1. 從歐氏空間到酉空間內(nèi)積的復(fù)數(shù)化改了什么高等代數(shù)講到度量線性空間這一章前面的歐氏空間相對好接受畢竟是實數(shù)域長度、夾角都有幾何直覺兜底。到了酉空間不少同學(xué)開始蒙圈——內(nèi)積的對稱性變成了共軛對稱性第一變元是共軛線性的標(biāo)準(zhǔn)正交基下的度量矩陣成了埃爾米特矩陣。一系列復(fù)數(shù)版概念涌過來最本質(zhì)的東西其實是同一個我們?nèi)匀辉诿枋鲩L度和夾角只是換到了復(fù)數(shù)域。為什么非要有這么一套理論因為實系數(shù)多項式在實數(shù)域里可能沒有根但特征多項式在復(fù)數(shù)域里一定可以分解成一次因式。這一條代數(shù)基本定理直接決定了復(fù)線性變換的結(jié)構(gòu)遠(yuǎn)比實線性變換簡單。正交變換在歐氏空間里沒那么容易對角化但酉變換在酉空間里總是可以幺正對角化即通過酉矩陣化為對角形。讀這一節(jié)時腦子里始終要有一條主線酉空間 復(fù)線性空間 一個帶共軛的內(nèi)積而酉變換、埃爾米特變換、正規(guī)變換都是從這個內(nèi)積出發(fā)長出來的特殊變換類。1.1 內(nèi)積定義的四個條件哪一條變了設(shè) (V) 是復(fù)數(shù)域 (\mathbb{C}) 上的線性空間。(V) 上內(nèi)積定義為滿足下面條件的二元函數(shù) (\langle x,y\rangle)共軛對稱性(\langle x,y\rangle\overline{\langle y,x\rangle})對第一變元線性(\langle kx,y\ranglek\langle x,y\rangle)(\langle xy,z\rangle\langle x,z\rangle\langle y,z\rangle)正定性(\langle x,x\rangle\ge 0)且等號成立當(dāng)且僅當(dāng) (x0)。和歐氏空間內(nèi)積分歧最大的一處就是共軛對稱性。實數(shù)域里 (\langle x,y\rangle\langle y,x\rangle)因為實數(shù)的共軛等于自己但復(fù)數(shù)不行(\langle x,y\rangle) 和 (\langle y,x\rangle) 是共軛關(guān)系。這個變化帶來的連鎖反應(yīng)是如果對第二變元取線性會少一個共軛。事實上由共軛對稱性和第一變元線性可以推出對第二變元是共軛線性的即 (\langle x,ky\rangle\overline{k}\langle x,y\rangle)。這是酉空間內(nèi)積最容易被忽略的運算規(guī)則——提取第二個變元的常數(shù)因子時要提取它的共軛。很多人在這里問為什么不能規(guī)定對兩個變元都線性答案是那樣無法保證 (\langle x,x\rangle) 一定是個非負(fù)實數(shù)。正定性要求 (\langle x,x\rangle) 必須是實數(shù)而 (\langle x,x\rangle\overline{\langle x,x\rangle}) 自動推出它是實數(shù)這個性質(zhì)嚴(yán)重依賴第一條共軛對稱性。所以一邊線性、一邊共軛線性不是約定俗成而是邏輯必然。1.2 度量矩陣從對稱矩陣變成埃爾米特矩陣取酉空間 (V) 的一組基 (\varepsilon_1,\varepsilon_2,\dots,\varepsilon_n)令[ a_{ij}\langle \varepsilon_i,\varepsilon_j\rangle ]則矩陣 (A(a_{ij})) 稱為這組基下的度量矩陣。由共軛對稱性可知 (a_{ij}\overline{a_{ji}})即 (A^{}A)這就是埃爾米特矩陣。同時正定性要求對任意非零坐標(biāo)向量 (x)都有 (x^{}Ax\ge 0)稱之為正定埃爾米特矩陣。理解這一步很關(guān)鍵歐氏空間里度量矩陣是對稱矩陣酉空間里度量矩陣是埃爾米特矩陣兩者邏輯位置完全平行。以后遇到的結(jié)論幾乎都可以按這個平行關(guān)系去對照記憶。比如兩組基下度量矩陣的合同關(guān)系實數(shù)域?qū)?(BC^{T}AC)復(fù)數(shù)域?qū)?