贡献者： 零穹; Giacomo
1. 算子的张量积
由空间的张量积一节知道，任意两个矢量空间的张量积都存在，且仍是个矢量空间，那么在其上就可研究线性算子。
定理 1
设 $V,W$ 是域 $\mathbb F$ 上的矢量空间，$\mathcal A,\mathcal B$ 分别是 $V,W$ 上的线性算子，那么在 $V\otimes W$ 上存在唯一的线性算子 $\mathcal C$，使得
\begin{equation}
\mathcal C(v\otimes w)=\mathcal A v\otimes \mathcal B w,\quad v(\in V,w\in W)~.
\end{equation}
证明：定义映射 $\varphi:V\times W\rightarrow V\otimes W$：
\begin{equation}
\varphi(v,w):=\mathcal A v\otimes \mathcal B w~\quad (v\in V,w\in W)~.
\end{equation}
显然，$\varphi$ 是个线性算子，只需利用 $\mathcal A,\mathcal B$ 是
线性算子和张量积的性质（
定理 2 ）即可。
由张量积的定义定义 1 ，存在唯一的线性算子 $\mathcal C$，使得
\begin{equation}
\mathcal C(v\otimes w)=\varphi(v,w)=\mathcal A v\otimes \mathcal B w~.
\end{equation}
证毕！
该定理给出了定义线性算子张量积的依据。
定义 1 算子的张量积
设 $\mathcal A,\mathcal B$ 分别是矢量空间 $V,W$ 上的线性算子，则
\begin{equation}
\mathcal A\otimes \mathcal B:V\otimes W\rightarrow V\otimes W~
\end{equation}
称作算子 $\mathcal A,\mathcal B$ 的
张量积，其规则为
\begin{equation}
(\mathcal A\otimes \mathcal B)(v\otimes w)=\mathcal Av\otimes \mathcal Bw~.
\end{equation}
由算子张量积的定义，容易验证线性算子的张量积具有下面的性质：
- $(\mathcal A\otimes \mathcal B)(\mathcal C\otimes \mathcal D)=\mathcal AC\otimes \mathcal BD$
- $(\mathcal A+\mathcal C)\otimes B=\mathcal A\otimes B+\mathcal C\otimes B$
- $\mathcal A\otimes(\mathcal B+\mathcal D)=\mathcal A\otimes \mathcal B+\mathcal A\otimes \mathcal D$
- $\mathcal A\otimes(\lambda\mathcal B)=(\lambda\mathcal A)\otimes \mathcal B=\lambda(\mathcal A\otimes \mathcal B)$
2. 算子张量积的矩阵
在线性算子代数文章开头说过，$\mathcal L(V,V)$ 上的线性算子与 $n$ 阶方阵一一对应（$n=\dim V$）。而 $V\otimes W$ 本身也是矢量空间，这样就可把算子的张量积 $\mathcal A\otimes \mathcal B$ 看成 $\mathcal L(V\otimes W,V\otimes W)$ 上的线性算子，那么 $\mathcal A\otimes \mathcal B$ 就对应 $nm$ 阶的方阵（$m=\dim W$）。
设 $\{e_i\},\{f_j\}$ 分别是 $V,W$ 上的一组基。记
\begin{equation}
\mathcal Ae_i=\sum_{i'}\alpha_{i'i}e_{i'}~,\quad \mathcal Bf_j=\sum_{j'}\beta_{j'j}f_{j'}~,
\end{equation}
就得到
\begin{equation}
(\mathcal A\otimes \mathcal B)(e_i\otimes f_j)=\sum_{i',j'}\alpha_{i'i}\beta_{j'j}e_{i'}\otimes f_{j'}~.
\end{equation}
这就是说，由 $A=(a_{i'i}),B=(\beta_{j'j})$，可以得到
\begin{equation}
A\otimes B=(\alpha_{i'i}\beta_{j'j})=
\begin{pmatrix}
&\alpha_{11}B&\alpha_{12}B&\cdots&\alpha_{1n}B\\
&\alpha_{21}B&\alpha_{22}B&\cdots&\alpha_{2n}B\\
&\cdots&\cdots&\cdots&\cdots\\
&\alpha_{n1}B&\alpha_{n2}B&\cdots&\alpha_{nn}B\\
\end{pmatrix}~.
\end{equation}
注意，上面 $A\otimes B$ 的矩阵排列方式，和通常线性算子的矩阵排列一样，这里矢量空间 $V\otimes W$ 的第 $(i-1)+j$ 个基就是 $e_i\otimes f_j$。
式 8 的理解如
表 1 （注意算子矩阵的排列表）
表1：$A\otimes B$ 的矩阵排列方式理解表
|
| $e_1\otimes f_1$ | $\cdots$ | $e_1\otimes f_m$ | $\cdots$ | $e_n\otimes f_1$ | $\cdots$ | $e_n\otimes f_m$
|
|
$e_1\otimes f_1$ | $\alpha_{11}\beta_{11}$ | $\cdots$ | $\alpha_{11}\beta_{1m}$ | $\cdots$ | $\alpha_{1n}\beta_{11}$ | $\cdots$ | $\alpha_{1n}\beta_{1m}$
|
|
$\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$
|
|
$e_1\otimes f_m$ | $\alpha_{11}\beta_{m1}$ | $\cdots$ | $\alpha_{11}\beta_{mm}$ | $\cdots$ | $\alpha_{1n}\beta_{m1}$ | $\cdots$ | $\alpha_{1n}\beta_{mm}$
|
|
$\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$
|
|
$e_n\otimes f_1$ | $\alpha_{n1}\beta_{11}$ | $\cdots$ | $\alpha_{n1}\beta_{1m}$ | $\cdots$ | $\alpha_{nn}\beta_{11}$ | $\cdots$ | $\alpha_{nn}\beta_{1m}$
|
|
$\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$ | $\cdots$
|
|
$e_n\otimes f_m$ | $\alpha_{n1}\beta_{11}$ | $\cdots$ | $\alpha_{n1}\beta_{mm}$ | $\cdots$ | $\alpha_{nn}\beta_{m1}$ | $\cdots$ | $\alpha_{mn}\beta_{mm}$
|
对算子的基，有下面公式
\begin{equation}
\mathrm{tr}\,A\otimes B=\sum_{i}\alpha_{ii}\mathrm{tr}\,B=\mathrm{tr}\,A\cdot\mathrm{tr}\,B~,
\end{equation}
且
\begin{equation}
\begin{aligned}
\det A\otimes B&=\det((A\otimes E_m)(E_n\otimes B))\\
&=\det(A\otimes E_m)\cdot\det(e_n\otimes B)\\
&=(\det A)^m(\det B)^n~.
\end{aligned}
\end{equation}
其中第一式用到了算子张量积的性质 1 和算子运算与矩阵运算的对应关系（
定理 1 ）.
致读者： 小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。 长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。 因此，我们请求广大读者
热心打赏 ，使网站得以健康发展。 如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损， 并在接下来的一年里向所有读者继续免费提供优质内容。 但遗憾的是只有不到 1% 的读者愿意捐款， 他们的付出帮助了 99% 的读者免费获取知识， 我们在此表示感谢。