理解向量的本质——有方向的量，而非仅仅是箭头
在线性代数中，向量是最基本的对象。但什么是向量？很多人第一次学习向量时，脑海中浮现的是"带箭头的线段"。这个直觉虽然有用，却掩盖了向量更深刻的本质。
向量的本质不是"箭头"，而是具有大小和方向的量。箭头只是向量的一种几何表示。同一向量可以用不同位置、不同长度的箭头表示——真正重要的是它的分量（坐标）。在 Rⁿ 中，一个向量就是 n 个有序数的组合。
向量可以用多种等价的方式表示：
在严格定义中，向量是向量空间的元素。只要满足向量空间的8条公理，任何对象都可以是向量——包括函数、矩阵、甚至无限维空间中的对象。
力的合成（物理学）：力是经典的向量。两个力 F₁ 和 F₂ 同时作用于物体，其合效果不是简单的数值相加，而是向量相加——遵循平行四边形法则。这正是向量加法的物理根源。
颜色空间 RGB（计算机图形学）：一张图片的每个像素可以表示为三维向量 (R, G, B)，分别代表红、绿、蓝三个通道的强度。图像处理中的滤镜操作，本质上是对这些颜色向量进行线性变换。
状态空间（控制工程）：在控制系统中，系统的状态可以用状态向量 x(t) = [x₁(t), x₂(t), ..., xₙ(t)]ᵀ 表示。状态空间方法将微分方程转化为一阶向量方程，是现代控制理论的基石。
词向量 NLP：在自然语言处理中，单词被嵌入为高维向量（如 Word2Vec、GloVe）。语义相近的词在向量空间中距离较近，"国王 - 男人 + 女人 ≈ 女王"这样的向量运算揭示了语言的线性结构。
Rⁿ 是所有 n 元实数组构成的集合，是线性代数中最基本、最重要的向量空间。理解 Rⁿ 的几何结构，是理解整个线性代数的起点。
虽然人类无法直观想象四维以上的空间，但高维向量在工程中无处不在：一张 1000×1000 的灰度图片是 R¹⁰⁰⁰⁰⁰⁰ 中的向量；一个包含 5 万个词汇的文本词袋模型是 R⁵⁰⁰⁰⁰ 中的向量。线性代数让我们能在任意维度上进行统一运算。
向量有两种基本运算：加法和数乘。这两种运算构成了线性代数的核心——"线性"一词正来源于此。
两个向量相加，对应分量相加：
几何上，向量加法遵循平行四边形法则：以 u 和 v 为邻边作平行四边形，对角线就是 u + v。也可以理解为"首尾相接"：将 v 的起点移动到 u 的终点，从 u 的起点到 v 的终点的向量就是 u + v。
一个实数 c 与向量 v 相乘，每个分量都乘以 c：
几何上，数乘改变向量的长度（|c| 倍），同时当 c < 0 时翻转方向。当 c = 0 时，结果为零向量 0 = (0, 0, ..., 0)。
对于任意向量 u, v, w ∈ Rⁿ 和任意标量 a, b ∈ R：
向量空间（Vector Space）是线性代数的核心结构。严格来说，向量空间是一个集合 V 加上两种运算（加法和数乘），满足以下8条公理。
设 V 是向量空间，u, v, w ∈ V，a, b 为标量：
公理化让线性代数从具体的"有箭头的量"上升到抽象的"满足规则的结构"。函数空间、矩阵空间、多项式空间、无限序列空间——它们看似完全不同，却都满足相同的8条公理。这意味着我们为 Rⁿ 证明的所有定理，自动适用于所有这些空间。这是数学抽象的强大之处。
如果 V 是一个向量空间，W 是 V 的一个子集，且 W 本身也构成向量空间（使用 V 的运算），则称 W 是 V 的子空间（Subspace）。
判断 W 是否是 V 的子空间，不需要验证全部8条公理。只需验证三条：
设 W 是向量空间 V 的非空子集，W 是子空间当且仅当：
这三条条件可以合并为一条：线性组合封闭——若 u, v ∈ W，则对任意标量 a, b，都有 au + bv ∈ W。
