新增加的第 4 章会让刚刚接触新型图形处理引擎的读者受益匪浅，这一章的重点是数据级并行，解释了一些虽有不同但正在趋于一致的解决方案，这些方案是由通用处理器中的多

用计算机对离散事件系统进行仿真实验的方法。这种仿真实验的步骤包括：画出系统的工作流程图，确定到达模型、服务模型和排队模型（它们构成离散事件系统的仿真模型），编制描述系统活动的运行程序并在计算机上执行这个程序。离散事件系统仿真广泛用于交通管理、生产调度、资源利用、计算机网络系统的分析和设计方面。

线性代数的完整展示必须包含复数 z = x + iy。即使在矩阵是实矩阵的情况下，其特征值与特征向量也往往是复数。例如：一个 2 × 2 矩阵有复特征向量 x = (1, i) 与 x = (1, −i)。

《逻辑与计算机设计基础》（原书第五版）课后习题答案 答案是英文的，介意勿下！

中文翻译Introduction to Linear Algebra, 5th Edition 2.1节 线性代数的核心问题是求解方程组。这些方程都是线性的，即未知数仅与数相乘——我们绝不会 遇见 x 乘以 y。我们的第一个线性方程组较小。接下来你来看看它引申出多远： 两个方程 两个未知数 x − 2y = 1 3x + 2y = 11 (1) 我们一次从一个行开始。第一个方程 x − 2y = 1 得出了 xy 平面的一条直线。由于点 x = 1, y = 0 解 出该方程，因此它在这条直线上。因为 3 − 2 = 1，所以点 x = 3, y = 1 也在这条直线上。若我们选择 x = 101，那我们求出 y = 50。 这条特定直线的斜率是 12，是因为当 x 变化 2 时 y 增加 1。斜率在微积分中很重要，然而这是线 性代数！ 图 2.1 将展示第一条直线 x − 2y = 1。此“行图”中的第二条直线来自第二个方程 3x + 2y = 11。你 不能错过两条线的交点 x = 3, y = 1。点 (3, 1) 位于两条线上并且解出两个方程。

中文翻译Introduction to Linear Algebra, 5th Edition 1.3节 另一个视角改变至关重要。到目前为止，数 x 1 , x 2 , x 3 已知。右手边的 b 未知。我们通过将 A 与 x 相 乘来求出差分向量。现在我们设想 b 为已知然后我们找 x。 旧问题：计算线性组合 x 1 u + x 2 v + x 3 w 来求 b。 新问题：u, v, w 的哪种组合产生一个特定向量 b？ 这是逆问题——求能得出期望输出 b = Ax 的输入 x。你以前见过这个问题，它作为一个关于 x 1 , x 2 , x 3 的线性方程组。方程右手边是 b 1 , b 2 , b 3 。我现在要解方程组 Ax = b 来求 x 1 , x 2 , x 3

中文翻译Introduction to Linear Algebra, 5th Edition 1.2节 第一节放弃了讲向量相乘。现在我们继续来定义 v 与 w 的“点积” 。这个乘法包含单独的积 v 1 w 1 和 v 2 w 2 ，但它并不止于此。这两个数加起来得出一个数 v · w。 以下是几何部分 (向量长度及它们夹角的余弦)。 v = (v 1 , v 2 ) 与 w = (w 1 , w 2 ) 的点积或者说内积是数 v · w： v · w = v 1 w 1 + v 2 w 2 . (1) 例 1 向量 v = (4, 2) 与 w = (−1, 2) 点积为零： [ ] [ ] 点积为 0 4 −1 · = −4 + 4 = 0。 垂直向量 2 2 在数学中，0 总是一个特别的数。对于点积，它意味着这两个向量是垂直的。它们的夹角是 90 ◦ 。当我 们在图 1.1 中画出它们时，我们见到了一个矩形（不仅仅是任一平行四边形）。垂直向量最清晰的例子 是沿 x 轴的 i = (1, 0) 与沿 y 轴向上的 j = (0, 1)。再一次地，点积为 i · j = 0 + 0

长城哈佛H6全车电路图，电气维修，电路改装

中文翻译Introduction to Linear Algebra, 5th Edition 1.1节 线性组合在这个学科中非常重要！有时我们想要一个特定的组合，具体选择 c = 2 和 d = 1 来产 生 cv + dw = (4, 5)。其它时候我们想要 v 与 u 的所有组合（来自所有的 c 与 d）。 向量 cv 沿一条直线放置。当 w 不在那条直线上时，组合 cv + dw 充满整个二维平面。从四维空 间中的 4 个向量 u, v, w, z 开始，它们的组合 cu + dv + ew + fz 可能充满整个空间——但并不总是 这样。向量和它们的组合可能位于一个平面上或一条直线上。 第 1 章解释了这些中心思想，一切都建立在这些思想上。我们从能够合理绘制的二维向量与三维 向量开始。然后我们移入更高的维度。线性代数真正令人印象深刻的特点是如何流畅地将这一步引入 n 维空间。即使不可能画出十维的向量，你脑海中的画面也会保持是正确的。 这是本书将要通往的地方（进入 n 维空间）。第一步是 1.1 节和 1.2 节的运算。然后是在 1.3 节概 述了 3 个基本思想。

中文翻译Introduction to Linear Algebra, 5th Edition 8.1节 仅交流学习 1 线性变换 T 将向量 v 变成向量 T (v)。线性要求 T (cv + dw) = cT (v) + dT (w) 注意 T (0) = 0， 所以 T (v) = v + u 0 非线性。 2 输入向量 v 与输出 T (v) 可以在 R n 或矩阵空间或函数空间中。 3 若 A 是 m × n 的，则 T (x) = Ax 是从输入空间 R n 到输出空间 R m 的线性变换。 ∫ x df + 4 导数 T (f ) = 是线性的。积分 T (f ) = f (t)dt 是它的伪逆。 dx 0 5 两个线性变换的乘积 ST 仍然是线性的： (ST )(v) = S(T (v))。 当一个矩阵 A 乘以一个向量 v 时，它将向量 v 变换为另一个向量 Av。输入 v，输出 T (v) = Av。 变换 T 遵循着与函数相同的思想。输入一个数 x，输出 f (x)。对某一个向量 v 或某一个数 x，我们乘 上矩阵或求函数值。更深层次的目标是一次考虑所有向量 v。