Python线性方程组-高斯消去法
目标 给定一组点,我试图找到满足所有点的线性方程的系数 例如,如果我想找到线性方程(ax+by+c=z): 我需要至少三个三维点:Python线性方程组-高斯消去法,python,numpy,matrix,scipy,linear-algebra,Python,Numpy,Matrix,Scipy,Linear Algebra,目标 给定一组点,我试图找到满足所有点的线性方程的系数 例如,如果我想找到线性方程(ax+by+c=z): 我需要至少三个三维点: (2, 2, 12) (3, 4, 19) (4, 5, 24) 给定足够多的坐标点(x,y,z),我应该能够使用高斯消去法找到(a,b,c)。 然而,我认为在特殊情况下,我在解决矩阵时遇到了问题。您可以在此处查看我对python实现的第一次尝试: 让我们看几个例子 数据集1 使用以下“手工制作”点(x、y、z): 对以下矩阵执行LU分解: [[ 2. 2.
(2, 2, 12)
(3, 4, 19)
(4, 5, 24)
给定足够多的坐标点(x,y,z),我应该能够使用高斯消去法找到(a,b,c)。
然而,我认为在特殊情况下,我在解决矩阵时遇到了问题。您可以在此处查看我对python实现的第一次尝试:
让我们看几个例子
数据集1
使用以下“手工制作”点(x、y、z):
对以下矩阵执行LU分解:
[[ 2. 2. 1. 12.]
[ 3. 4. 1. 19.]
[ 4. 5. 1. 24.]]
[[ 3. 4. 1. 19.]
[ 4. 5. 1. 24.]
[ 5. 6. 1. 29.]]
[[ 5. 6. 1. 29.]
[ 6. 7. 1. 34.]
[ 7. 8. 1. 39.]]
反求U矩阵:
[[ 4. 5. 1. 24. ]
[ 0. -0.5 0.5 0. ]
[ 0. 0. 0.5 1. ]]
[[ 5.00000000e+00 6.00000000e+00 1.00000000e+00 2.90000000e+01]
[ 0.00000000e+00 4.00000000e-01 4.00000000e-01 1.60000000e+00]
[ 0.00000000e+00 0.00000000e+00 4.44089210e-16 0.00000000e+00]]
[[ 7.00000000e+00 8.00000000e+00 1.00000000e+00 3.90000000e+01]
[ 0.00000000e+00 2.85714286e-01 2.85714286e-01 1.14285714e+00]
[ 0.00000000e+00 0.00000000e+00 0.00000000e+00 3.55271368e-15]]
返回的结果(a、b、c):
对!一切似乎都很好
数据集2
使用以下“手工制作”点(x、y、z):
对以下矩阵执行LU分解:
[[ 2. 2. 1. 12.]
[ 3. 4. 1. 19.]
[ 4. 5. 1. 24.]]
[[ 3. 4. 1. 19.]
[ 4. 5. 1. 24.]
[ 5. 6. 1. 29.]]
[[ 5. 6. 1. 29.]
[ 6. 7. 1. 34.]
[ 7. 8. 1. 39.]]
反求U矩阵:
[[ 4. 5. 1. 24. ]
[ 0. -0.5 0.5 0. ]
[ 0. 0. 0.5 1. ]]
[[ 5.00000000e+00 6.00000000e+00 1.00000000e+00 2.90000000e+01]
[ 0.00000000e+00 4.00000000e-01 4.00000000e-01 1.60000000e+00]
[ 0.00000000e+00 0.00000000e+00 4.44089210e-16 0.00000000e+00]]
[[ 7.00000000e+00 8.00000000e+00 1.00000000e+00 3.90000000e+01]
[ 0.00000000e+00 2.85714286e-01 2.85714286e-01 1.14285714e+00]
[ 0.00000000e+00 0.00000000e+00 0.00000000e+00 3.55271368e-15]]
返回的结果(a、b、c):
虽然从技术上讲,这是一个解决方案,而不是我一直在寻找的
数据集3
使用以下“手工制作”点(x、y、z):
对以下矩阵执行LU分解:
[[ 2. 2. 1. 12.]
[ 3. 4. 1. 19.]
[ 4. 5. 1. 24.]]
[[ 3. 4. 1. 19.]
[ 4. 5. 1. 24.]
[ 5. 6. 1. 29.]]
[[ 5. 6. 1. 29.]
[ 6. 7. 1. 34.]
[ 7. 8. 1. 39.]]
