如何加速从SymPy多项式表达式生成大尺寸NumPy矩阵

核心思路：跳过符号计算，直接从数学推导构造矩阵 #

你的问题完全不需要用Sympy进行耗时的符号展开——通过分析多项式的数学结构，可以直接写出目标矩阵的元素规律，用numpy一步构造完成，时间复杂度为O(n²)且numpy内部做了底层优化，对于n<1000的场景完全无压力。

数学推导过程 #

1. 先展开并化简目标多项式：惩罚项去掉常数项后为 $C\left[(x_1+x_2+...+x_n)^2 - 2(x_1+x_2+...+x_n)\right]$
2. 结合你假设的 $x_i = x_i^2$，将线性项 $-2Cx_i$ 等价转换为 $-2Cx_i^2$
3. 展开平方项并合并同类项后，最终多项式可表示为二次型形式 $\boldsymbol{x}^T M \boldsymbol{x}$，其中矩阵 $M$ 的元素规律为：
   • 对角线元素：对应 $x_i^2$ 的系数，值为 $-C$
   • 非对角线元素：对应 $x_i x_j$（$i≠j$）的系数，值为 $C$（二次型中 $x_i x_j$ 的总系数是 $2C$，对称矩阵中分摊到 $M[i][j]$ 和 $M[j][i]$ 各 $C$）

numpy实现代码 #

直接用numpy内置函数构造矩阵，无需符号计算：

import numpy as np

def build_penalty_matrix(n, C):
    # 构造全1矩阵
    full_one = np.ones((n, n))
    # 构造单位矩阵
    identity = np.eye(n)
    # 目标矩阵 = C*(全1矩阵 - 2*单位矩阵)
    return C * (full_one - 2 * identity)

# 示例：n=3，C=0.5
n = 3
C = 0.5
matrix = build_penalty_matrix(n, C)
print(matrix)

运行结果与Sympy推导的n=3场景完全一致：

[[-0.5  0.5  0.5]
 [ 0.5 -0.5  0.5]
 [ 0.5  0.5 -0.5]]

性能表现 #

对于n=225，该方法耗时不到1毫秒；即使n=1000，构造矩阵也仅需几毫秒，完全不会出现Python崩溃的问题。

内容的提问来源于stack exchange，提问作者slaw