python生成矩阵的元素随机_在一组固定元素上生成一定秩的“随机”矩阵

不过，如果我这样做，然后四舍五入到二进制/1-5，排名就会增加。在

通过进行奇异值分解并取第一个r奇异值，也可以得到矩阵的低阶近似值。但是，这些值不会位于所需的集合中，取整它们将再次提高排名。在

This question是相关的，但接受的答案不是“随机的”，另一个答案是SVD，这在这里不起作用。在

我想到的一种可能性是从集合中使r线性独立的行或列向量，然后通过这些向量的线性组合得到矩阵的其余部分。我不太清楚，不管是如何得到“随机”的线性独立向量，还是之后如何以一种准随机的方式组合它们。在

(不是说它是超级相关的，但我在纽比做这个。)

更新：我尝试过EMS在评论中建议的方法，使用以下简单的实现：real = np.dot(np.random.normal(0, 1, (10, 3)), np.random.normal(0, 1, (3, 10)))

bin = (real > .5).astype(int)

rank = np.linalg.matrix_rank(bin)

niter = 0

while rank > des_rank:

cand_changes = np.zeros((21, 5))

for n in range(20):

i, j = random.randrange(5), random.randrange(5)

v = 1 - bin[i,j]

x = bin.copy()

x[i, j] = v

x_rank = np.linalg.matrix_rank(x)

cand_changes[n,:] = (i, j, v, x_rank, max((rank + 1e-4) - x_rank, 0))

cand_changes[-1,:] = (0, 0, bin[0,0], rank, 1e-4)

cdf = np.cumsum(cand_changes[:,-1])

cdf /= cdf[-1]

i, j, v, rank, score = cand_changes[np.searchsorted(cdf, random.random()), :]

bin[i, j] = v

niter += 1

if niter % 1000 == 0:

print(niter, rank)

它对小矩阵很快有效，但对于10x10这样的矩阵则会崩溃——它似乎在6或7级卡住了，至少在数十万次迭代中是这样。在

这看起来像是用一个更好的(即不太平坦的)目标函数更好地工作，但我不知道那会是什么。在

我还尝试了一种简单的拒绝方法来建立矩阵：

^{pr2}$

这适用于任何秩的10x10二进制矩阵，但不适用于0-4矩阵或更大的低秩二进制。(例如，得到一个排名为15的20x20二进制矩阵需要42000次拒绝；而排名为10的20x20则需要120万次拒绝。)

这显然是因为第一行r所跨越的空间在我采样的空间中太小了，例如在这些情况下{0,1}^10。在

我们需要第一个r行的跨度与一组有效值的交集。

所以我们可以试着从跨度中取样并寻找有效值，但由于跨度涉及实值系数，因此永远找不到有效向量(即使我们将其规格化，例如第一个分量在有效集中)。在

也许这可以表述为一个整数规划问题，或者其他什么？在