(BC^{*}AC)。一個經(jīng)常被忽略的小細(xì)節(jié)坐標(biāo)向量的內(nèi)積公式在酉空間里是 (\langle x,y\rangle\boldsymbol{x}^{*}A\boldsymbol{y})注意是 (x) 的共軛轉(zhuǎn)置乘以 (A) 再乘以 (y)而不是 (x^{T})。很多題目做錯都錯在這一步。2. 酉空間的基本幾何長度不變但夾角的意義變了有了內(nèi)積就可以定義向量的長度[ |x|\sqrt{\langle x,x\rangle} ]注意 (\langle x,x\rangle) 是正實數(shù)所以開方?jīng)]有問題。兩個向量 (x,y) 的夾角則通過[ \cos\theta\frac{\operatorname{Re}\langle x,y\rangle}{|x||y|} ]來定義。這里和歐氏空間有一點微妙差異復(fù)數(shù)域上 (\langle x,y\rangle) 一般是復(fù)數(shù)其余弦值未必落在 ([-1,1])所以余弦定理敘述起來很別扭。好在高等代數(shù)課程里很少真正用夾角做什么核心在標(biāo)準(zhǔn)正交基和酉對角化所以不用把過多精力放在幾何直覺上。2.1 標(biāo)準(zhǔn)正交基的存在性施密特正交化還是那套酉空間是否一定有標(biāo)準(zhǔn)正交基答案是肯定的方法就是復(fù)的施密特正交化。步驟和歐氏空間一模一樣唯一的區(qū)別是投影系數(shù)里要取共軛[ \beta_k\alpha_k-\sum_{j1}^{k-1}\langle \alpha_k,\beta_j\rangle注意這里投影系數(shù)是 (\alpha_k,\beta_j)/(\beta_j,\beta_j) 需要用共軛 ]經(jīng)常有同學(xué)在復(fù)正交化時算錯系數(shù)。記住一個口訣計算 (\langle \alpha_k,\beta_j\rangle) 時第一個變元是 (\alpha_k)第二個是 (\beta_j)但是當(dāng)把系數(shù)乘回 (\beta_j) 時這個系數(shù)恰好是上述內(nèi)積除以 (|\beta_j|^2) 的復(fù)數(shù)不用再取共軛。實際上由內(nèi)積第一變元線性(\langle \alpha_k-\sum c_j\beta_j,\beta_i\rangle0) 解出 (c_i\frac{\langle \alpha_k,\beta_i\rangle}{\langle \beta_i,\beta_i\rangle})。整個過程和實數(shù)的區(qū)別只是算內(nèi)積的時候多一道共軛其他沒什么兩樣。2.2 標(biāo)準(zhǔn)正交基下的坐標(biāo)與 Parseval 恒等式若 (\varepsilon_1,\dots,\varepsilon_n) 是標(biāo)準(zhǔn)正交基則任意向量 (x) 有[ x\sum_{i1}^{n}\langle x,\varepsilon_i\rangle\varepsilon_i ]于是[ |x|^2\sum_{i1}^{n}|\langle x,\varepsilon_i\rangle|^2 ]這個式子也叫 Parseval 恒等式常用于把內(nèi)積計算化歸為坐標(biāo)向量的標(biāo)準(zhǔn)內(nèi)積。在酉空間里它是 (\sum |z_i|^2)而不是 (\sum z_i^2)。這一點看似簡單卻是后續(xù)證明中最常用的工具只要選定標(biāo)準(zhǔn)正交基內(nèi)積就化為標(biāo)準(zhǔn)的 (\sum x_i\overline{y_i})復(fù)雜的變換就變成了矩陣運算。標(biāo)準(zhǔn)正交基的存在還帶來一個直接結(jié)論任何正定埃爾米特矩陣 (A)都存在可逆矩陣 (C) 使得 (C^{*}ACI)。這對應(yīng)歐氏空間里正定對稱矩陣合同于單位矩陣的復(fù)數(shù)版本。證明思路也是選取一組標(biāo)準(zhǔn)正交基構(gòu)造過渡矩陣。3. 