线性代数Python计算：向量组的线性表示

判断两个$n$-维向量组$A:{\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\cdots ,{\mathbf{\alpha }}_m$和向量组$B:{\mathbf{\beta }}_1,{\mathbf{\beta }}_2,\cdots ,{\mathbf{\beta }}_l$之间能否线性表示，实际上是判断方程组$\mathbf{Ax}={\mathbf{\beta }}_j$， j ∈ { 1 , 2 , ⋯   , l } j\in\{1,2,\cdots,l\} j∈{1,2,⋯,l}及$\mathbf{Bx}={\mathbf{\alpha }}_i$， i ∈ { 1 , 2 , ⋯   , m } i\in\{1,2,\cdots,m\} i∈{1,2,⋯,m}是否有解。也等价于判断矩阵方程$\mathbf{AX}=\mathbf{B}$及$\mathbf{BX}=\mathbf{A}$是否有解。其中，矩阵$\mathbf{A}=({\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\cdots ,{\mathbf{\alpha }}_m)$，$\mathbf{B}=({\mathbf{\beta }}_1,{\mathbf{\beta }}_2,\cdots ,{\mathbf{\beta }}_l)$。若$\mathbf{AX}=\mathbf{B}$（或$\mathbf{BX}=\mathbf{A}$）有解$\mathbf{X}=\left(\begin{array}{cccc}{\lambda }_{11}& {\lambda }_{12}& \cdots & {\lambda }_{1l}\\ {\lambda }_{21}& {\lambda }_{22}& \cdots & {\lambda }_{2l}\\ ⋮& ⋮& \ddots & ⋮\\ {\lambda }_{m1}& {\lambda }_{m2}& \cdots & {\lambda }_{ml}\end{array}\right)$（或$\mathbf{X}=\left(\begin{array}{cccc}{\lambda }_{11}& {\lambda }_{12}& \cdots & {\lambda }_{1m}\\ {\lambda }_{21}& {\lambda }_{22}& \cdots & {\lambda }_{2m}\\ ⋮& ⋮& \ddots & ⋮\\ {\lambda }_{l1}& {\lambda }_{l2}& \cdots & {\lambda }_{lm}\end{array}\right)$），则向量组$B$（$A$）可由$A$（$B$）组线性表示
$${\mathbf{\beta }}_j={\lambda }_{1j}{\mathbf{\alpha }}_1+{\lambda }_{2j}{\mathbf{\alpha }}_2+\cdots +{\lambda }_{mj}{\mathbf{\alpha }}_m,j=1,2,\cdots ,l$$
$$(\text{或}{\mathbf{\alpha }}_i={\lambda }_{1i}{\mathbf{\beta }}_1+{\lambda }_{2i}{\mathbf{\beta }}_2+\cdots +{\lambda }_{li}{\mathbf{\beta }}_l,i=1,2,\cdots ,m)$$
否则，$B$（或$A$）不能由$A$（或$B$）线性表示。
虽然我们可以通过重复调用博文《线性方程组的通解》定义的函数mySolve解方程组$\mathbf{Ax}={\mathbf{\beta }}_j$， j ∈ { 1 , 2 , ⋯   , l } j\in\{1,2,\cdots,l\} j∈{1,2,⋯,l}（$\mathbf{Bx}={\mathbf{\alpha }}_i$， i ∈ { 1 , 2 , ⋯   , m } i\in\{1,2,\cdots,m\} i∈{1,2,⋯,m}），从而解矩阵方程$\mathbf{AX}=\mathbf{B}$及$\mathbf{BX}=\mathbf{A}$。但是，此处在有解的情形下只需得到特解就能满足需求，故将mySolve函数简化为如下的matrixSolve函数。

import numpy as np                              #导入numpy
def matrixSolve(A,B):
    m,n=A.shape                                 #读取A的行数、列数
    _,n1=B.shape                                #读取B的列数
    X=np.array([])                              #解集初始化为空
    C=np.hstack((A, B))                         #连接A、B
    r, order=rowLadder(C, m, n)                 #变换为行阶梯阵
    simplestLadder(C, r)                        #变换为最简行阶梯阵
    index=np.where(abs(C[:,n:])>1e-10)          #对应B的非零元素分布
    r1=max(index[0])+1                          #rank(A,B)
    if r==r1:                                   #rankA=rank(A,B)
        X=np.vstack((C[:r,n:],                  #解集
                     np.zeros((n-r,n1))))
        X=X[order,:]
    return X

