义的威力在于：把深层性质变成直接推论。

§12.2 基本性质速查¶

性质	公式	外代数证明思路
乘法性	$\det(AB) = \det(A)\det(B)$	$\Lambda^n$ 的函子性
单位	$\det(I) = 1$	$\Lambda^n(\operatorname{id}) = \operatorname{id}$
逆	$\det(A^{-1}) = (\det A)^{-1}$	乘法性 + $\det(I)=1$
可逆性	$A$ 可逆 $\iff$ $\det A \neq 0$	$\Lambda^n(A)$ 可逆 $\iff$ 非零标量
转置	$\det(A^\top) = \det(A)$	排列求和的对称性

§12.3 行列式与特征多项式¶

回填：50_极小多项式与Jordan标准形.md 中，特征多项式 $p_T(\lambda) = \det(\lambda I - T)$ 的系数其实是**外幂的迹**：

\[ p_T(\lambda) = \lambda^n - (\operatorname{tr} T)\lambda^{n-1} + \cdots + (-1)^k \operatorname{tr}(\Lambda^k T)\lambda^{n-k} + \cdots + (-1)^n \det(T) \]

其中 $\operatorname{tr}(\Lambda^k T)$ 是 $T$ 在 $\Lambda^k(V)$ 上诱导映射的迹，等于 $T$ 的所有 $k \times k$ 主子式之和。这把特征多项式的"每个系数"都用外代数统一解释了。

⚠️ 常见陷阱¶

💡 概念误区 9：以为行列式只是一个"计算工具" 新手想法：行列式的用途就是判断矩阵是否可逆和解线性方程组。 实际上：行列式有深刻的几何意义——它是体积放大率与定向的合体。$|\det(T)|$ 告诉你 $T$ 把单位立方体变成了多大的平行多面体，$\operatorname{sgn}(\det T)$ 告诉你定向是否翻转。这就是为什么 $SO(n) = \{R \in O(n) : \det R = +1\}$——正行列式意味着保持定向。

🧠 思维陷阱 6：以为外代数定义"更难"所以不实用 新手想法：排列公式可以直接算，外代数定义太抽象了。 实际上：抽象恰恰是威力所在。乘法性 $\det(AB)=\det(A)\det(B)$ 用排列公式证明需要一整页，用外代数一行完成。基独立性用排列公式需要额外论证，用外代数是定义的直接推论。越是深层的性质，抽象定义越占优势。

练习¶

（证明题） 用外代数定义证明：如果 $T$ 有特征值 $\lambda_1,\ldots,\lambda_n$（计重数），则 $\det(T) = \lambda_1 \cdots \lambda_n$。
（推导题） 证明 $\det(cA) = c^n \det(A)$，其中 $c$ 是标量，$A$ 是 $n \times n$ 矩阵。从外代数和从排列公式两种方式各给一个证明。

§12.4 Laplace 展开（按行/列展开）¶

行列式可以按任意一行或一列展开：

\[ \det(A) = \sum_{j=1}^{n} (-1)^{i+j} a_{ij} M_{ij} \]

其中 $M_{ij}$ 是删去第 $i$ 行第 $j$ 列后的 $(n-1) \times (n-1)$ 子式的行列式。

从外代数角度看，这是**内积收缩** $\iota_{e_i}$ 作用于 $n$-形式 $e_1 \wedge \cdots \wedge e_n$ 的结果——把 $n$-形式"沿第 $i$ 个方向收缩"得到 $(n-1)$-形式，然后求值。

Schur 补公式：对分块矩阵 $M = \begin{pmatrix} A & B \\ C & D \end{pmatrix}$（$A$ 可逆），

\[ \det(M) = \det(A) \cdot \det(D - CA^{-1}B) \]

其中 $S = D - CA^{-1}B$ 是 $D$ 关于 $A$ 的 Schur 补。这在 SLAM 的边缘化（marginalization）中至关重要——消去一组变量等价于计算 Schur 补，对应的行列式分解反映了条件概率的乘法律。

练习¶

（推导题） 验证 Schur 补公式对 $2 \times 2$ 分块矩阵 $\begin{pmatrix} a & b \\ c & d \end{pmatrix}$ 成立（此时 $A = (a)$, $B = (b)$, $C = (c)$, $D = (d)$, Schur 补 $= d - ca^{-1}b$）。

§13 行列式与体积、定向 ⭐⭐¶

§13.1 体积解释¶

$\mathbb{R}^n$ 中平行多面体 $P = \{t_1 v_1 + \cdots + t_n v_n : 0 \le t_i \le 1\}$ 的 $n$-维体积为

\[ \operatorname{Vol}(P) = |\det[v_1 | \cdots | v_n]| \]

证明思路：$\det$ 是归一化的交替 $n$-线性函数（$\det(e_1,\ldots,e_n) = 1$）。Lebesgue 测度给出的体积函数也是归一化的交替 $n$-线性函数（体积对向量双线性、交换两个向量翻转定向）。由 $\Lambda^n(V)$ 的一维性（§10），两者至多差一个常数，归一化后相等。

§13.2 定向¶

定义：$\mathbb{R}^n$ 的一个**定向**（orientation）是 $\Lambda^n(\mathbb{R}^n)$ 中非零元素的等价类（正倍数等价）。$\Lambda^n(\mathbb{R}^n)$ 是一维的，所以恰好有两个定向（正和负）。

$\det(T) > 0$ 意味着 $T$ 保持定向，$\det(T) < 0$ 意味着 $T$ 反转定向。这就是 $SO(n) = \{A \in O(n) : \det A = +1\}$ 的含义——旋转保持定向，反射反转定向。

§13.3 配置流形上的体积¶

在机器人学中，行列式的体积解释直接关联到**配置空间的采样**。RRT（Rapidly-exploring Random Trees）等运动规划算法需要在配置空间 $Q$ 上均匀采样。当 $Q$ 是 Lie 群（如 $SO(3)$, $SE(3)$）时，"均匀"意味着相对于**左不变体积形式**（Haar 测度）。

对 $SO(3)$ 来说，Haar 测度在轴角参数 $(\theta, \hat{n})$ 下的密度为

\[ d\mu = \frac{1-\cos\theta}{4\pi^2}\, d\theta\, dS^2 \]

其中 $dS^2$ 是单位球面上的面积元。注意密度因子 $\frac{1-\cos\theta}{4\pi^2}$ 不是常数——这反映了轴角参数不是"等距"参数化，度量张量的行列式（即体积元的 Jacobian）随 $\theta$ 变化。

§13.4 变量替换公式¶

微积分中的变量替换公式

\[ \int_{\varphi(U)} f\, dx = \int_U (f \circ \varphi)|\det D\varphi|\, dx \]

中的 $|\det D\varphi|$ 正是 $\varphi$ 在每一点处的体积放大率——这是行列式几何意义的直接应用。在流形上，这将推广为微分形式的拉回和积分。

练习¶

（推导题） 设 $v_1 = (1,2)$, $v_2 = (3,1)$。计算 $v_1, v_2$ 张成的平行四边形面积。用 $|v_1 \wedge v_2|$（需要定义范数）和 $|\det[v_1|v_2]|$ 两种方式验证一致。

§14 余因子矩阵与 Cramer 法则 ⭐⭐⭐¶

§14.1 伴随矩阵¶

定义：$n \times n$ 矩阵 $A$ 的**伴随矩阵**（adjugate/classical adjoint）$\operatorname{adj}(A)$ 定义为

\[ \operatorname{adj}(A)_{ij} = (-1)^{i+j} M_{ji} \]

其中 $M_{ji}$ 是 $A$ 删去第 $j$ 行第 $i$ 列后的 $(n-1) \times (n-1)$ 子式的行列式（余子式）。注意转置：$\operatorname{adj}(A)$ 的 $(i,j)$ 元素用的是 $A$ 的 $(j,i)$ 余子式。

核心恒等式：

\[ A \cdot \operatorname{adj}(A) = \operatorname{adj}(A) \cdot A = \det(A) \cdot I \]

§14.2 Cramer 法则¶

定理：若 $Ax = b$ 且 $\det(A) \neq 0$，则

\[ x_j = \frac{\det(A_j)}{\det(A)} \]

其中 $A_j$ 是将 $A$ 的第 $j$ 列替换为 $b$ 所得的矩阵。

工程警示：Cramer 法则的计算复杂度为 $O(n \cdot n!)$（计算 $n+1$ 个行列式），远逊于 LU 分解的 $O(n^3)$。它的价值是**理论性的**——用于隐函数定理的证明、符号微分等，而不是数值计算。

⚠️ 常见陷阱¶

🧠 思维陷阱 7：用 Cramer 法则做数值计算 新手想法：$x_j = \det(A_j)/\det(A)$ 很简洁，用它来解方程组。 实际上：数值计算中**永远不要**用 Cramer 法则。$O(n!)$ 的复杂度意味着 $n=20$ 时就需要 $\sim 10^{18}$ 次运算。用 LU 分解（$O(n^3)$）或迭代方法。

练习¶

（推导题） 用核心恒等式 $A \cdot \operatorname{adj}(A) = \det(A) \cdot I$ 推导 $A^{-1} = \operatorname{adj}(A)/\det(A)$（当 $\det A \neq 0$）。