酉變換保持內(nèi)積的復(fù)線性變換定義不復(fù)雜酉空間 (V) 上的線性變換 (\mathcal{U}) 若滿足[ \langle \mathcal{U}x,\mathcal{U}y\rangle\langle x,y\rangle,\quad \forall x,y\in V ]就稱為酉變換。這是正交變換在復(fù)數(shù)域上的平行概念。因為內(nèi)積不變所以長度、正交性、標(biāo)準(zhǔn)正交基全部保持幾何上勉強(qiáng)可以理解為復(fù)空間中的剛性變換。3.1 酉變換的等價條件一個比一個好記判別一個線性變換是不是酉變換可以從很多側(cè)面看。最常用的是下面幾條等價條件(\mathcal{U}) 保持內(nèi)積(\mathcal{U}) 保持長度即 (|\mathcal{U}x||x|) 對所有 (x) 成立(\mathcal{U}) 把標(biāo)準(zhǔn)正交基映為標(biāo)準(zhǔn)正交基(\mathcal{U}) 在標(biāo)準(zhǔn)正交基下的矩陣 (U) 滿足 (U^{}UI)即 (U^{}U^{-1})。這里特別推薦保持長度等價于保持內(nèi)積這條。證明用極化恒等式復(fù)版本[ \langle x,y\rangle\frac{1}{4}\left(|xy|^2-|x-y|^2i|xiy|^2-i|x-iy|^2\right) ]只要等式右邊每一塊的范數(shù)都不變左邊自然不變。實數(shù)版本沒有最后兩項帶虛數(shù)的部分而復(fù)版本必須有這幾項才能湊出完整的實部和虛部。平時做選擇題判斷一個復(fù)矩陣是否酉矩陣最推薦直接算 (U^{*}U) 是否等于 (I)這個方法最穩(wěn)也最省事。3.2 酉矩陣的結(jié)構(gòu)列向量是標(biāo)準(zhǔn)正交基在標(biāo)準(zhǔn)正交基下酉變換對應(yīng)的矩陣 (U) 稱為酉矩陣。展開 (U^{}UI)對角線上的元素就是各列向量與自己內(nèi)積的模平方非對角線元素是不同列向量的內(nèi)積。所以條件 (U^{}UI) 等價于說酉矩陣的列向量構(gòu)成一組標(biāo)準(zhǔn)正交基。由于 (U^{*}U^{-1})同時可以推出行向量也是標(biāo)準(zhǔn)正交基。酉矩陣的典型例子非常多對角元模長為1的對角矩陣比如 (\operatorname{diag}(e^{i\theta_1},e^{i\theta_2},\dots,e^{i\theta_n}))再比如[ \begin{pmatrix} \cos\theta -\sin\theta \ \sin\theta \cos\theta \end{pmatrix} ]只是現(xiàn)在允許 (\theta) 取任意實數(shù)。復(fù)數(shù)域上的旋轉(zhuǎn)矩陣和實數(shù)版形式上幾乎一樣只是過去它描述的是平面旋轉(zhuǎn)現(xiàn)在依然是某種角度意義上的變換。3.3 酉變換的特征值為什么都是模長為1設(shè) (\lambda) 是酉變換 (\mathcal{U}) 的特征值對應(yīng)單位特征向量 (x)即 (|x|1)。由內(nèi)積保持性[ \langle \mathcal{U}x,\mathcal{U}x\rangle\langle \lambda x,\lambda x\rangle|\lambda|^2\langle x,x\rangle ]而左邊等于 (\langle x,x\rangle)所以 (|\lambda|^21)。這是酉變換最重要的譜性質(zhì)比正交變換實特征值為 (\pm1)來得更干凈——因為復(fù)數(shù)域上特征值未必是實數(shù)所以用模長1來描述。更妙的是酉變換在復(fù)數(shù)域上必定可以酉對角化。這和實正交變換不同實正交矩陣的特征多項式在實數(shù)域上未必能全部分解但復(fù)數(shù)域上肯定能所以酉變換的可對角化性質(zhì)是天然的。后面講正規(guī)變換時會看到酉變換只是正規(guī)變換的特例而正規(guī)變換的核心定理正是酉對角化。4. 