在向量代数与矩阵理论中，矢量积（叉乘）与反对称矩阵之间存在着深刻而优雅的数学联系。这种联系不仅揭示了三维空间的几何结构，还为物理应用（如刚体力学）提供了强大的数学工具。本文将系统探讨这两者的定义、性质、相互关系以及在Python中的数值与符号实现。
矢量积的数学本质
在三维欧几里得空间 R 3 \mathbb{R}^3 R3 中，两个向量 a = [ a 1 , a 2 , a 3 ] ⊤ \mathbf{a} = [a_1, a_2, a_3]^\top a=[a1,a2,a3]⊤ 和 b = [ b 1 , b 2 , b 3 ] ⊤ \mathbf{b} = [b_1, b_2, b_3]^\top b=[b1,b2,b3]⊤ 的矢量积定义为：
a × b = [ a 2 b 3 − a 3 b 2 a 3 b 1 − a 1 b 3 a 1 b 2 − a 2 b 1 ] \mathbf{a} \times \mathbf{b} = \begin{bmatrix} a_2b_3 - a_3b_2 \\ a_3b_1 - a_1b_3 \\ a_1b_2 - a_2b_1 \end{bmatrix} a×b= a2b3−a3b2a3b1−a1b3a1b2−a2b1
这个运算具有深刻的几何意义：结果向量 c \mathbf{c} c 垂直于 a \mathbf{a} a 和 b \mathbf{b} b 张成的平面，其模长 ∣ a × b ∣ = ∣ a ∣ ∣ b ∣ sin θ |\mathbf{a} \times \mathbf{b}| = |\mathbf{a}||\mathbf{b}|\sin\theta ∣a×b∣=∣a∣∣b∣sinθ 等于两向量构成的平行四边形面积。代数上，矢量积满足反交换律 a × b = − b × a \mathbf{a} \times \mathbf{b} = -\mathbf{b} \times \mathbf{a} a×b=−b×a，且与点积形成标量三重积 a ⋅ ( b × c ) \mathbf{a} \cdot (\mathbf{b} \times \mathbf{c}) a⋅(b×c)，其几何意义是平行六面体的有向体积。
反对称矩阵的理论框架
一个 n × n n \times n n×n 实矩阵 A A A 被称为反对称矩阵（或斜对称矩阵），当且仅当它满足：
A ⊤ = − A A^\top = -A A⊤=−A
此定义蕴含两个直接推论：
- 主对角线元素满足 a i i = − a i i ⇒ a i i = 0 a_{ii} = -a_{ii} \Rightarrow a_{ii} = 0 aii=−aii⇒aii=0
- 非对角线元素满足 a i j = − a j i a_{ij} = -a_{ji} aij=−aji
三维空间中的反对称矩阵具有标准形式：
[ ω ] × = [ 0 − ω 3 ω 2 ω 3 0 − ω 1 − ω