在 R² 中，不经过原点的直线（如 y = x + 1）不是子空间！因为它不包含零向量，且对加法和数乘不封闭。子空间的几何直觉是"过原点的平坦子集"——直线、平面、超平面。
判断给定集合是否为子空间的标准流程：
如果三步都通过，则是子空间；任何一步失败，则不是子空间。
判断以下集合是否是 R² 的子空间：
(a) W₁ = { (x, y) ∈ R² | y = 2x }
(b) W₂ = { (x, y) ∈ R² | y = x + 1 }
(c) W₃ = { (x, y) ∈ R² | x ≥ 0, y ≥ 0 }
① 零向量：(0, 0) 满足 y = 2x，所以 0 ∈ W₁。
② 加法封闭：设 u = (x₁, 2x₁)，v = (x₂, 2x₂)，则 u + v = (x₁+x₂, 2x₁+2x₂) = (x₁+x₂, 2(x₁+x₂))，满足 y = 2x。
③ 数乘封闭：设 v = (x, 2x)，c 为标量，则 c·v = (cx, 2cx)，满足 y = 2x。
零向量检验：(0, 0) 不满足 0 = 0 + 1，所以 0 ∉ W₂。
不满足子空间的必要条件，直接判定不是子空间。
零向量检验通过：(0, 0) ∈ W₃。
加法封闭通过：两个非负数之和仍为非负数。
但数乘不封闭：取 v = (1, 1) ∈ W₃，令 c = -1，则 c·v = (-1, -1) ∉ W₃。
设 u = (1, 2, 3)，v = (4, -1, 2)，w = (0, 1, -1)，计算：
(a) u + v
(b) 2u - 3v
(c) 验证 (u + v) + w = u + (v + w)
u + v = (1+4, 2+(-1), 3+2) = (5, 1, 5)
2u = (2, 4, 6)，3v = (12, -3, 6)
2u - 3v = (2-12, 4-(-3), 6-6) = (-10, 7, 0)
左边：(u + v) + w = (5, 1, 5) + (0, 1, -1) = (5, 2, 4)
右边：u + (v + w) = (1, 2, 3) + (4, 0, 1) = (5, 2, 4)
左边 = 右边，结合律成立。
判断 W = { (x, y, z) ∈ R³ | x + y + z = 0 } 是否是 R³ 的子空间。
0 + 0 + 0 = 0，所以 (0, 0, 0) ∈ W。
设 u = (x₁, y₁, z₁)，v = (x₂, y₂, z₂) 都属于 W。
u + v = (x₁+x₂, y₁+y₂, z₁+z₂)
分量之和：(x₁+x₂)+(y₁+y₂)+(z₁+z₂) = (x₁+y₁+z₁)+(x₂+y₂+z₂) = 0+0 = 0
所以 u + v ∈ W。
设 v = (x, y, z) ∈ W，c 为标量。
c·v = (cx, cy, cz)，分量之和：cx+cy+cz = c(x+y+z) = c·0 = 0
所以 c·v ∈ W。
在 R² 中，给定向量 u = (3, 1) 和 v = (1, 2)。
(a) 用平行四边形法则求 u + v
(b) 求 2u 和 -0.5v 的几何意义
u + v = (3+1, 1+2) = (4, 3)
几何上，以 u 和 v 为邻边构造平行四边形，从原点出发的对角线就是 (4, 3)。
2u = (6, 2)：长度变为原来的 2 倍，方向不变。
-0.5v = (-0.5, -1)：长度变为原来的一半，方向相反（指向第三象限）。
以下 MATLAB 代码帮助你直观理解向量的定义、运算和几何表示。建议在 MATLAB 或 Octave 中运行这些代码。