埃爾米特變換與埃爾米特矩陣復(fù)數(shù)域的實對稱每當(dāng)遇到一個新的變換類我總是先問它在標(biāo)準(zhǔn)正交基下對應(yīng)的矩陣是什么樣埃爾米特變換的定義是[ \langle \mathcal{A}x,y\rangle\langle x,\mathcal{A}y\rangle,\quad \forall x,y\in V ]在標(biāo)準(zhǔn)正交基下取矩陣 (A)可以推出 (A^{*}A)即 (A) 是埃爾米特矩陣。所以埃爾米特變換與埃爾米特矩陣是一一對應(yīng)的。從結(jié)構(gòu)上看它相當(dāng)于實對稱變換在復(fù)數(shù)域的升級版。4.1 為什么埃爾米特矩陣的特征值一定是實數(shù)這是本節(jié)最漂亮的一個結(jié)論。設(shè) (\lambda) 是埃爾米特矩陣 (A) 的特征值(x) 是特征向量且 (|x|1)。則[ \lambda\lambda\langle x,x\rangle\langle \lambda x,x\rangle\langle Ax,x\rangle ]而另一方面[ \overline{\lambda}\langle x,\lambda x\rangle\langle x,Ax\rangle\langle Ax,x\rangle\lambda ]注意這里第三步用了埃爾米特矩陣的定義 (\langle Ax,x\rangle\langle x,Ax\rangle)。所以 (\lambda\overline{\lambda})即 (\lambda) 是實數(shù)。這個證明簡潔、優(yōu)美、必須背下來?？荚嚦？嫉木褪桥c本題類似的一個變體證明埃爾米特矩陣的屬于不同特征值的特征向量在不同特征值下互相正交。設(shè) (\lambda_1\neq\lambda_2)由[ \lambda_1\langle x,y\rangle\langle Ax,y\rangle\langle x,Ay\rangle\lambda_2\langle x,y\rangle ]而 (\lambda_1,\lambda_2) 都是復(fù)數(shù)注意這一步要把第二個 (\lambda_2) 取共軛處理但因為我們已證明 (\lambda_2) 是實數(shù)所以可以直接提出得到 ((\lambda_1-\lambda_2)\langle x,y\rangle0)從而 (\langle x,y\rangle0)。4.2 反埃爾米特變換與酉變換中的指數(shù)映射與埃爾米特變換平行的還有反埃爾米特變換[ \mathcal{B}^{*}-\mathcal{B} ]對應(yīng)矩陣滿足 (B^{*}-B)。它在物理和微分方程里隨處可見例如波動方程的時間演化算子經(jīng)常寫成這種形式。它和酉變換之間有一個非常優(yōu)雅的聯(lián)系如果 (B) 是反埃爾米特矩陣那么 (e^{B})矩陣指數(shù)是酉矩陣。反過來任意酉矩陣 (U) 都可以寫成 (e^{B}) 的形式其中 (B) 是反埃爾米特矩陣。有興趣的讀者不妨驗證一個方向若 (B^{*}-B)則[ (e^{B})^{}e^{B^{}}e^{-B}(e^{B})^{-1} ]所以 (e^{B}) 是酉矩陣。這不是考試重點但它能幫你理解為什么酉變換的特征值都落在單位圓上——指數(shù)函數(shù)把純虛數(shù)映到模長為1的復(fù)數(shù)和景一致。5. 正規(guī)變換將酉、埃爾米特、反埃爾米特統(tǒng)一起來的框架到這一步我們已經(jīng)有了酉變換特征值模長1、埃爾米特變換特征值實數(shù)、反埃爾米特變換特征值純虛數(shù)。三種變換的共同點是都可以被酉對角化。能不能把它們統(tǒng)一在一個概念之下這就是正規(guī)變換的作用。定義復(fù)方陣 (A) 稱為正規(guī)矩陣如果[ A^{}AAA^{} ]線性變換的版本類似(\mathcal{A}^{}\mathcal{A}\mathcal{A}\mathcal{A}^{})。題目里判斷一個矩陣是否正規(guī)最直接的方法就是算兩個乘積看看是否相等。5.1 為什么正規(guī)可以推出酉對角化正規(guī)矩陣最重要的性質(zhì)是存在酉矩陣 (U)使得 (U^{*}AU) 為對角矩陣。反之也成立如果一個復(fù)矩陣可以被某個酉矩陣對角化那它必然是正規(guī)矩陣。