程序的第2~15行定义matrixSolve函数，解矩阵方程$\mathbf{AX}=\mathbf{B}$。参数A和B分别表示矩阵$\mathbf{A}$和$\mathbf{B}$（也可视为列向量组$A$和列向量组$B$）。
第3~5行分别读取A的行数m和列数n、B的列数n1，并将解集X初始化为空。
第6行调用numpy（第1行导入）函数hstack，将A和B横向连接成C表示矩阵$(\mathbf{A},\mathbf{B})$。第7行调用博文《消元法与矩阵初等变换》定义的函数rowLadder将C转换成行阶梯阵，同时计算出rank$\mathbf{A}$为r，跟踪变换中交换列而引起的未知量顺序order。第8行调用博文《消元法与矩阵初等变换》定义的simplestLadder函数，最终将C转换成最简行阶梯阵。第9行寻求对应B的非零元素分布情况，第10行计算B部分的最后非零行的下标加1（Python数组下标从0开始编排）得出rank$(\mathbf{A},\mathbf{B})$为r1。
第11~14行的if语句对有解情形（rank$\mathbf{A}=$rank$(\mathbf{A},\mathbf{B})$）计算解集X。第12~13行调用numpy函数vstack，将C的最简行阶梯矩阵中前r个非零行对应B的部分（C[:r,n:]）纵向叠加$(n-r)\times n_1$的零阵（np.zeros((n-r,n1))）形成解集X。第14行用order调整未知量顺序。
例1 利用上述程序定义的matrixSolve函数，验证结论：向量组$B:{\mathbf{\beta }}_1=\left(\begin{array}{c}2\\ 1\\ 1\\ 2\end{array}\right),{\mathbf{\beta }}_2=\left(\begin{array}{c}0\\ -2\\ 1\\ 1\end{array}\right),{\mathbf{\beta }}_3=\left(\begin{array}{c}4\\ 4\\ 1\\ 3\end{array}\right)$可由向量组
$A:{\mathbf{\alpha }}_1=\left(\begin{array}{c}0\\ 1\\ 2\\ 3\end{array}\right),{\mathbf{\alpha }}_2=\left(\begin{array}{c}3\\ 0\\ 1\\ 2\end{array}\right),{\mathbf{\alpha }}_3=\left(\begin{array}{c}2\\ 3\\ 0\\ 1\end{array}\right)$，线性表示，但向量组A不能由向量组B线性表示。

import numpy as np                              #导入numpy
from fractions import Fraction as Q             #导入Fraction
np.set_printoptions(formatter={'all':lambda x:  #设置数组输出格式
                               str(Q(x).limit_denominator())})
a1=np.array([0,1,2,3],dtype='float')            #向量组a1,a2,a3
a2=np.array([3,0,1,2],dtype='float')
a3=np.array([2,3,0,1],dtype='float')
b1=np.array([2,1,1,2],dtype='float')            #向量组b1,b2,b3
b2=np.array([0,-2,1,1],dtype='float')
b3=np.array([4,4,1,3],dtype='float')
A=np.hstack((a1.reshape(4,1),                   #矩阵A
             a2.reshape(4,1),a3.reshape(4,1)))
B=np.hstack((b1.reshape(4,1),                   #矩阵B
             b2.reshape(4,1),b3.reshape(4,1)))
X=matrixSolve(A,B)                              #解方程AX=B
print(X)
X=matrixSolve(B,A)                              #解方程BX=A
print(X)

根据代码内各行注释，不难理解本程序。运行程序，输出

[[1/4  1/4 1/4]
 [1/2  1/2 1/2]
 [1/4 -3/4 5/4]]
[]

这表明，$\mathbf{AX}=\mathbf{B}$有解，即向量组$B$可由向量组$A$线性表示：${\mathbf{\beta }}_1=\frac{1}{4}{\mathbf{\alpha }}_1+\frac{1}{2}{\mathbf{\alpha }}_2+\frac{1}{4}{\mathbf{\alpha }}_3$，${\mathbf{\beta }}_2=\frac{1}{4}{\mathbf{\alpha }}_1+\frac{1}{2}{\mathbf{\alpha }}_2-\frac{3}{4}{\mathbf{\alpha }}_3$，${\mathbf{\beta }}_3=\frac{1}{4}{\mathbf{\alpha }}_1+\frac{1}{2}{\mathbf{\alpha }}_2+\frac{5}{4}{\mathbf{\alpha }}_3$。但$\mathbf{BX}=\mathbf{A}$无解，故向量组$A$不能由向量组$B$线性表示。
函数matrixSolv也可以用来判断一个向量能否由组向量线性表示。
例2 用matrixSolve函数，验证结论：向量$\mathbf{\beta }=\left(\begin{array}{c}1\\ 0\\ 3\\ 1\end{array}\right)$能由向量组${\mathbf{\alpha }}_1=\left(\begin{array}{c}1\\ 1\\ 2\\ 2\end{array}\right),{\mathbf{\alpha }}_2=\left(\begin{array}{c}1\\ 2\\ 1\\ 3\end{array}\right),{\mathbf{\alpha }}_3=\left(\begin{array}{c}1\\ -1\\ 4\\ 0\end{array}\right)$线性表示。

import numpy as np                              #导入numpy
from fractions import Fraction as Q             #导入Fraction
np.set_printoptions(formatter={'all':lambda x:  #设置数组输出格式
                               str(Q(x).limit_denominator())})
a1=np.array([1,1,2,2],dtype='float')            #向量组A
a2=np.array([1,2,1,3],dtype='float')
a3=np.array([1,-1,4,0],dtype='float')
b=np.array([1,0,3,1],dtype='float')             #向量b
A=np.hstack((a1.reshape(4,1),a2.reshape(4,1)    #矩阵A
             ,a3.reshape(4,1)))
X=matrixSolve(A,b.reshape(4,1))                 #解方程AX=b
print(X)

运行程序，输出

[[ 2]
 [-1]
 [ 0]]

这意味着向量$\mathbf{\beta }$可由向量组$A:{\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,{\mathbf{\alpha }}_3$线性表示为$\mathbf{\beta }=2{\mathbf{\alpha }}_1-{\mathbf{\alpha }}_2+0{\mathbf{\alpha }}_3$。
写博不易，敬请支持：
如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！
代码诚可贵，原理价更高。若为AI学，读正版书好。