第六部分：楔积的几何应用¶

§15 叉积作为 $\Lambda^2(\mathbb{R}^3)$ 的特殊情形 ⭐⭐¶

§15.1 维数偶然性¶

回顾 §10.3：$\dim \Lambda^2(\mathbb{R}^3) = 3 = \dim \mathbb{R}^3$。这个等式 $\binom{n}{2} = n$ 只在 $n=3$ 时成立（以及 $n=0,1$ 的退化情形）。正是这个维数巧合使得我们可以定义一个"把两个向量变成一个向量"的运算——叉积。

在 $\mathbb{R}^4$ 中，$\dim \Lambda^2(\mathbb{R}^4) = 6 \neq 4$，所以没有类似的运算。如果有人告诉你"四维空间也有叉积"，那一定不是通常意义上的叉积。

§15.2 叉积 $=$ Hodge 星 $\circ$ 楔积¶

给定标准内积和标准定向（$e_1 \wedge e_2 \wedge e_3$ 为正定向），Hodge 星 $*: \Lambda^2(\mathbb{R}^3) \to \Lambda^1(\mathbb{R}^3) = \mathbb{R}^3$ 由以下对应定义：

\[ *(e_1 \wedge e_2) = e_3, \quad *(e_2 \wedge e_3) = e_1, \quad *(e_3 \wedge e_1) = e_2 \]

定义：$u \times v := *(u \wedge v)$。

验证：设 $u = u_1 e_1 + u_2 e_2 + u_3 e_3$，$v = v_1 e_1 + v_2 e_2 + v_3 e_3$，则

\[ u \wedge v = (u_1 v_2 - u_2 v_1)(e_1 \wedge e_2) + (u_2 v_3 - u_3 v_2)(e_2 \wedge e_3) + (u_3 v_1 - u_1 v_3)(e_3 \wedge e_1) \]

施加 Hodge 星：

\[ u \times v = *(u \wedge v) = (u_2 v_3 - u_3 v_2)e_1 + (u_3 v_1 - u_1 v_3)e_2 + (u_1 v_2 - u_2 v_1)e_3 \]

这正是叉积的标准公式！

本质洞察：叉积不是一个"基本运算"——它是楔积（纯代数）后接 Hodge 星（依赖度量和定向）的复合。$u \wedge v \in \Lambda^2(\mathbb{R}^3)$ 才是"真正的对象"，它表示 $u$ 和 $v$ 张成的平面（带面积和定向）。叉积 $u \times v$ 是把这个平面的"法向量"取出来——这需要度量（定义"垂直"）和定向（选择法向量的朝向）。

§15.3 角速度与帽映射¶

在机器人学中，角速度 $\omega \in \mathbb{R}^3$ 通过**帽映射**（hat map）$\hat{\cdot}: \mathbb{R}^3 \to \mathfrak{so}(3)$ 变为反对称矩阵：

\[ \hat{\omega} = \begin{pmatrix} 0 & -\omega_3 & \omega_2 \\ \omega_3 & 0 & -\omega_1 \\ -\omega_2 & \omega_1 & 0 \end{pmatrix} \]

满足 $\hat{\omega}v = \omega \times v$。从外代数角度看，帽映射就是 $\mathbb{R}^3 \cong \Lambda^2(\mathbb{R}^3) \cong \mathfrak{so}(3)$ 的同构链。

在 $SO(4)$ 或 $SE(3)$ 中这个"简便"失效——$\dim \mathfrak{so}(4) = 6 \neq 4$——转而用 Pluecker 坐标或伴随作用 $\operatorname{ad}_\xi$。

⚠️ 常见陷阱¶

💡 概念误区 10：以为叉积是"坐标无关的" 新手想法：叉积只依赖两个向量，不依赖坐标系。 实际上：楔积 $u \wedge v$ 是坐标无关的，但叉积 $u \times v = *(u \wedge v)$ 需要 Hodge 星，而 Hodge 星依赖**度量和定向**。换一个度量（非欧几里得）或定向（左手系），叉积的值会变。

练习¶

（推导题） 验证 $|u \times v|^2 = |u|^2|v|^2 - (u \cdot v)^2$（Lagrange 恒等式），从 $u \times v = *(u \wedge v)$ 出发。
（跨章综合题） 结合 30_内积空间 的 Gram-Schmidt 和本章的外代数，证明：$n$ 个向量的 Gram 行列式 $G = \det(\langle v_i, v_j \rangle)$ 等于 $|v_1 \wedge \cdots \wedge v_n|^2$。

§16 内积（缩并）算子 $\iota_v$ ⭐⭐⭐¶

§16.1 定义¶

对 $v \in V$，内积算子（interior product 或 contraction）$\iota_v: \Lambda^k(V) \to \Lambda^{k-1}(V)$ 在可分解元素上定义为：

\[ \iota_v(w_1 \wedge \cdots \wedge w_k) = \sum_{i=1}^{k} (-1)^{i-1} \langle v, w_i \rangle \cdot w_1 \wedge \cdots \wedge \hat{w}_i \wedge \cdots \wedge w_k \]

其中 $\hat{w}_i$ 表示删去 $w_i$。

§16.2 关键性质¶

反导性（antiderivation）：$\iota_v(\alpha \wedge \beta) = \iota_v(\alpha) \wedge \beta + (-1)^p \alpha \wedge \iota_v(\beta)$，$\alpha \in \Lambda^p$。
幂零性：$\iota_v \circ \iota_v = 0$。
反交换：$\iota_v \iota_w + \iota_w \iota_v = 0$。

§16.3 下游应用¶

Cartan 魔法公式：$\mathcal{L}_X = d \circ \iota_X + \iota_X \circ d$，把**李导数**（$\mathcal{L}_X$）、外微分（$d$）、缩并（$\iota_X$）统一起来。这是几何控制理论的基石——判断一个系统是否沿某个方向"不变"。

§16.4 计算示例¶

在 $\mathbb{R}^3$（标准内积）中计算 $\iota_{e_1}(e_1 \wedge e_2 \wedge e_3)$：

\[ \iota_{e_1}(e_1 \wedge e_2 \wedge e_3) = \langle e_1, e_1 \rangle(e_2 \wedge e_3) - \langle e_1, e_2 \rangle(e_1 \wedge e_3) + \langle e_1, e_3 \rangle(e_1 \wedge e_2) \]

\[ = 1 \cdot (e_2 \wedge e_3) - 0 + 0 = e_2 \wedge e_3 \]

再计算 $\iota_{e_1}(e_2 \wedge e_3)$：

\[ \iota_{e_1}(e_2 \wedge e_3) = \langle e_1, e_2 \rangle e_3 - \langle e_1, e_3 \rangle e_2 = 0 - 0 = 0 \]

这验证了 $\iota_{e_1} \circ \iota_{e_1} = 0$（幂零性）。

向量分析中的对应：在 $\mathbb{R}^3$ 中，$\iota_v$ 对应的经典运算取决于作用对象的次数：

作用对象	$\iota_v$ 的经典对应	结果
$3$-形式（体积元）	$v \cdot$ 体积元	$2$-形式（面积元）
$2$-形式	类似"点乘"	$1$-形式
$1$-形式	$v$ 与余向量配对	标量

练习¶

（推导题） 在 $\Lambda^2(\mathbb{R}^3)$ 上验证 $\iota_{e_1}(e_1 \wedge e_2 \wedge e_3) = e_2 \wedge e_3$（假设标准内积），即 $\iota_{e_1}$ 把 $3$-形式"降"为 $2$-形式。
（推导题） 计算 $\iota_{e_1+e_2}(e_1 \wedge e_2)$。利用 $\iota$ 关于 $v$ 的线性性简化计算。

§17 Hodge 星算子 ⭐⭐¶

§17.1 前提¶

Hodge 星需要两个额外结构：

非退化内积 $\langle\cdot,\cdot\rangle$（由 §2 的双线性型推广，不要求正定）。
定向：选定 $\operatorname{vol} \in \Lambda^n(V)$，归一化为 $\langle\operatorname{vol},\operatorname{vol}\rangle = \pm 1$。

§17.2 定义¶

定义：$*: \Lambda^k(V) \to \Lambda^{n-k}(V)$ 由以下条件唯一确定：

\[ \alpha \wedge *\beta = \langle \alpha, \beta \rangle_{\Lambda^k} \cdot \operatorname{vol}, \quad \forall \alpha \in \Lambda^k(V) \]

其中 $\langle\cdot,\cdot\rangle_{\Lambda^k}$ 是由 $V$ 的内积诱导的 $\Lambda^k(V)$ 上的内积（Gram 行列式公式：$\langle v_1 \wedge \cdots \wedge v_k, w_1 \wedge \cdots \wedge w_k \rangle = \det[\langle v_i,w_j \rangle]$）。

存在唯一性来自配对 $\Lambda^k \times \Lambda^{n-k} \to \Lambda^n$ 的非退化性。

§17.3 标准正交基上的计算¶

设 $\{e_1,\ldots,e_n\}$ 是标准正交基。对递增指标序列 $I = (i_1 < \cdots < i_k)$，记 $I^c$ 为其补集（也递增排列）。则

\[ *e_I = \operatorname{sgn}(I, I^c) \cdot e_{I^c} \]

其中 $\operatorname{sgn}(I, I^c)$ 是把 $(I, I^c)$ 排列成 $(1,2,\ldots,n)$ 所需的置换的符号。

恒等式：

\[ ** = (-1)^{k(n-k)} \cdot \operatorname{id} \quad \text{（Riemann 度量情形）} \]

