matlab怎么返回解向量,对于欠定线性系统，如何获得与Matlab的“A\b”（mldivide）运算符使用numpy/scipy返回的“特殊”解？...

非负最小二乘(^{})是这个问题的一般解。如果所有可能的解决方案都包含负系数，则会失败：import numpy as np

from scipy.optimize import nnls

A = np.array([[1, 2, 0],

[0, 4, 3]])

b = np.array([-1, -2])

print(nnls(A, b))

# (array([ 0., 0., 0.]), 2.23606797749979)

在A·x=b的情况下

^{pr2}$

将选择一个最小化L2的解决方案。这恰好不是我们要寻找的特定解决方案，但我们可以线性变换它以得到我们想要的。为了做到这一点，我们首先计算A的right null space，它表征了A·x=b的所有可能解的空间。我们可以使用rank-revealing QR decomposition：

^{3}$

Z是一个向量(或者，在n-rnk(a)&gt；1的情况下，跨越a的子空间的一组基向量)，使得a·Z=0：print(A.dot(Z))

# [[ 0.00000000e+00]

# [ 8.88178420e-16]]

换句话说，Z的列是与A中所有行正交的向量。这意味着对于任何解x'到A·x=b，那么x'=x+Z·c也必须是任意标度因子c的解。这意味着，通过选取适当的c值，我们可以将解中任何系数的n-rnk(A)设置为零。在

例如，假设要将最后一个系数的值设置为零：c = -x1[-1] / Z[-1, 0]

x2 = x1 + Z * c

print(x2)

# [ -8.32667268e-17 -5.00000000e-01 0.00000000e+00]

print(A.dot(x2))

# [-1. -2.]

更一般的情况是n-rnk(A)≤1则稍微复杂一些：A = np.array([[1, 4, 9, 6, 9, 2, 7],

[6, 3, 8, 5, 2, 7, 6],

[7, 4, 5, 7, 6, 3, 2],

[5, 2, 7, 4, 7, 5, 4],

[9, 3, 8, 6, 7, 3, 1]])

x_exact = np.array([ 1, 2, -1, -2, 5, 0, 0])

b = A.dot(x_exact)

print(b)

# [33, 4, 26, 29, 30]

我们得到x'和Z：x1, res, rnk, s = np.linalg.lstsq(A, b)

Z = qr_null(A)

现在为了使解向量中的零值系数的数目最大化，我们要找到一个向量C，这样x' = x + Z·C = [x'0, x'1, ..., x'rnk(A)-1, 0, ..., 0]T

如果n-rnk(A)中的最后一个n-rnk(A)系数为零，则这就要求Z{rnk(A),...,n}·C = -x{rnk(A),...,n}

因此，我们必须清楚地知道(因为我们可以精确地求解)C = np.linalg.solve(Z[rnk:], -x1[rnk:])

并计算x'：x2 = x1 + Z.dot(C)

print(x2)

# [ 1.00000000e+00 2.00000000e+00 -1.00000000e+00 -2.00000000e+00

# 5.00000000e+00 5.55111512e-17 0.00000000e+00]

print(A.dot(x2))

# [ 33. 4. 26. 29. 30.]

要将它们组合成一个功能：import numpy as np

from scipy.linalg import qr

def solve_minnonzero(A, b):

x1, res, rnk, s = np.linalg.lstsq(A, b)

if rnk == A.shape[1]:

return x1 # nothing more to do if A is full-rank

Q, R, P = qr(A.T, mode='full', pivoting=True)

Z = Q[:, rnk:].conj()

C = np.linalg.solve(Z[rnk:], -x1[rnk:])

return x1 + Z.dot(C)