Python数值计算（5）——矩阵的求逆和线性方程组的求解

C囧囧

已于 2024-08-13 22:54:19 修改

阅读量767

点赞数 15

分类专栏： Python 文章标签： python

于 2024-07-26 20:59:42 首次发布

本文链接：https://blog.csdn.net/cdinten/article/details/140714146

版权

Python 专栏收录该内容

45 篇文章

订阅专栏

这部分讨论一下矩阵的求逆和线性方程组的求解。这一部分将蜻蜓点水快速带过，详细的一些算法，将会放在后面慢慢展开论述。

以下的操作需要引入numpy模块下的子模块linalg，也就是linear algebra：

from numpy import linalg

1. 矩阵求逆

如果两个矩阵A，B的矩阵乘积为单位矩阵，则互为逆矩阵，且有 $A*B=B*A=I$ 。

计算矩阵的逆可以使用inv函数：

A=np.array([[2,1,-1],[1,0,-2],[1,1,3]])
B=linalg.inv(A)
print(B)
'''
[[-1.   2.   1. ]
[ 2.5 -3.5 -1.5]
[-0.5  0.5  0.5]]
'''
print(A@B)
'''
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
'''

并不是所有的矩阵都有逆矩阵，行列式为0的矩阵就没有逆矩阵，计算行列式的函数为det：

A=np.array([[2,1,-1],[1,0,-2],[1,1,3]])
print(linalg.det(A)) # -2
C=np.array([[2,1,-1],[1,0,-2],[1,1,1]])
print(linalg.det(C)) # 0
Cinv=linalg.inv(C) # raise LinAlgError("Singular matrix")

2. 线性方程组求解

通常，一个标准的线性方程组具有如下形式:

$Ax=b$

其中A为矩阵，x和b为列向量。

例如求解线性方程：

${}\:\:x_1+2x_2+\:\:x_3=2\\ 3x_1-\:\:x_2\: \: \:\:\:\:\:\:\:\:\: \:=2\\ {}\: \: \:\:\:\:\:\: \:\:\:\:3x_2-2x_3=1$

$A=\left [ \begin{matrix} 1 &2 &1 \\ 3&-1 &0 \\ 0&3 &-2 \end{matrix} \right ]$ ， $b=\begin{bmatrix} 2\\ 2\\ 1 \end{bmatrix}$

2.1 克莱姆法则

一个很经典的求解方法是克莱姆法则，实现代码如下：

def cramerSolver(A:np.ndarray,b:np.ndarray):
    '''
    A为n×n方阵，返回值x，b为n×1矩阵
    '''
    n=b.shape[0]
    x=b.copy()
    for i in range(n):
        B=A.copy()
        B[:,i]=b[:,0]
        x[i,0]=np.linalg.det(B)/np.linalg.det(A)
    return x

求解调用该函数如下：

A = np.array([[1,2,1],[3,-1,0],[0,3,-2]])
b = np.array([[7],[4],[4]])
X0=cramerSolver(A,b)
print(X0)
'''
[[2]
[2]
[1]]   
'''

事实上这种方式由于计算量太大，通常不大会使用，但是这个法则确实很优雅。

2.2 左乘逆矩阵

另一种方式是使用逆矩阵。如果在等式两边同时左乘以A的逆矩阵，则：

$Ax=b\Rightarrow \\ A^{-1}Ax=A^{-1}b\Rightarrow \\ x=A^{-1}b$

2.3 solve函数

还有一种方式是使用linalg下的solve函数，本方法和solve方法的求解编码测试如下：

A = np.array([[1,2,1],[3,-1,0],[0,3,-2]])
b = np.array([[7],[4],[4]])
X1=np.dot(np.linalg.inv(A),b)
X2 = linalg.solve(A,b)
print('X1=',X1)
print('X2=',X2)

其结果是：

X1= [[2.]
 [2.]
 [1.]]
X2= [[2.]
 [2.]
 [1.]]

几种方法都可见，方程组的解为 $x_1=2,x_2=2,x_3=1$