Numpy:具有特定条件的线性系统。没有否定解决方案

时间:2016-05-01 16:22:46

标签: python arrays algorithm numpy

我正在使用numpy编写Python代码。在我的代码中,我使用“linalg.solve”来解决n个变量中n个方程的线性系统。当然,解决方案可以是积极的,也可以是消极的。我需要做的是始终保持正解或至少等于0.为此,我首先要求软件以这种形式求解我的线性方程组

x=np.linalg.solve(A,b)

其中x是一个具有特定顺序的n个变量的数组(x1,x2,x3 ..... xn), A是n维方阵,b是n维阵列。 现在我想这样做:

- 解决方程组

- 检查每个x是否为正

- 如果没有,每个负x我都希望它们= 0(例如x2 = -2 ----> x2 = 0)

- 通用xn = 0想要消除n维方阵A中的n行和n-coloumn(我将获得另一个方阵A1)并消除b中的n元素获得b1。 / p>

- 使用矩阵A1和b1再次解析系统

-re-iterate,直到每个x为正或零

- 最后构建一个由n个元素组成的最终数组,其中我将放置最后一个迭代解决方案和每个等于零的变量(我需要它们因为它没有迭代,所以如果在迭代期间它是x2 = 0 -----> xfinal = [x1,0,x3,.....,xn]

认为它会工作,但不知道如何在python中做到这一点。

希望我很清楚。无法弄明白!

1 个答案:

答案 0 :(得分:3)

你有一个最小化问题,即

min ||Ax - b||
s.t. x_i >= 0 for all i  in [0, n-1]

您可以使用Scipy的Optimize模块

import numpy as np
from scipy.optimize import minimize

A = np.array([[1., 2., 3.],[4., 5., 6.],[7., 8., 10.]], order='C')
b = np.array([6., 12., 21.])
n = len(b)

# Ax = b --> x = [1., -2., 3.]

fun = lambda x: np.linalg.norm(np.dot(A,x)-b)
# xo = np.linalg.solve(A,b)
# sol = minimize(fun, xo, method='SLSQP', constraints={'type': 'ineq', 'fun': lambda x:  x})
sol = minimize(fun, np.zeros(n), method='L-BFGS-B', bounds=[(0.,None) for x in xrange(n)])

x = sol['x'] # [2.79149722e-01, 1.02818379e-15, 1.88222298e+00]

使用您的方法,我得到x = [ 0.27272727, 0., 1.90909091]

如果您仍想使用算法,则它位于

之下
n = len(b)
x = np.linalg.solve(A,b)
pos = np.where(x>=0.)[0]

while len(pos) < n:
    Ap = A[pos][:,pos]
    bp = b[pos]
    xp = np.linalg.solve(Ap, bp)
    x = np.zeros(len(b))
    x[pos] = xp
    pos = np.where(x>=0.)[0]

但我不建议你使用它,你应该使用最小化选项。