广义签名 $(p,q)$ 时多一个 $(-1)^s$ 因子（$s$ 为负号个数）。

§17.4 Hodge 星是等距¶

定理：$\langle *\omega, *\eta \rangle = \langle \omega, \eta \rangle$。

证明：$\langle *\omega, *\eta \rangle \cdot \operatorname{vol} = (*\omega) \wedge *(*\eta) = (-1)^{k(n-k)}(*\omega) \wedge \eta = (-1)^{k(n-k)} \eta \wedge (*\omega) \cdot (-1)^{(n-k)k} = \eta \wedge *\omega = \langle \eta, \omega \rangle \cdot \operatorname{vol} = \langle \omega, \eta \rangle \cdot \operatorname{vol}$。

§17.5 Maxwell 方程与端口 Hamilton 系统¶

在四维 Minkowski 时空中，电磁场张量 $F \in \Lambda^2$ 和电流 $J \in \Lambda^1$ 满足 Maxwell 方程的紧凑形式：

\[ dF = 0 \quad (\text{Bianchi 恒等式}), \quad d{*F} = {*J} \quad (\text{动力学方程}) \]

Hodge 星把拓扑约束（$d$）与几何/度量约束（$*$）分离。在软体/连续介质机器人中，van der Schaft-Maschke 的 Stokes-Dirac 结构把动力学写成 $d$ 与 $*$ 的配对，保持能量守恒。

⚠️ 常见陷阱¶

💡 概念误区 11：以为 Hodge 星是纯代数的 新手想法：$*$ 只是一个代数运算，和楔积一样。 实际上：楔积 $\wedge$ 是纯代数的（不需要度量），但 Hodge 星 $*$ 需要**度量和定向**。换一个度量（如从欧几里得换到 Minkowski），$*$ 的结果完全不同。这就是为什么 Maxwell 方程中 $dF=0$ 是"拓扑的"（不依赖度量），而 $d*F=*J$ 是"度量的"（依赖时空度量）。

练习¶

（推导题） 在 $\mathbb{R}^4$（标准度量），计算 $*(e_1 \wedge e_2)$。验证 $**=+1$（因为 $k=2$, $n=4$, $k(n-k) = 4$）。
（证明题） 证明在 $\mathbb{R}^3$（标准度量和定向）中，$*(1) = e_1 \wedge e_2 \wedge e_3$，$*(e_1 \wedge e_2 \wedge e_3) = 1$。

第七部分：指标语言与张量分析¶

前六部分用无坐标的方式建立了张量积和外代数。本部分引入物理学家和工程师常用的**指标记号**——它不是新理论，而是前面理论的坐标表达。

§18 指标记号与 Einstein 求和约定 ⭐⭐¶

§18.1 动机：为什么需要指标记号¶

无坐标的张量语言（$T \in V \otimes V^*$，$\Lambda^k(T)$）在理论推导中优雅且不易出错。但在具体计算中——尤其是涉及复杂张量缩并的动力学方程中——把所有东西写成无坐标形式会极其繁琐。指标记号是一种"坐标速记法"，让复杂的张量运算变得可操作。

类比：无坐标语言就像自然语言（表达精确但冗长），指标记号就像数学符号（紧凑但需要学习语法规则）。像的部分：两者表达相同的内容。不像的部分：指标记号依赖基的选择（虽然最终结果不依赖），无坐标语言不依赖。

§18.2 上下指标约定¶

向量（逆变，上指标）：$v = v^i e_i$（Einstein 约定：重复指标自动求和）。

余向量（协变，下指标）：$\alpha = \alpha_i e^i$。

Einstein 求和约定：重复出现的一对上下指标（称为**哑指标**）隐含求和。例如：

\[ \alpha_i v^i = \sum_{i=1}^n \alpha_i v^i = \alpha(v) \quad \text{（标量，不变量）} \]

关键规则：上下指标**必须配对**求和。两个上指标或两个下指标相乘不缩并——除非有度量张量升降指标（§19）。

§18.3 $(p,q)$-型张量的指标表示¶

$(p,q)$-型张量 $T \in T^p_q(V)$ 在基 $\{e_i\}$ 和对偶基 $\{e^j\}$ 下表示为：

\[ T = T^{i_1 \cdots i_p}_{\ \ \ \ j_1 \cdots j_q}\ e_{i_1} \otimes \cdots \otimes e_{i_p} \otimes e^{j_1} \otimes \cdots \otimes e^{j_q} \]

基变换律：设新基 $\tilde{e}_j = A^i_{\ j} e_i$（$A$ 为基变换矩阵），则

逆变分量：$\tilde{v}^i = (A^{-1})^i_{\ j} v^j$（与基**反**方向变换）
协变分量：$\tilde{\alpha}_j = A^i_{\ j} \alpha_i$（与基**同**方向变换）
一般 $(p,q)$ 张量：每个上指标贴 $A^{-1}$，每个下指标贴 $A$

§18.4 指标记号的基本运算¶

张量乘积（外积）：两个张量的分量直接相乘，指标并列。例如 $(p,0)$-型张量 $A^{i_1\cdots i_p}$ 和 $(0,q)$-型张量 $B_{j_1 \cdots j_q}$ 的张量积是 $(p,q)$-型张量 $C^{i_1\cdots i_p}_{\ \ \ \ j_1\cdots j_q} = A^{i_1\cdots i_p} B_{j_1\cdots j_q}$。

缩并：令一对上下指标相等并求和。例如对 $(1,1)$-型张量 $T^i_{\ j}$，缩并得标量 $T^i_{\ i} = \operatorname{tr}(T)$。

对称化与反对称化：$T^{(ij)} = \frac{1}{2}(T^{ij} + T^{ji})$（对称部分），$T^{[ij]} = \frac{1}{2}(T^{ij} - T^{ji})$（反对称部分）。

具体计算示例：设 $v^i = (3, 1)$, $\alpha_j = (2, -1)$。则 $\alpha_i v^i = 2 \cdot 3 + (-1) \cdot 1 = 5$（标量）。外积 $v^i \alpha_j$ 是 $2 \times 2$ 矩阵：

\[ v^i \alpha_j = \begin{pmatrix} 3 \cdot 2 & 3 \cdot (-1) \\ 1 \cdot 2 & 1 \cdot (-1) \end{pmatrix} = \begin{pmatrix} 6 & -3 \\ 2 & -1 \end{pmatrix} \]

缩并 $v^i \alpha_i = 6 + (-1) = 5$——与内积一致。

§18.5 为什么区分上下指标至关重要¶

在欧几里得空间 + 正交基中，度量矩阵 $g_{ij} = \delta_{ij}$（单位阵），上指标和下指标在数值上没有区别。这容易让人以为"上下标只是书写习惯"。

但在以下情形中，混淆上下标会导致严重错误：

情形	后果
弯曲空间（广义相对论）	$g_{ij} \neq \delta_{ij}$，$v^i \neq v_i$
非正交基（关节空间）	质量矩阵 $M_{ij} \neq \delta_{ij}$
Minkowski 时空	$g = \operatorname{diag}(-1,+1,+1,+1)$，混淆导致符号错误

本质洞察：上下标的区分不是"记号约定"，而是反映了向量（推动/速度/逆变）与余向量（拉回/力/协变）的物理差异。在欧几里得空间中这个差异被正交基掩盖了，但在一般的流形上（配置空间、时空）它是本质的。

⚠️ 常见陷阱¶

💡 概念误区 12：以为 Einstein 求和中两个下标也可以缩并 新手想法：$a_i b_i$ 就是 $\sum a_i b_i$。 实际上：严格的 Einstein 约定要求一上一下配对。$a_i b_i$ 在没有度量的情况下**没有意义**——你需要用度量把 $b_i$ 升为 $b^i$（即 $a_i g^{ij} b_j$）才能缩并。在欧几里得空间 $g^{ij} = \delta^{ij}$，结果数值相同，但概念上是不同的运算。

🧠 思维陷阱 8：以为"逆变"意味着"变换方向相反"就结束了 新手想法：知道"逆变 $=$ 与基反向变换"就够了。 实际上：更深层的理解是——逆变和协变反映的是张量的**函子性**。速度（逆变）在映射 $\varphi: M \to N$ 下被**前推**（pushforward），力（协变）被**拉回**（pullback）。这在微分几何中有精确的范畴论意义。

练习¶

（推导题） 在二维空间中，基 $\{e_1,e_2\}$ 下向量 $v = 3e_1 + 2e_2$。新基 $\tilde{e}_1 = e_1 + e_2$, $\tilde{e}_2 = e_1 - e_2$。求新基下的分量 $\tilde{v}^i$。验证 $\tilde{v}^i \tilde{e}_i = v$。
（推导题） 写出 $(1,1)$-型张量 $T^i_{\ j}$ 在基变换 $\tilde{e}_k = A^i_{\ k} e_i$ 下的变换律。验证 $\operatorname{tr}(T) = T^i_{\ i}$ 是基变换不变量。

§19 度量张量与指标升降 ⭐⭐¶

§19.1 度量张量¶

定义：度量张量 $g$ 是一个 $(0,2)$-型对称非退化张量：

\[ g = g_{ij}\, e^i \otimes e^j \]

在标准正交基中 $g_{ij} = \delta_{ij}$（欧几里得）或 $g_{ij} = \eta_{ij}$（Minkowski）。

逆度量 $g^{ij}$ 满足 $g^{ik}g_{kj} = \delta^i_{\ j}$。

§19.2 音乐同构¶

降指标（flat, $\flat$）：$v^i \mapsto v_i := g_{ij}v^j$。将向量（$V$ 中）变为余向量（$V^*$ 中）。

升指标（sharp, $\sharp$）：$\alpha_i \mapsto \alpha^i := g^{ij}\alpha_j$。将余向量变为向量。

这两个操作互逆：$\sharp \circ \flat = \operatorname{id}$。

与 Riesz 表示的一致性：回顾 30_内积空间：Riesz 表示定理给出 $V \cong V^*$（通过内积）。$\flat(v) = g(v, \cdot) = \langle v, \cdot \rangle$ 正是 Riesz 映射。指标语言中的升降操作就是 Riesz 同构的坐标表达。

