如何降低21×21复对称矩阵3500万次求逆的耗时？

1. scipy矩阵求逆比numpy更快的原因及实现查询方法 #

• 性能差异原因：scipy.linalg.inv()和numpy.linalg.inv()虽都依赖LAPACK库，但scipy针对特殊矩阵类型（如你的复对称矩阵）做了更精细的路径选择与优化。scipy会检测矩阵的对称性、复实属性，调用LAPACK中对应更高效的例程（比如复对称矩阵会优先用zgetri结合对称矩阵分解逻辑）；而numpy.linalg.inv()的实现更通用，未针对这类特殊矩阵做额外适配，因此在特定场景下性能落后。
• 查询实现的方式：
  • 直接查看scipy源码：在scipy仓库的scipy/linalg/basic.py文件中找到inv函数，它会调用内部的_linalg.inv接口，底层通过Cython绑定调用LAPACK的具体例程。
  • 查看scipy官方文档：scipy.linalg.inv的文档会明确标注依赖的LAPACK函数，以及对矩阵类型的优化逻辑。

2. 进一步降低计算耗时的方法 #

针对你仅矩阵对角元素变化的核心场景，优先推荐基于矩阵修正的方法，再结合其他优化手段：

核心优化：利用对角修正的秩1更新公式（Sherman-Morrison-Woodbury扩展） #

假设原矩阵为$A$，其逆为$A^{-1}$，新矩阵为$A + \text{diag}(\Delta d_1, \Delta d_2, ..., \Delta d_{21})$，可通过Sherman-Morrison-Woodbury公式推导快速计算新逆：
$$(A + D)^{-1} = A^{-1} - A^{-1}D(I + A^{-1}D){-1}A^{-1}$$
其中$D$是对角修正矩阵。由于$D$是对角矩阵，$(I + A^{{-1}D)$也是对角矩阵，其逆可直接计算每个对角元的倒数，整个计算过程的复杂度为$O(n}2)$（$n=21$），远低于全矩阵求逆的$O(n^3)$，3500万次计算下能节省大量时间。

其他优化手段 #

• 直接调用针对复对称矩阵的分解函数：复对称矩阵可使用LDLT分解（scipy.linalg.ldl()），分解后再通过分解结果求逆，比通用inv函数更高效。示例代码逻辑：

  import scipy.linalg as la
  # 预分解初始复对称矩阵A
  L, D, perm = la.ldl(A)
  # 利用分解结果求逆
  inv_A = la.ldl_solve((L, D, perm), np.eye(21))
  

• 批量处理矩阵：如果多个对角修正的矩阵可以批量生成，利用scipy的批量矩阵操作接口（如la.inv支持批量输入），减少Python循环的开销。
• 使用优化的BLAS/LAPACK库：安装MKL或OpenBLAS优化版本的scipy/numpy，底层计算速度会比默认库提升数倍。
• 近似迭代法（若允许精度损失）：对于复对称矩阵，可使用共轭梯度法（CG）求解线性方程组$Ax=e_i$（$e_i$为标准基向量）得到逆矩阵的每一列。设置合适的迭代终止阈值（如满足精度要求时提前停止），可减少计算量。但对于$n=21$的小矩阵，迭代法优势不明显，仅当精度要求较低时考虑。

内容的提问来源于stack exchange，提问作者Anonymous