反求U矩阵:
[[ 4. 5. 1. 24. ]
[ 0. -0.5 0.5 0. ]
[ 0. 0. 0.5 1. ]]
[[ 5.00000000e+00 6.00000000e+00 1.00000000e+00 2.90000000e+01]
[ 0.00000000e+00 4.00000000e-01 4.00000000e-01 1.60000000e+00]
[ 0.00000000e+00 0.00000000e+00 4.44089210e-16 0.00000000e+00]]
[[ 7.00000000e+00 8.00000000e+00 1.00000000e+00 3.90000000e+01]
[ 0.00000000e+00 2.85714286e-01 2.85714286e-01 1.14285714e+00]
[ 0.00000000e+00 0.00000000e+00 0.00000000e+00 3.55271368e-15]]
实现崩溃
思想
在数据集2和3中,最后一行和倒数第二行为“特殊”。倒数第二行的“b”和“c”的值相同(在我的特殊示例中也是如此!)。不幸的是,我缺乏数学知识,无法从中得出正面或反面的结论
当最后一行都是零并且上面一行的值相等时,我需要处理一些特殊情况吗
提前谢谢 退房,然后
例如,使用数据集1
对于3x+2y+2=z
使用
例如,使用数据集2
我得到
>>> a = np.array([[3, 4, 1], [4, 5, 1], [5, 6, 1]])
>>> b = np.array([19, 24, 29])
>>> np.linalg.solve(a, b)
array([ 0.73333333, 4.26666667, -0.26666667])
这就是你想要的答案吗?这是一个有效的答案,但由于a
排名第二,[2,3,1.]
也是一个有效的答案。见下文
例如,使用数据集3
重复这个过程
>>> a = np.array([[5, 6, 1], [6, 7, 1], [7, 8, 1]])
>>> b = np.array([29, 34, 39])
>>> np.linalg.solve(a, b)
LinAlgError: Singular matrix
这意味着系数的值为零,因此矩阵的值是无限的,或者一般来说,有无穷多个解或者没有解
>>> np.linalg.det(a)
0.0
>>> 1. / np.linalg.det(a)
inf
>>> np.linalg.lstsq(a,b)
(array([ 2., 3., 1.]), # solution "x"
array([], dtype=float64), # residuals, empty if rank > a.shape[0] or < a.shape[1]
2, # rank
array([ 1.61842911e+01, 2.62145599e-01, 2.17200830e-16])) # singular values of "a"
记住,通过假设x=inv(a)b
求解系统ax=b
,因此inv(a)
必须存在且是有限的。如果a
是单数,则inv(a)
是无限的
>>> np.linalg.inv(a)
LinAlgError: Singular matrix
那么,试着寻找一个最好的解决方案怎么样
>>> np.linalg.det(a)
0.0
>>> 1. / np.linalg.det(a)
inf
>>> np.linalg.lstsq(a,b)
(array([ 2., 3., 1.]), # solution "x"
array([], dtype=float64), # residuals, empty if rank > a.shape[0] or < a.shape[1]
2, # rank
array([ 1.61842911e+01, 2.62145599e-01, 2.17200830e-16])) # singular values of "a"
np.linalg.lstsq(a,b)
(数组([2,3,1.]),#解“x”
数组([],dtype=float64),#残差,如果秩>a.shape[0]或因此,它找到了最好的解决方案,如
[2,3,1.]
,幸运的是,它实际上是针对您的条件的解决方案!残差返回为空,因为as@wim说,a
秩不足,例如:不等于方阵a
的维数或满秩。您要寻找的是包含所有3个点的平面。对于数据集2和3,您的解决方案似乎表现得很奇怪,原因是这三个点是共线的,因此不存在唯一的解决方案(即,存在无限多个包含任何给定直线的平面)。这反映在LU分解中,显示为“零”行,因为矩阵是秩2
假设您坚持寻找包含所有3个点的平面,您需要确保您的矩阵实际上是秩3。如果是,那么你有一个解决方案。如果它是秩2,则包含公共线的任何平面都是有效解
>>> np.linalg.det(a)
0.0
>>> 1. / np.linalg.det(a)
inf
>>> np.linalg.lstsq(a,b)
(array([ 2., 3., 1.]), # solution "x"
array([], dtype=float64), # residuals, empty if rank > a.shape[0] or < a.shape[1]
2, # rank
array([ 1.61842911e+01, 2.62145599e-01, 2.17200830e-16])) # singular values of "a"
注意:如果您试图为4个点找到一个公共平面,则可能会发现不存在此类解决方案。是的,这是一种特殊情况,您需要以不同方式处理。在案例2和案例3中,您有一个。一般来说,它可能意味着有无穷多个解,或者没有解 您可以通过检查通过叠加这3个向量生成的矩阵的大小来确定这些情况是否会发生
>>> import numpy as np
>>> from scipy.linalg import det
>>> data1 = np.array([(2, 2, 12), (3, 4, 19), (4, 5, 24)])
>>> data2 = np.array([(3, 4, 19), (4, 5, 24), (5, 6, 29)])
>>> data3 = np.array([(5, 6, 29), (6, 7, 34), (7, 8, 39)])
>>> det(data1)
-1.9999999999999982
>>> det(data2)
5.551115123125788e-17
>>> det(data3)
8.881784197001213e-16
示例1是一个满秩矩阵,它从几何角度告诉您这3个点是
例子2和3生成零行列式的矩阵,它告诉你点是线性相关的。
我认为这可能是一个数学问题,考虑把它移到你的是肯定正确的,但是我怀疑OP是否理解“满秩矩阵”是什么。甚至不确定行列式会不会响。重要的术语已经联系起来了