§19.3 延拓到张量¶

度量 $g$ 不仅作用于向量，还诱导所有张量空间上的内积。特别地：

$\Lambda^k(V)$ 上的内积：由 Gram 行列式定义：

\[ \langle v_1 \wedge \cdots \wedge v_k, w_1 \wedge \cdots \wedge w_k \rangle = \det[\langle v_i, w_j \rangle] \]

这正是 §17 Hodge 星的定义所需要的内积。

$T^p_q(V)$ 上的内积：通过 $g$ 的逐分量作用定义。在指标语言中，$(p,q)$-型张量 $S$ 和 $T$ 的内积为

\[ \langle S, T \rangle = g_{i_1 j_1} \cdots g_{i_p j_p} g^{k_1 \ell_1} \cdots g^{k_q \ell_q} S^{i_1 \cdots i_p}_{\ \ \ \ k_1 \cdots k_q} T^{j_1 \cdots j_p}_{\ \ \ \ \ell_1 \cdots \ell_q} \]

即"所有上指标用 $g$ 缩并，所有下指标用 $g^{-1}$ 缩并"。

§19.4 Riemann 度量与配置空间¶

机器人质量矩阵 $M(q) = (g_{ij}(q))$ 就是配置空间 $Q$ 上的 Riemann 度量。 动能

\[ T = \frac{1}{2}g_{ij}(q)\dot{q}^i\dot{q}^j = \frac{1}{2}\dot{q}^\top M(q)\dot{q} \]

是"长度平方"的动力学版本。自由运动（无外力）的方程是**测地方程**：

\[ \ddot{q}^i + \Gamma^i_{jk}\dot{q}^j\dot{q}^k = 0 \]

其中 Christoffel 符号

\[ \Gamma^i_{jk} = \frac{1}{2}g^{i\ell}\left(\frac{\partial g_{\ell k}}{\partial q^j} + \frac{\partial g_{\ell j}}{\partial q^k} - \frac{\partial g_{jk}}{\partial q^\ell}\right) \]

是由度量唯一确定的 Levi-Civita 联络。Coriolis 项 $C(q,\dot{q})\dot{q}$ 正是来自 Christoffel 符号。

应用视角：Slotine-Li 自适应控制利用 $\dot{M} - 2C$ 的斜对称性——这个性质来自度量张量的"无挠性"（Levi-Civita 联络的对称性）。不理解度量张量，就无法从几何层面理解这个控制设计。

⚠️ 常见陷阱¶

💡 概念误区 13：以为"升降指标只是乘以 $M$" 新手想法：升降指标就是矩阵乘法，没什么深刻的。 实际上：升降指标改变了张量的**类型**——从向量变成余向量，或反之。在物理上，速度（逆变）和力矩（协变）是不同的物理量，虽然在标准基下数值相同。度量张量是"翻译"这两种语言的字典。

练习¶

（推导题） 对度量 $g = \begin{pmatrix} 1 & 1/2 \\ 1/2 & 1 \end{pmatrix}$，计算逆度量 $g^{ij}$。对向量 $v = (v^1, v^2) = (1, 2)$，计算协变分量 $v_i = g_{ij}v^j$。验证 $v_i v^i = g_{ij}v^i v^j$。

§20 张量缩并与迹 ⭐⭐¶

§20.1 缩并¶

对 $(p,q)$-型张量，选择一对上下指标令其相等并求和（Einstein 约定自动完成），得到 $(p-1,q-1)$-型张量。无坐标形式：缩并是求值映射 $\operatorname{ev}: V \otimes V^* \to F$（$v \otimes \varphi \mapsto \varphi(v)$）的自然延拓。

例：对 $(1,1)$-型张量 $T^i_{\ j}$，缩并得标量 $T^i_{\ i} = \operatorname{tr}(T)$（迹）。

§20.2 迹的基不变性¶

在 $\operatorname{Hom}(V,V) \cong V^* \otimes V$ 的同构下，迹 $=$ 缩并唯一的指标对。基变换 $\tilde{T}^i_{\ j} = (A^{-1})^i_{\ k} T^k_{\ \ell} A^\ell_{\ j}$ 下 $\tilde{T}^i_{\ i} = (A^{-1})^i_{\ k} T^k_{\ \ell} A^\ell_{\ i} = T^k_{\ \ell} \delta^\ell_k = T^k_{\ k}$，即 $\operatorname{tr}(\tilde{T}) = \operatorname{tr}(T)$。

迹的基不变性是缩并的基本变换律的直接推论——不需要额外证明。

§20.3 缩并的坐标无关性¶

缩并的结果不依赖基的选择——这是因为缩并对应的是自然映射 $\operatorname{ev}: V \otimes V^* \to F$。"自然"在范畴论中有精确含义：$\operatorname{ev}(v \otimes \varphi) = \varphi(v)$ 不需要选择任何基。

相对照地，"取第 $i$ 个分量" $v \mapsto v^i$ 不是自然的——它依赖基的选择。缩并之所以给出不变量，是因为上指标的非自然性和下指标的非自然性"相互抵消"了。

这个观察的推论是：任何由张量的缩并和张量积组合得到的标量表达式都是坐标不变的。这就是为什么 $\operatorname{tr}(T)$、$\det(T)$、$T^{ij}S_{ij}$ 等等都不依赖基——它们都是缩并的结果。

§20.4 下游预告：Ricci 缩并¶

在 Riemann 几何中，Riemann 曲率张量 $R^i_{\ jk\ell}$ 是 $(1,3)$-型张量。对第一和第三指标缩并得 $(0,2)$-型的 Ricci 张量：

\[ R_{j\ell} = R^i_{\ ji\ell} \]

进一步用度量缩并得**标量曲率** $R = g^{j\ell}R_{j\ell}$。这两步缩并是 Einstein 场方程 $R_{j\ell} - \frac{1}{2}Rg_{j\ell} = 8\pi G T_{j\ell}$ 的左端——它把几何（曲率）与物质（能量-动量张量 $T_{j\ell}$）联系起来。

在机器人学中，虽然我们通常不处理 Einstein 方程，但配置空间的曲率张量（通过质量矩阵 $M(q)$ 定义的 Riemann 度量）确实影响运动规划——在正曲率区域，测地线（自由运动轨迹）趋于聚拢；在负曲率区域，测地线趋于发散。

§20.5 双缩并¶

对 $(0,2)$-型张量 $\sigma_{ij}$ 和 $(2,0)$-型张量 $\varepsilon^{ij}$，双缩并 $\sigma_{ij}\varepsilon^{ij}$ 是标量。物理中的"冒号积" $\sigma : \varepsilon$（应力-应变能密度）就是此运算。

§20.6 张量方程的指标运算¶

指标记号的强大之处在于复杂的张量方程可以系统地操作。以下是一些常见的指标操作模式：

模式 1：乘法后缩并。 $A^i_{\ j} B^j_{\ k} = C^i_{\ k}$（矩阵乘法的指标版本）。

模式 2：对称化。 $S_{ij} = \frac{1}{2}(T_{ij} + T_{ji})$（提取对称部分）。

模式 3：反对称化。 $A_{ij} = \frac{1}{2}(T_{ij} - T_{ji})$（提取反对称部分）。

模式 4：Levi-Civita 张量。 完全反对称张量 $\varepsilon_{ijk}$（$n=3$）满足 $\varepsilon_{123} = 1$，置换任意两个指标变号。叉积可以写为 $(u \times v)^i = \varepsilon^{ijk}u_j v_k$。

模式 5：Kronecker $\delta$。 $\delta^i_{\ j}$ 是 $(1,1)$-型张量，满足 $\delta^i_{\ j}v^j = v^i$（恒等映射）。

练习¶

（推导题） 对 $(2,1)$-型张量 $T^{ij}_{\ \ k}$，写出对 $(i,k)$ 缩并后的结果。它是什么类型的张量？
（推导题） 用 Levi-Civita 张量 $\varepsilon_{ijk}$ 和 Einstein 约定写出叉积 $(u \times v)^i = \varepsilon^{ijk}u_j v_k$。验证这与分量公式 $(u \times v)_1 = u_2 v_3 - u_3 v_2$ 等一致。
（证明题） 证明 $\varepsilon^{ijk}\varepsilon_{imn} = \delta^j_m \delta^k_n - \delta^j_n \delta^k_m$（Levi-Civita 恒等式）。这个恒等式在向量恒等式 $a \times (b \times c) = b(a \cdot c) - c(a \cdot b)$ 的证明中至关重要。

第八部分：进阶代数¶

§21 对称代数 $S(V)$ ⭐⭐⭐¶

§21.1 定义¶

对称代数是张量代数 $T(V)$ 商掉交换关系后的结果：

\[ S(V) = T(V) / \langle v \otimes w - w \otimes v : v,w \in V \rangle \]

它是 $V$ 生成的**自由交换代数**。

§21.2 与多项式环的同构¶

选定 $V$ 的基 $\{e_1,\ldots,e_n\}$ 后，$S(V) \cong F[x_1,\ldots,x_n]$（多项式环），通过 $e_i \mapsto x_i$。

