Numpy 用矩阵方程优化.root

我正在尝试使用optimize.root解决以下线性系统

AX = b

使用以下代码

A = [[0,1,0],[2,1,0],[1,4,1]]

def foo(X):
   b = np.matrix([2,1,1])
   out = np.dot(A,X) - b
   return out.tolist()

sol = scipy.optimize.root(foo,[0,0,0])

我知道我可以简单地使用

numpy.linalg.solve

来轻松完成这项工作。但我实际上是在试图解决一个矩阵形式的非线性系统。见我的问题。所以我需要找到一种方法让这个方法有效。为了做到这一点，我试图在这个简单的案例中解决这个问题。但是我得到了错误

TypeError: fsolve: there is a mismatch between the input and output shape of the 'func' argument 'foo'.Shape should be (3,) but it is (1, 3).

从我从其他类似的stackoverflow问题中看到的情况来看，这是因为foo函数的输出与初始猜测的形状不兼容

[0,0,0]

当然，有一种方法可以使用scipy.optimize.root解决这个方程。有人能帮忙吗？

（我假设你的

.dot

中的大写字母

B

是

a

的拼写错误）

---

尝试将

np.array

用于

b

<代码>np。矩阵创建一个“行向量”，即形状

（1，3）

，而您最初的猜测是形状

（3，）

对不起。是的，它是

a

的输入错误。如何将函数

foo

的输出转换为形状

（3，）

？对

b

使用

np.array

不起作用吗？我很确定您不需要

.tolist（）

。不，不幸的是，您仍然会遇到相同的错误。我试着变换矩阵。但还是不行。我使用了

b=np.array（[2,1,1]）

奇怪，对我有效。您发布的代码是否与您实际使用的代码相同？我这样问是因为，如果你用

np.matrix

代替

A

列表，它就不起作用了。