所以正規(guī)矩陣等價于可酉對角化這是本節(jié)所有定理的頂點。證明思路值得梳理一下因為很多證明題會用到中間引理。大致分成三步正規(guī)矩陣的屬于不同特征值的特征向量彼此正交。不妨設(shè) (Ax\lambda x)(Ay\mu y)(\lambda\neq\mu)。關(guān)鍵的一步是證明 (A^{}y\overline{\mu}y)即 (y) 也是 (A^{}) 的特征向量。計算 [ |A^{}y-\overline{\mu}y|^2\langle A^{}y-\overline{\mu}y,A^{}y-\overline{\mu}y\rangle ] 利用 (A^{}AAA^{*}) 展開可以算出等于0。這一步是正規(guī)性的核心用途沒有它整個證明無法展開。如果正規(guī)矩陣有一個不變子空間那么它的正交補也是不變子空間。這個性質(zhì)來自 (A^{*}) 與 (A) 可交換的性質(zhì)。歸納法。取一個特征向量張成不變子空間反復(fù)使用第2步最后把所有特征向量拼成一組標(biāo)準(zhǔn)正交基。這套證明邏輯在書中通常放在定理的證明里考研復(fù)試或高代討論班常會問為什么正規(guī)矩陣可以酉對角化能完整說出這三步基本就是過關(guān)了。5.2 三類特殊變換如何統(tǒng)一現(xiàn)在回到這個框架里看若 (A^{}AAA^{}) 且 (A^{*}A^{-1})即酉矩陣則它是正規(guī)矩陣特征值模長1若 (A^{}AAA^{}) 且 (A^{*}A)即埃爾米特矩陣則它是正規(guī)矩陣特征值實數(shù)若 (A^{}AAA^{}) 且 (A^{*}-A)即反埃爾米特矩陣則它是正規(guī)矩陣特征值純虛數(shù)。下面這個表可以幫你快速對照記憶變換類型矩陣條件特征值分布是否正規(guī)酉變換(U^{*}UI)(|\lambda|1)是埃爾米特變換(A^{*}A)(\lambda\in\mathbb{R})是反埃爾米特變換(B^{*}-B)(\operatorname{Re}\lambda0)是一般正規(guī)變換(A^{}AAA^{})無特殊限制是注意普通復(fù)矩陣即使可以對角化也不一定能用酉矩陣對角化。比如[ A\begin{pmatrix} 1 1\ 0 1 \end{pmatrix} ]它有重特征值且不可對角化屬于明顯的反例。而[ B\begin{pmatrix} 1 1\ 0 2 \end{pmatrix} ]可以對角化但 (B^{}B\neq BB^{})所以不能酉對角化。這說明酉對角化要求比普通對角化更強(qiáng)背后是特征向量必須互相正交這套額外的結(jié)構(gòu)要求。6. 解題實戰(zhàn)酉空間典型題型與易錯點到了這一節(jié)把考點和常見問題整理一遍你會發(fā)現(xiàn)每年課程考試或考研題里的高頻題型其實很固定。6.1 判斷一個矩陣是否正規(guī)先算 (A^A) 和 (AA^)判斷步驟非常簡單算出 (A^{*})先轉(zhuǎn)置再逐元素共軛分別計算 (A^{}A) 和 (AA^{})比較兩個乘積是否相等。一個課上經(jīng)常出現(xiàn)的等價結(jié)論是對任意方陣 (A)均有[ \operatorname{tr}(A^{*}A)\sum_{i,j}|a_{ij}|^2 ]若 (A) 正規(guī)則 (A^{}A) 和 (AA^{}) 都是非負(fù)定埃爾米特矩陣且跡相等這可以用來快速排除明顯非正規(guī)的矩陣。但如果兩個乘積算出來都是對角矩陣就很可能正規(guī)再仔細(xì)驗證即可。6.2 構(gòu)造反例不可酉對角化卻可對角化很多同學(xué)剛學(xué)完譜定理會錯誤地以為能對角化和能酉對角化是一回事。這里給一個最常見的反例[ A\begin{pmatrix} 1 1\ 0 2 \end{pmatrix} ]特征值是1和2顯然可以對角化[ AP^{-1}\operatorname{diag}(1,2)P ]但算一下[ A^{*}A\begin{pmatrix} 1 0\ 1 2 \end{pmatrix}\begin{pmatrix} 1 1\ 0 2 \end{pmatrix}\begin{pmatrix} 1 1\ 1 5 \end{pmatrix} ]而[ AA^{*}\begin{pmatrix} 1 1\ 0 2 \end{pmatrix}\begin{pmatrix} 1 0\ 1 2 \end{pmatrix}\begin{pmatrix} 2 2\ 2 4 \end{pmatrix} ]兩個乘積不相同所以 (A) 不是正規(guī)矩陣也就不可能通過酉矩陣化為對角形。