分级维数：$\dim S^k(V) = \binom{n+k-1}{k}$（长度为 $k$ 的多项式的单项式个数）。

Poincare 级数：$\sum_{k=0}^{\infty} \dim S^k(V) \cdot t^k = \frac{1}{(1-t)^n}$。

对比外代数的 Poincare 级数 $\sum_{k=0}^{n} \dim \Lambda^k(V) \cdot t^k = (1+t)^n$。一个是 $1/(1-t)^n$，一个是 $(1+t)^n$——在物理中对应**玻色子**（对称，可以占据同一状态）和**费米子**（反对称，Pauli 不相容原理）。

练习¶

（开放思考题） 为什么对称代数 $S(V)$ 是无穷维的（$\dim S^k(V) > 0$ 对所有 $k$），而外代数 $\Lambda(V)$ 是有限维的（$\Lambda^k = 0$ 当 $k > n$）？用 $v \wedge v = 0$ 和 $v \cdot v = v^2 \neq 0$ 给出直觉解释。

§22 Clifford 代数与 Spin 群 ⭐⭐⭐¶

§22.1 动机：量子化外代数¶

外代数 $\Lambda(V)$ 满足 $v \wedge v = 0$（平方为零）。但如果向量有"长度"（二次型 $q$），我们可以修改这个关系为 $v \cdot v = q(v) \cdot 1$。这就是 Clifford 代数——它把度量信息编码进代数乘法中。

§22.2 定义¶

定义：给定二次型 $q: V \to F$，Clifford 代数

\[ \operatorname{Cl}(V, q) = T(V) / \langle v \otimes v - q(v) \cdot 1 : v \in V \rangle \]

当 $q \equiv 0$ 时，$\operatorname{Cl}(V,0) = \Lambda(V)$（外代数是 Clifford 代数的特例）。
当 $q$ 非退化时，Clifford 代数"量子化"了外代数。

乘法关系：选择 $q$-正交基 $\{e_1,\ldots,e_n\}$（$q(e_i) = q_i$），则

\[ e_i^2 = q_i, \quad e_i e_j = -e_j e_i \quad (i \neq j) \]

基和维数与外代数相同（$2^n$ 维），但乘法不同。

§22.3 四元数作为 Clifford 代数¶

$\operatorname{Cl}^+(3,0)$（$\operatorname{Cl}(\mathbb{R}^3, |\cdot|^2)$ 的偶子代数）同构于四元数 $\mathbb{H}$，通过

\[ i \leftrightarrow -e_2 e_3, \quad j \leftrightarrow -e_3 e_1, \quad k \leftrightarrow -e_1 e_2 \]

验证：$i^2 = (-e_2 e_3)^2 = e_2 e_3 e_2 e_3 = -e_2 e_2 e_3 e_3 = -(+1)(+1) = -1$。类似地 $j^2 = k^2 = -1$，$ij = k$ 等。

§22.4 对偶四元数与 $SE(3)$¶

四元数描述旋转 $SO(3)$，而**对偶四元数**（dual quaternions）描述刚体运动 $SE(3)$（旋转+平移）。

对偶数是形如 $a + \varepsilon b$ 的数，其中 $\varepsilon^2 = 0$（$\varepsilon$ 是"无穷小量"，类似于 Taylor 展开的一阶项）。对偶四元数 $\hat{q} = q + \varepsilon q'$ 中 $q$ 是旋转四元数，$q'$ 编码平移信息。

表示方法	描述的群	参数数	约束数	自由度
四元数 $q \in \mathbb{H}$, $	q	=1$	$SO(3)$	4
对偶四元数 $\hat{q}$	$SE(3)$	8	2	6
$4 \times 4$ 齐次矩阵	$SE(3)$	16	10	6

对偶四元数在航天器姿态和位置控制中广泛使用（Han et al. 2008），因为它避免了齐次矩阵的冗余参数化，同时支持高效的插值（ScLERP）。

§22.5 Spin 群与双重覆盖¶

$\operatorname{Spin}(n) \subseteq \operatorname{Cl}^+(n,0)$ 是 Clifford 代数偶子代数中的一个群，满足：

\[ \operatorname{Spin}(n) \xrightarrow{2:1} SO(n) \]

双重覆盖意味着 $SO(n)$ 中的每个旋转对应 $\operatorname{Spin}(n)$ 中的**两个**元素（$q$ 和 $-q$）。

$n=3$ 的具体情形：$\operatorname{Spin}(3) \cong SU(2) \cong$ 单位四元数。旋转 $R \in SO(3)$ 对应单位四元数 $q = \cos(\theta/2) + \sin(\theta/2)(n_1 i + n_2 j + n_3 k)$ 和 $-q$。

\[ R(v) = qvq^{-1} = (-q)v(-q)^{-1} \]

其中 $v$ 视为纯虚四元数。

应用视角：四元数法（SLERP 插值、无万向锁姿态控制）、对偶四元数（$SE(3)$ 的描述）、motor 代数（6-DOF 螺旋运动）——这些机器人学工具的数学本质都是 Clifford 代数。

⚠️ 常见陷阱¶

💡 概念误区 14：以为四元数"只是"另一种旋转表示 新手想法：四元数和旋转矩阵本质上一样，只是换了一种写法。 实际上：四元数 $q$ 和 $-q$ 表示同一个旋转——这个 $2:1$ 对应反映了 $SO(3)$ 的基本群 $\pi_1(SO(3)) = \mathbb{Z}/2$。Spin 群 $\operatorname{Spin}(3) \cong SU(2)$ 是 $SO(3)$ 的**万有覆盖**——它是单连通的。这个拓扑差异在控制中有实际后果：连续姿态控制不可避免地有"不连续点"（拓扑障碍），而在 $SU(2)$ 上可以做全局连续控制。

🧠 思维陷阱 9：以为 Clifford 代数只是代数好奇心 新手想法：$\operatorname{Cl}(V,q)$ 太抽象了，实际用不到。 实际上：Clifford 代数统一了标量、向量、二向量、三向量等所有几何对象。在**几何代数**（Geometric Algebra）框架下，旋转、反射、投影、对偶都可以用 Clifford 乘法统一表达。Dorst-Fontijne-Mann 的 Geometric Algebra for Computer Science 和 Selig 的 Geometric Fundamentals of Robotics 展示了这些应用。

练习¶

（推导题） 在 $\operatorname{Cl}(\mathbb{R}^2, |\cdot|^2)$ 中，验证 $e_1 e_2$ 满足 $(e_1 e_2)^2 = -1$。这意味着 $\operatorname{Cl}(\mathbb{R}^2) \cong$？
（跨章综合题） 结合 40_谱定理SVD与极分解.md 的极分解和本章的 Clifford 代数，解释为什么单位四元数参数化了 $SU(2) \cong \operatorname{Spin}(3)$。（提示：$SU(2)$ 是 $\mathbb{R}^4$ 中的单位球 $S^3$。）

本章常见误解汇总¶

编号	误解	正确理解
1	多线性映射 $=$ 线性映射	多线性是逐变量线性，严格强于整体线性
2	合同变换 $=$ 相似变换	相似保特征值，合同保签名——两个不同不变量
3	$v \otimes w$ 只是形式符号	蕴含商空间的全部双线性关系
4	所有张量都可分解为 $v \otimes w$	不可分解张量对应高秩映射（如单位阵）
5	Kronecker 积 $=$ 张量积	Kronecker 积是张量积在选定基后的矩阵表示
6	$V^{\otimes k}$ 总分解为对称+反对称	$k \ge 3$ 时有更多不可约分量
7	$v \wedge w = 0$ $\Rightarrow$ $v=0$ 或 $w=0$	等价于 $v,w$ 线性相关
8	叉积在任何维度都存在	只在 $n=3$ 和 $n=7$
9	行列式只是计算工具	它是体积放大率和定向的几何量
10	叉积是坐标无关的	楔积是，但叉积需要 Hodge 星（依赖度量和定向）
11	Hodge 星是纯代数运算	需要度量和定向
12	Einstein 约定中两个下标也可缩并	需一上一下配对（无度量时）
13	升降指标只是乘以矩阵	改变张量类型（向量 $\leftrightarrow$ 余向量）
14	四元数只是另一种旋转表示	反映 $SO(3)$ 的双重覆盖和拓扑性质

本章小结¶

符号表¶

符号	含义	首次出现
$\operatorname{Mult}(V_1,\ldots,V_k;W)$	$k$-线性映射空间	§1.4
$B: V \times V \to F$	双线性型	§2.2
$(p,q,z)$	Sylvester 签名	§2.5
$V \otimes W$	张量积	§3.2
$v \otimes w$	简单张量	§3.4
$\otimes_{\mathrm{Kr}}$	Kronecker 积	§4.2
$T^p_q(V)$	$(p,q)$-型张量空间	§5.4
$\operatorname{Sym}^k(V)$	对称 $k$-张量空间	§6.2
$\Lambda^k(V)$	反对称 $k$-张量空间（第 $k$ 外幂）	§6.2
$T(V)$	张量代数	§7.1
$\alpha \wedge \beta$	楔积	§8.2
$\Lambda(V)$	外代数	§9.1
$\det(T)$	行列式（外代数定义）	§11.2
$\operatorname{adj}(A)$	伴随矩阵（经典）	§14.1
$u \times v$	叉积	§15.2
$\iota_v$	内积（缩并）算子	§16.1
$*$	Hodge 星算子	§17.2
$v^i$, $\alpha_i$	逆变/协变分量	§18.2
$g_{ij}$, $g^{ij}$	度量张量及其逆	§19.1
$\flat$, $\sharp$	音乐同构（降/升指标）	§19.2
$\Gamma^i_{jk}$	Christoffel 符号	§19.3
$S(V)$	对称代数	§21.1
$\operatorname{Cl}(V,q)$	Clifford 代数	§22.2
$\operatorname{Spin}(n)$	Spin 群	§22.4

