如何计算对角矩阵的 k 次幂？

当且仅当矩阵拥有一组完整的线性无关特征向量（特征基底）时，矩阵才是可对角化的。主要好处是计算效率：计算矩阵的高次幂（例如 $A^{100}$）变得微不足道，因为你只需将对角线元素（特征值）提升到该次幂，而不是执行重复的矩阵乘法。

适用条件：矩阵在 n 维空间中拥有 n 个线性无关的特征向量；由特征向量构成的基变换矩阵 P 是可逆的

对角化能简化矩阵幂的计算，因为将对角矩阵提升到正整数次幂只需将对角线上的每个元素提升到该次幂，这比重复的一般矩阵乘法在计算上更简单。通过将矩阵 $A$ 表示为 $PDP^{-1}$，幂 $A^k$ 变为 $PD^kP^{-1}$，其中相邻的 $P^{-1}P$ 因子相互抵消，从而降低了计算的复杂性。

适用条件：矩阵 $A$ 可对角化，即存在可逆矩阵 $P$ 使得 $A = PDP^{-1}$。；指数 $k$ 是正整数。

公式 $A^k = PD^kP^{-1}$ 代表一系列三个几何操作：首先，使用 $P^{-1}$ 进行基变换，移动到特征基；其次，使用 $D^k$ 进行对角缩放，沿特征向量方向拉伸或收缩；第三，使用 $P$ 进行逆向基变换，返回到原始坐标系。

适用条件：$A = PDP^{-1}$ 是有效的对角化。；$k$ 是正整数。