這個例子建議反復(fù)手算一遍理解特征向量是否正交才是關(guān)鍵。6.3 利用特征值快速判斷變換類型有一類題目給一個具體的復(fù)矩陣 (A)問它能否酉對角化、特征值有什么分布、是不是酉矩陣等等。這類題可以從特征值的分布快速入手若 (A) 是埃爾米特矩陣則特征值實數(shù)可以直接考慮對角矩陣 (\operatorname{diag}(\lambda_1,\dots,\lambda_n))若 (A) 是酉矩陣則特征值模長為1對角矩陣的每個對角元都在單位圓周上若 (A) 是正規(guī)矩陣則特征值沒什么限制但特征向量必須構(gòu)成標(biāo)準(zhǔn)正交基。在實際解題過程中算特征多項式、解特征向量、做施密特正交化這三件套在酉空間題型里的出現(xiàn)頻率極高。得多練幾道形成肌肉記憶。6.4 一個高頻證明題埃爾米特變換在標(biāo)準(zhǔn)正交基下的矩陣是埃爾米特矩陣題目常以文字表述為若 (\mathcal{A}) 是酉空間上的埃爾米特變換證明它在標(biāo)準(zhǔn)正交基下的矩陣滿足 (A^{*}A)。證明思路設(shè) (\varepsilon_1,\dots,\varepsilon_n) 是標(biāo)準(zhǔn)正交基令 (A(a_{ij}))其中[ a_{ij}\langle \mathcal{A}\varepsilon_j,\varepsilon_i\rangle ]由埃爾米特變換的定義[ \overline{a_{ji}}\overline{\langle \mathcal{A}\varepsilon_i,\varepsilon_j\rangle} \langle \varepsilon_j,\mathcal{A}\varepsilon_i\rangle \langle \mathcal{A}^*\varepsilon_j,\varepsilon_i\rangle \langle \mathcal{A}\varepsilon_j,\varepsilon_i\ranglea_{ij} ]所以 (A^{}A)。這個等式鏈條里最關(guān)鍵的是第三步用到 (\mathcal{A}^{}\mathcal{A})第四步回到矩陣元素定義。這類證明幾乎不需要計算但每一步都要明白依據(jù)是內(nèi)積的共軛對稱性、線性還是埃爾米特性質(zhì)。6.5 審題時的三個坑最后分享三個實際解題中容易踩的坑都是我在教學(xué)中反復(fù)強(qiáng)調(diào)過的?？右话?(\langle x,y\rangle) 和 (\overline{\langle x,y\rangle}) 混為一談。在復(fù)數(shù)域里(\langle x,y\rangle) 和 (\langle y,x\rangle) 并不是同一個數(shù)而是共軛關(guān)系。遇到提取常數(shù)時尤其要小心從第一變元提取是原樣提取從第二變元提取要取共軛。很多同學(xué)題目算到最后發(fā)現(xiàn)實部虛部對不上多半都是這里出了問題。坑二忘記酉矩陣的行向量也要構(gòu)成標(biāo)準(zhǔn)正交基。我見過不少同學(xué)只驗證列向量卻忽略了 (U^{}UI) 同時意味著 (UU^{}I)。驗證行向量與列向量都正交很有必要特別是在做矩陣的 QR 分解或酉相似變換時行方向一旦出錯后續(xù)全亂?？尤颜?guī)和可對角化劃等號?？蓪腔灰蟠嬖诳赡婢仃?(P)而酉對角化要求存在酉矩陣 (U)后者對特征向量有正交性要求。題目問能否被酉矩陣對角化必須用正規(guī)性來判斷不能只算特征值。這些坑平時做題未必能全部踩到但考試時一旦踩中丟分往往是大面積的。所以寫題目的時候我習(xí)慣在草稿紙開頭就寫清楚這是酉空間還是歐氏空間再決定用什么公式——很多時候錯誤不是不會做而是空間性質(zhì)判斷錯了導(dǎo)致整套計算跑偏。