定理速查表¶

定理/公式	一句话说明	对应节
张量积泛性质	双线性映射 $\leftrightarrow$ 张量积上的线性映射	§3.2
$\dim(V \otimes W) = \dim V \cdot \dim W$	张量积的维数是因子维数之积	§3.5
$V^* \otimes W \cong \operatorname{Hom}(V,W)$	线性映射空间是张量积	§3.7
Sylvester 惯性律	实对称双线性型的签名是基变换不变量	§2.5
$\dim \Lambda^k(V) = \binom{n}{k}$	第 $k$ 外幂的维数	§10.1
分级反交换律	$\alpha \wedge \beta = (-1)^{pq}\beta \wedge \alpha$	§8.3
$\det(T) = \Lambda^n(T)$ 的标量	行列式的无坐标定义	§11.2
$\det(AB) = \det(A)\det(B)$	乘法性，由 $\Lambda^n$ 函子性一行证明	§12.1
$u \times v = *(u \wedge v)$	叉积 $=$ 楔积 + Hodge 星	§15.2
Hodge 星是等距	$\langle \omega, \eta \rangle = \langle \omega, \eta \rangle$	§17.4
$\operatorname{Spin}(3) \cong SU(2)$	单位四元数双重覆盖 $SO(3)$	§22.4

知识点总表¶

编号	知识点	核心要点	对应节	难度
1	多线性映射	逐变量线性，维数乘法	§1	⭐⭐
2	双线性型	合同变换，Sylvester 签名	§2	⭐⭐
3	张量积构造	泛性质，自由空间/商空间	§3	⭐⭐
4	Kronecker 积	张量积的矩阵表示	§4	⭐⭐
5	张量空间 $T^p_q(V)$	逆变/协变秩	§5	⭐⭐
6	对称/反对称分解	$S_k$ 作用，$\operatorname{Sym}^k$, $\Lambda^k$	§6	⭐⭐
7	张量代数 $T(V)$	自由结合代数	§7	⭐⭐⭐
8	楔积	反对称乘积，$v \wedge v = 0$	§8	⭐⭐
9	外代数 $\Lambda(V)$	分次代数，$\dim = 2^n$	§9	⭐⭐
10	外幂的基与维数	$\binom{n}{k}$，维数对偶性	§10	⭐⭐
11	行列式（外代数）	$\Lambda^n$ 上的标量，无坐标	§11	⭐⭐
12	行列式性质	乘法性一行证明	§12	⭐⭐
13	体积与定向	$	\det	$ = 体积放大率
14	Cramer 法则	理论价值，非数值	§14	⭐⭐⭐
15	叉积 $=$ 楔积 + Hodge 星	三维特有，维数偶然	§15	⭐⭐
16	内积算子 $\iota_v$	反导性，Cartan 公式预告	§16	⭐⭐⭐
17	Hodge 星	依赖度量和定向，等距	§17	⭐⭐
18	Einstein 约定	上下指标配对缩并	§18	⭐⭐
19	度量张量	升降指标，音乐同构	§19	⭐⭐
20	缩并与迹	迹 = 缩并，基不变	§20	⭐⭐
21	对称代数 $S(V)$	多项式环，玻色-费米对偶	§21	⭐⭐⭐
22	Clifford 代数	四元数，Spin 群，双重覆盖	§22	⭐⭐⭐

累积项目：本章新增模块¶

项目名称：手写张量计算库

本章为累积项目新增以下模块：

模块	功能	依赖
`TensorProduct`	两个向量空间的张量积计算	Ch1 基础结构
`ExteriorAlgebra`	楔积、外幂基计算	`TensorProduct`
`Determinant`	用外代数计算行列式	`ExteriorAlgebra`
`HodgeStar`	Hodge 星算子	`ExteriorAlgebra` + Ch2 内积
`IndexNotation`	指标升降、缩并	`TensorProduct` + Ch2 内积

本章新增任务：实现 $\Lambda^k(\mathbb{R}^n)$ 的基生成和楔积计算，用它验证 $\det(AB) = \det(A)\det(B)$。

延伸阅读¶

入门级 ⭐： - Axler, Linear Algebra Done Right, 4th edition, Chapter 10 —— 外代数最友好的入门。 - Spivak, Calculus on Manifolds, §4 —— 微分形式视角的简洁处理。

核心级 ⭐⭐： - Roman, Advanced Linear Algebra (GTM 135), §11, §14--§16 —— 张量积和外代数的标准教材。 - Halmos, Finite-Dimensional Vector Spaces, §23--§33 —— 经典抽象处理。 - Conrad, "Tensor Products I/II" (lecture notes) —— 张量积泛性质最清晰的讲解。

进阶级 ⭐⭐⭐： - Greub, Multilinear Algebra —— 多线性代数的百科全书。 - Lang, Algebra (GTM 211), §XIII, §XVI, §XIX —— 代数视角的系统处理。 - Lee, Introduction to Smooth Manifolds, §11--§16 —— 流形上的张量和微分形式。 - Bowen-Wang, Introduction to Vectors and Tensors, Vol. 1--2 —— 工程导向的张量分析。

研究级 ⭐⭐⭐⭐： - Lawson-Michelsohn, Spin Geometry, Chapter 1 —— Clifford 代数和 Spin 群。 - Selig, Geometric Fundamentals of Robotics, Chapter 9--10 —— 机器人中的几何代数。 - Dorst-Fontijne-Mann, Geometric Algebra for Computer Science —— 计算机科学中的应用。

本章与后续章节的关系¶

后续章节	与本章的关系	本章哪个知识点为其铺垫
`70_点集拓扑.md`	度量空间的结构	§2（双线性型诱导的度量）
`80_抽象代数.md`	群、环、代数的例子	§7（张量代数）、§22（Clifford 代数）
第一层：微分几何	微分形式 $\Omega^k(M)$、度量张量	§8--§10（外代数）、§19（度量）
第一层：李群	$\mathfrak{so}(3)$ 与帽映射	§15（叉积与 $\Lambda^2$）、§22（Spin 群）
第一层：Riemann 几何	Christoffel 符号、测地方程	§19（度量张量）、§20（缩并）
第二层：几何控制	Cartan 魔法公式、端口 Hamilton	§16（$\iota_v$）、§17（Hodge 星）
第二层：动力学	质量矩阵、Coriolis 项	§19（Riemann 度量）

故障排查手册¶

症状	可能原因	排查步骤	相关章节
张量积维数算错	混淆 $\dim(V \times W)$ 与 $\dim(V \otimes W)$	1. 确认是加法还是乘法 2. 检查 $\dim V \cdot \dim W$	§3.5
楔积符号算错	$(-1)^{pq}$ 写成 $(-1)^{p+q}$	1. 逐步写出换位过程 2. 检查 $p,q$ 的奇偶性	§8.3, §10.4
行列式乘法性证不出	用排列公式而非外代数	1. 回到 $\Lambda^n$ 定义 2. 用函子性	§12.1
指标缩并结果类型错误	缩并了两个同类型指标	1. 检查一上一下配对 2. 需要度量时先升/降	§18, §20
Hodge 星计算结果符号错	忘记 $\operatorname{sgn}(I,I^c)$	1. 写出完整排列 2. 数换位次数	§17.3

研究实践建议¶

给初学者：

先掌握 §1--§3（多线性映射、张量积构造、维数定理），这是全章的基础。不理解泛性质没关系——先记住"双线性 $\leftrightarrow$ 线性"的对应，用几次自然就懂了。
外代数（§8--§12）是投入产出比最高的部分。行列式的外代数定义（§11）和乘法性的一行证明（§12）是"顿悟时刻"——一旦理解，对行列式的认识会永久升级。
指标记号（§18--§19）需要大量练习。理论上简单，但手算容易犯错。建议对照具体例子（$2 \times 2$ 或 $3 \times 3$ 矩阵）做升降指标和缩并练习。
Clifford 代数（§22）可以后看。如果你暂时不涉及四元数或 Spin 群，可以先跳过。

给有经验者：

关注泛性质的范畴论视角（§3.2--§3.3）。泛性质是现代数学的基本工具——理解它在张量积中的应用，有助于理解其他代数构造（如局部化、完备化、诱导表示）。
深入 Hodge 星与 Maxwell 方程（§17.5）。Hodge 分解 $\Omega^k = d\Omega^{k-1} \oplus d^*\Omega^{k+1} \oplus \mathcal{H}^k$（精确形式+余精确形式+调和形式）是流形上 PDE 理论的核心。
探索几何代数在机器人学中的应用。Selig 的书展示了如何用 Clifford 代数统一处理旋转、平移、螺旋运动——比传统的齐次变换矩阵更优雅。

进一步学习路径：

方向	下一步	本章基础
微分形式	Lee Smooth Manifolds Ch. 14--16	§8--§10, §16--§17
Riemann 几何	do Carmo Riemannian Geometry	§19（度量张量）
辛几何/Hamilton 力学	Abraham-Marsden Foundations of Mechanics	§2（辛形式）, §17（Hodge 星）
代数拓扑	Hatcher Algebraic Topology	§10（外幂的维数）, §9（分次代数）
几何代数	Dorst et al. GA for CS	§22（Clifford 代数）
表示论	Fulton-Harris Representation Theory	§6（$S_k$ 作用）, §7（张量代数）

