NumPy - 求解线性方程组
什么是求解线性方程组？
线性方程是包含线性项的数学方程，即变量的最高次幂为 1。
线性方程组可以表示为多个变量的一组方程。目标是找到同时满足所有方程的这些变量的值。
在矩阵形式中，线性方程组可以表示为 −
A * x = b
其中，
- A：表示线性方程系数矩阵。
- x：表示未知变量的列向量。
- b：表示方程右侧常数的列向量。
目标是找到向量 x，其中包含未知变量的值。NumPy 提供了使用矩阵运算求解此类方程组的方法。
在 NumPy 中求解线性方程组
NumPy 提供了多种求解线性方程组的方法。最常用的方法是使用 numpy.linalg.solve() 函数，该函数直接求解线性方程组。
示例
在以下示例中，方程组 −
3x + 2y = 5 x + 2y = 5
已被求解，得到解 x = 1 和 y = 2。
import numpy as np
# 定义系数矩阵 A 和常数向量 b
A = np.array([[3, 2], [1, 2]])
b = np.array([5, 5])
# 求解线性方程组
x = np.linalg.solve(A, b)
print("Solution vector x:", x)
得到以下输出 −
Solution vector x: [0. 2.5]
numpy.linalg.solve() 函数
numpy.linalg.solve(A, b) 函数计算线性方程组 A * x = b 的解。该函数接受两个参数：
- A：系数矩阵（2D NumPy array）。
- b：常数向量（1D NumPy array）。
该函数返回满足方程的解向量 x。该函数使用高效方法（如高斯消元或 LU 分解）来求解方程组。
求解线性方程组的替代方法
除了 numpy.linalg.solve() 函数之外，NumPy 还提供了其他求解线性方程组的方法，例如使用矩阵求逆或 numpy.dot() 函数。
这些方法在你需要对求解过程有更多控制或想要探索线性系统求解的数学背景时非常有用。
使用矩阵求逆
求解线性方程组的一种方法是求系数矩阵 A 的逆矩阵。如果 A 可逆，则可以通过将 A 的逆矩阵与向量 b 相乘来得到解：
x = A-1 * b
NumPy 提供了 numpy.linalg.inv() 函数来计算矩阵的逆矩阵。让我们看看如何使用它 −
import numpy as np
# 定义系数矩阵 A 和常数向量 b
A = np.array([[3, 2], [1, 2]])
b = np.array([5, 5])
# 计算 A 的逆矩阵
A_inv = np.linalg.inv(A)
# 使用矩阵求逆求解方程组
x = np.dot(A_inv, b)
print("解向量 x:", x)
以下是得到的结果 −
Solution vector x: [4.4408921e-16 2.5000000e+00]
这种方法也会产生与 numpy.linalg.solve() 函数相同的结果。然而，对于大型矩阵，使用矩阵求逆的计算成本更高且稳定性更差。
使用 numpy.linalg.lstsq() 函数
如果方程组是超定系统（方程数多于未知数），你可以使用最小二乘解。
numpy.linalg.lstsq() 函数用于找到此类系统的最小二乘解。它最小化观测值与预测值之间的误差。
让我们看一个例子 −
import numpy as np
# 定义一个超定系统（方程数多于未知数）
A = np.array([[1, 1], [2, 1], [3, 1]])
b = np.array([6, 8, 10])
# 使用最小二乘法求解系统
x, residuals, rank, s = np.linalg.lstsq(A, b, rcond=None)
print("解向量 x:", x)
最小二乘解最小化了系统中的误差，在这种情况下，它找到了未知数 x 和 y 的最佳拟合值 −
Solution vector x: [2. 4.]
求解线性方程组的应用
求解线性方程组在各个领域有众多应用，例如 −
- Physics: 线性方程用于建模物理系统，例如电路、运动和能量传递。
- Economics: 经济学家使用线性系统来建模变量之间的关系，如供给与需求、生产和消费。
- Computer Graphics: 在图形编程中，线性方程用于变换、渲染和 3D 建模。
- Machine Learning: 求解线性方程是线性回归和优化问题等算法中的关键步骤。
求解线性方程组的优势
使用 NumPy 求解线性方程组有几个优势，它们是 −
- Efficiency: NumPy 针对性能进行了优化，使其比手动求解方程快得多。
- Ease of Use: NumPy 提供了简单函数如 linalg.solve() 和 linalg.lstsq() 函数，只需最少的努力即可处理复杂的计算。
- Robustness: NumPy 高效处理边界情况，例如奇异矩阵或病态矩阵。
- Versatility: NumPy 可以处理任意数量方程和未知数的系统，使其适用于广泛的问题。