跨章综合练习¶

以下练习需要综合前几章（20_向量空间与线性变换、30_内积空间与伴随算子、40_谱定理SVD与极分解）和本章的知识。

（综合题：SVD 与外代数） 设 $T: V \to W$ 的 SVD 为 $T = U\Sigma V^*$，奇异值为 $\sigma_1 \ge \cdots \ge \sigma_r > 0$。证明 $\Lambda^k(T)$ 的奇异值恰好是 $\{\sigma_{i_1}\cdots\sigma_{i_k} : 1 \le i_1 < \cdots < i_k \le r\}$。特别地，$\Lambda^r(T)$ 的唯一奇异值是 $\sigma_1\cdots\sigma_r = |\det(T)|$（当 $V=W$ 且 $r=n$ 时）。（在草稿纸上完成。需综合 §A2c 的 SVD 和本章 §11 的行列式定义。）
（综合题：内积与 Hodge 星） 设 $V = \mathbb{R}^3$ 配标准内积。验证 Hodge 星将 $1$-形式的"梯度"、$2$-形式的"旋度"、$3$-形式的"散度"统一为外微分 $d$ 的不同伪装。具体地：$\nabla f = \sharp(df)$，$\nabla \times F = \sharp(*d(\flat(F)))$，$\nabla \cdot F = *d*(\flat(F))$。这里 $\flat$ 和 $\sharp$ 是 §19 的音乐同构。（需综合 §A2b 的内积、§17 的 Hodge 星、§19 的升降指标。）
（综合题：四元数与极分解） 单位四元数 $q \in SU(2)$ 通过 $R(v) = qvq^{-1}$ 给出旋转。设 $q = a + bi + cj + dk$，写出对应的 $3 \times 3$ 旋转矩阵 $R$ 的显式公式。然后用 40_谱定理SVD与极分解.md 的极分解验证：任意可逆 $3 \times 3$ 矩阵 $A = R|A|$ 中的 $R$ 可以用单位四元数表示（当 $\det(A)>0$ 时）。
（综合题：Gram 行列式与 Yoshikawa 可操作度） 设机械臂 Jacobian $J$ 为 $3 \times 6$ 矩阵。Yoshikawa 可操作度定义为 $w = \sqrt{\det(JJ^\top)}$。证明 $w$ 等于 $J$ 的六个列向量在 $\mathbb{R}^3$ 中形成的"广义体积"，并用 Gram 行列式公式 $\det(JJ^\top) = \sum_{|I|=3} (\det J_I)^2$（$J_I$ 是 $J$ 的 $3 \times 3$ 子矩阵）给出 $w$ 的组合解释。

版本信息速查¶

工具/库	版本	用途
Eigen（C++）	3.4+	矩阵运算、Kronecker 积验证
NumPy（Python）	1.24+	`numpy.kron` 计算 Kronecker 积
SymPy（Python）	1.12+	符号张量积和楔积计算
manif（C++）	0.0.4+	Lie 群/Lie 代数运算（本章 §15 的帽映射）
SageMath	10.0+	符号化外代数和张量积（教学验证）
Mathematica	14.0+	TensorProduct, WedgeProduct 函数

全章回顾：本章从线性跳到多线性，建立了张量积（§3）和外代数（§8--§10）两大代数工具。用外代数给出了行列式的无坐标定义（§11），一行证明了乘法性（§12），揭示了叉积的维数偶然性本质（§15）。通过指标记号（§18--§20）桥接了抽象代数与物理/工程的计算实践。最后以 Clifford 代数（§22）收尾，连接了四元数与 Spin 群。这些工具在下一层（微分几何、李群）中将"逐点黏在流形上"，成为微分形式、联络和曲率的代数基础。

给读者的一句话：如果 A2a--A2d 是学会了"读写"，那么 A2e 就是学会了"修辞"——同样的向量、矩阵、内积，在张量与外代数的视角下获得了内蕴、协变、几何化的新表达。掌握这套语言，机器人学的微分几何就不再神秘。

对象	类型	多线性性质
内积 \(\langle u,v \rangle\)	双线性 \(V \times V \to \mathbb{R}\)	对称
叉积 \(u \times v\)	双线性 \(\mathbb{R}^3 \times \mathbb{R}^3 \to \mathbb{R}^3\)	反对称
行列式 \(\det(v_1,\ldots,v_n)\)	\(n\)-线性 \((F^n)^n \to F\)	完全反对称
质量矩阵 \(\dot{q}^\top M(q)\dot{q}\)	双线性型 \(T_qQ \times T_qQ \to \mathbb{R}\)	对称正定
Yoshikawa 可操作度 \(\sqrt{\det(JJ^\top)}\)	通过 \(\Lambda^n\) 的合成	由 \(n\)-线性行列式诱导

\((p,q)\)	对象	机器人学中的例子
\((1,0)\)	向量 \(v \in V\)	速度 \(\dot{q}\)
\((0,1)\)	余向量 \(\varphi \in V^*\)	力/力矩 \(\tau\)
\((1,1)\)	线性映射 \(T \in \operatorname{Hom}(V,V)\)	Jacobian \(J\)
\((0,2)\)	双线性型 \(B: V \times V \to F\)	质量矩阵 \(M(q)\), 度量 \(g\)
\((2,0)\)	\(V \otimes V\) 中的元素	逆度量 \(g^{-1}\)

\(k\)	\(\dim \operatorname{Sym}^k(\mathbb{R}^3)\)	\(\dim \Lambda^k(\mathbb{R}^3)\)
0	1	1
1	3	3
2	6	3
3	10	1
4	15	0

作用对象	\(\iota_v\) 的经典对应	结果
\(3\)-形式（体积元）	\(v \cdot\) 体积元	\(2\)-形式（面积元）
\(2\)-形式	类似"点乘"	\(1\)-形式
\(1\)-形式	\(v\) 与余向量配对	标量

编号	问题	答不出 \(\to\) 回顾
1	对偶空间 \(V^*\) 的元素是什么？给定 \(V\) 的基 \(\{e_1,\ldots,e_n\}\)，对偶基 \(\{e^1,\ldots,e^n\}\) 满足什么关系？	`20_向量空间` §对偶空间
2	Riesz 表示定理说了什么？它给出了 \(V\) 与 \(V^*\) 之间怎样的联系？	`30_内积空间` §Riesz
3	内积 \(\langle u,v \rangle\) 关于每个变量分别是什么？如果固定 \(u\)，映射 \(v \mapsto \langle u,v \rangle\) 是线性的还是共轭线性的？	`30_内积空间` §内积公理
4	行列式 \(\det(A)\) 满足 \(\det(AB)=\det(A)\det(B)\)，但你能从排列公式直接看出这一点吗？觉得困难的话，本章会给出一行证明。	`40_谱定理SVD` + 本章 §6
5	什么是线性映射的像（range）和核（kernel）？如果 \(\{v_1,\ldots,v_k\}\) 线性无关，\(T\) 的限制在这组向量上一定是单射吗？	`20_向量空间` §线性映射

空间	维数	公式性质
\(\operatorname{Hom}(V \oplus W, U)\)	\((\dim V + \dim W) \cdot \dim U\)	加法
\(\operatorname{Mult}(V, W; U)\)	\((\dim V) \cdot (\dim W) \cdot \dim U\)	乘法

变换类型	公式	保持不变的	何时出现
相似	\(P^{-1}MP\)	特征值、迹、行列式	线性映射 \(T\) 在不同基下的矩阵
合同	\(P^\top MP\)	签名（正/负/零特征值个数）	双线性型 \(B\) 在不同基下的矩阵

双线性型类型	对称性	标准形	物理应用
正定对称	\(B(u,v)=B(v,u)\), \(B(v,v)>0\)	\(I_n\)	动能、Riemann 度量
不定对称	\(B(u,v)=B(v,u)\)	\(\operatorname{diag}(\pm 1)\)	Minkowski 度量
非退化反对称	\(B(u,v)=-B(v,u)\)	\(J\)	辛形式、Hamilton 力学

性质	公式	备注
迹	\(\operatorname{tr}(T \otimes S) = \operatorname{tr}(T) \cdot \operatorname{tr}(S)\)	迹是"乘法性的"
行列式	\(\det(T \otimes S) = \det(T)^n \cdot \det(S)^m\)	\(m = \dim V\), \(n = \dim W\)
秩	\(\operatorname{rank}(T \otimes S) = \operatorname{rank}(T) \cdot \operatorname{rank}(S)\)	秩也是"乘法性的"
特征值	\(\lambda_i(T) \cdot \mu_j(S)\) 是 \(T \otimes S\) 的特征值	所有两两乘积

性质	公式	外代数证明思路
乘法性	\(\det(AB) = \det(A)\det(B)\)	\(\Lambda^n\) 的函子性
单位	\(\det(I) = 1\)	\(\Lambda^n(\operatorname{id}) = \operatorname{id}\)
逆	\(\det(A^{-1}) = (\det A)^{-1}\)	乘法性 + \(\det(I)=1\)
可逆性	\(A\) 可逆 \(\iff\) \(\det A \neq 0\)	\(\Lambda^n(A)\) 可逆 \(\iff\) 非零标量
转置	\(\det(A^\top) = \det(A)\)	排列求和的对称性

情形	后果
弯曲空间（广义相对论）	\(g_{ij} \neq \delta_{ij}\)，\(v^i \neq v_i\)
非正交基（关节空间）	质量矩阵 \(M_{ij} \neq \delta_{ij}\)
Minkowski 时空	\(g = \operatorname{diag}(-1,+1,+1,+1)\)，混淆导致符号错误

表示方法	描述的群	参数数	约束数	自由度
四元数 \(q \in \mathbb{H}\), $	q	=1$	\(SO(3)\)	4
对偶四元数 \(\hat{q}\)	\(SE(3)\)	8	2	6
\(4 \times 4\) 齐次矩阵	\(SE(3)\)	16	10	6

编号	误解	正确理解
1	多线性映射 \(=\) 线性映射	多线性是逐变量线性，严格强于整体线性
2	合同变换 \(=\) 相似变换	相似保特征值，合同保签名——两个不同不变量
3	\(v \otimes w\) 只是形式符号	蕴含商空间的全部双线性关系
4	所有张量都可分解为 \(v \otimes w\)	不可分解张量对应高秩映射（如单位阵）
5	Kronecker 积 \(=\) 张量积	Kronecker 积是张量积在选定基后的矩阵表示
6	\(V^{\otimes k}\) 总分解为对称+反对称	\(k \ge 3\) 时有更多不可约分量
7	\(v \wedge w = 0\) \(\Rightarrow\) \(v=0\) 或 \(w=0\)	等价于 \(v,w\) 线性相关
8	叉积在任何维度都存在	只在 \(n=3\) 和 \(n=7\)
9	行列式只是计算工具	它是体积放大率和定向的几何量
10	叉积是坐标无关的	楔积是，但叉积需要 Hodge 星（依赖度量和定向）
11	Hodge 星是纯代数运算	需要度量和定向
12	Einstein 约定中两个下标也可缩并	需一上一下配对（无度量时）
13	升降指标只是乘以矩阵	改变张量类型（向量 \(\leftrightarrow\) 余向量）
14	四元数只是另一种旋转表示	反映 \(SO(3)\) 的双重覆盖和拓扑性质

符号	含义	首次出现
\(\operatorname{Mult}(V_1,\ldots,V_k;W)\)	\(k\)-线性映射空间	§1.4
\(B: V \times V \to F\)	双线性型	§2.2
\((p,q,z)\)	Sylvester 签名	§2.5
\(V \otimes W\)	张量积	§3.2
\(v \otimes w\)	简单张量	§3.4
\(\otimes_{\mathrm{Kr}}\)	Kronecker 积	§4.2
\(T^p_q(V)\)	\((p,q)\)-型张量空间	§5.4
\(\operatorname{Sym}^k(V)\)	对称 \(k\)-张量空间	§6.2
\(\Lambda^k(V)\)	反对称 \(k\)-张量空间（第 \(k\) 外幂）	§6.2
\(T(V)\)	张量代数	§7.1
\(\alpha \wedge \beta\)	楔积	§8.2
\(\Lambda(V)\)	外代数	§9.1
\(\det(T)\)	行列式（外代数定义）	§11.2
\(\operatorname{adj}(A)\)	伴随矩阵（经典）	§14.1
\(u \times v\)	叉积	§15.2
\(\iota_v\)	内积（缩并）算子	§16.1
\(*\)	Hodge 星算子	§17.2
\(v^i\), \(\alpha_i\)	逆变/协变分量	§18.2
\(g_{ij}\), \(g^{ij}\)	度量张量及其逆	§19.1
\(\flat\), \(\sharp\)	音乐同构（降/升指标）	§19.2
\(\Gamma^i_{jk}\)	Christoffel 符号	§19.3
\(S(V)\)	对称代数	§21.1
\(\operatorname{Cl}(V,q)\)	Clifford 代数	§22.2
\(\operatorname{Spin}(n)\)	Spin 群	§22.4

定理/公式	一句话说明	对应节
张量积泛性质	双线性映射 \(\leftrightarrow\) 张量积上的线性映射	§3.2
\(\dim(V \otimes W) = \dim V \cdot \dim W\)	张量积的维数是因子维数之积	§3.5
\(V^* \otimes W \cong \operatorname{Hom}(V,W)\)	线性映射空间是张量积	§3.7
Sylvester 惯性律	实对称双线性型的签名是基变换不变量	§2.5
\(\dim \Lambda^k(V) = \binom{n}{k}\)	第 \(k\) 外幂的维数	§10.1
分级反交换律	\(\alpha \wedge \beta = (-1)^{pq}\beta \wedge \alpha\)	§8.3
\(\det(T) = \Lambda^n(T)\) 的标量	行列式的无坐标定义	§11.2
\(\det(AB) = \det(A)\det(B)\)	乘法性，由 \(\Lambda^n\) 函子性一行证明	§12.1
\(u \times v = *(u \wedge v)\)	叉积 \(=\) 楔积 + Hodge 星	§15.2
Hodge 星是等距	\(\langle \omega, \eta \rangle = \langle \omega, \eta \rangle\)	§17.4
\(\operatorname{Spin}(3) \cong SU(2)\)	单位四元数双重覆盖 \(SO(3)\)	§22.4

症状	可能原因	排查步骤	相关章节
张量积维数算错	混淆 \(\dim(V \times W)\) 与 \(\dim(V \otimes W)\)	1. 确认是加法还是乘法 2. 检查 \(\dim V \cdot \dim W\)	§3.5
楔积符号算错	\((-1)^{pq}\) 写成 \((-1)^{p+q}\)	1. 逐步写出换位过程 2. 检查 \(p,q\) 的奇偶性	§8.3, §10.4
行列式乘法性证不出	用排列公式而非外代数	1. 回到 \(\Lambda^n\) 定义 2. 用函子性	§12.1
指标缩并结果类型错误	缩并了两个同类型指标	1. 检查一上一下配对 2. 需要度量时先升/降	§18, §20
Hodge 星计算结果符号错	忘记 \(\operatorname{sgn}(I,I^c)\)	1. 写出完整排列 2. 数换位次数	§17.3

多线性代数、张量积与外代数¶

前置自测 ⭐¶

本章目标 ⭐¶

本章知识导航 ⭐¶

前置知识桥接 ⭐¶

如果跳过本章会怎样 ⭐¶

预计阅读时间 ⭐¶

第一部分：多线性映射与双线性型¶

§1 多线性映射 ⭐⭐¶

§1.1 动机：为什么线性不够用¶

§1.2 多线性映射的定义¶

§1.3 多线性映射与线性映射的本质区别¶

§1.4 多线性映射空间¶

§1.5 经典例子¶

§1.6 机器人学中的多线性对象¶

⚠️ 常见陷阱¶

§1.7 多线性映射与线性映射的维数对比¶

练习¶

§2 双线性型与 Sylvester 惯性律 ⭐⭐¶

§2.1 动机：从内积到一般双线性型¶

§2.2 双线性型的定义与矩阵表示¶

§2.3 对称型、反对称型、非退化性¶

§2.4 对称型的对角化¶

§2.5 Sylvester 惯性律¶

§2.6 二次型与极化恒等式¶

§2.7 机器人学中的双线性型¶

⚠️ 常见陷阱¶

§2.8 反对称双线性型与辛形式¶

练习¶

第二部分：张量积¶

§3 张量积 \(V \otimes W\)：泛性质与构造 ⭐⭐¶

§3.1 动机：让多线性"变成"线性¶

§3.2 泛性质（Universal Mapping Property）¶

§3.3 泛性质的唯一性¶

§3.4 具体构造¶

§3.5 维数定理¶

§3.6 简单张量与一般张量¶

§3.7 张量积的代数性质¶

§3.8 同构 \(V^* \otimes W \cong \operatorname{Hom}(V,W)\)¶

⚠️ 常见陷阱¶

练习¶

§4 线性映射的张量积与 Kronecker 积 ⭐⭐¶

§4.1 映射的张量积¶

§4.2 矩阵表示：Kronecker 积¶

⚠️ 常见陷阱¶

练习¶

§5 迭代张量积与张量空间 ⭐⭐¶

§5.1 结合律¶

§5.2 张量幂¶

§5.3 对称群作用¶

§5.4 \((p,q)\)-型张量空间¶

⚠️ 常见陷阱¶

练习¶

第三部分：对称与反对称张量¶

§6 对称与反对称张量 ⭐⭐¶

§6.1 对称化与反对称化算子¶

§6.2 对称张量空间与反对称张量空间¶

§6.3 物理意义¶

⚠️ 常见陷阱¶

练习¶

§7 张量代数 \(T(V)\) ⭐⭐⭐¶

§7.1 定义与泛性质¶

§7.2 通往外代数与对称代数的桥梁¶

第四部分：外代数与楔积¶

§8 楔积的定义 ⭐⭐¶

§8.1 动机：为什么需要反对称乘积¶

§8.2 两种等价定义¶

§8.3 基本性质¶

§8.4 为什么两种定义等价¶

§8.5 可分解楔积的几何意义¶

⚠️ 常见陷阱¶

练习¶

§8.6 楔积的结合律¶

§9 外代数 \(\Lambda(V)\) 作为分次代数 ⭐⭐¶

§9.1 结构¶

§9.2 \(\mathbb{Z}_2\)-分级与超交换¶

§9.3 下游预告：微分形式¶

§10 \(\Lambda^k(V)\) 的基与维数 ⭐⭐¶

§10.1 基的构造¶

§10.2 分级反交换律的完整证明¶