如何在Python中求解x*y=c的最小范数解（x为向量、y为矩阵）

要解决将n维向量c分解为m维向量x和m×n矩阵y（满足x@y = c）且使||x||² + ||y||_F²最小的问题，我们可以通过代数推导得到闭式解，无需依赖随机种子或复杂符号求解。

核心思路 #

我们的目标是最小化||x||² + ||y||_F²（||·||_F为矩阵Frobenius范数），约束条件为x@y = c。通过将y表示为x与某个向量的外积形式，可将双变量优化问题转化为单变量问题，进而找到最小值对应的解：

1. 设y = xᵀ @ d（d为n维向量），代入约束得(x@xᵀ)d = c，即||x||² d = c，因此d = c / ||x||²（当||x||≠0时）。
2. 将d代入目标函数，化简后得到||x||² + ||c||² / ||x||²，对||x||²求导可知最小值在||x|| = √||c||时取得。
3. 此时d = c / ||c||，代入y的表达式即可得到对应的矩阵。

为了得到确定的解，我们选择构造稀疏的x（仅第一个元素非零），这样实现最简单且满足需求。

Python 实现代码 #

import numpy as np

def minimal_norm_decompose(c, m):
    """
    将n维向量c分解为m维向量x和m×n矩阵y，满足x@y = c，且||x||² + ||y||_F²最小
    
    参数:
        c: 形状为(n,)的numpy数组，输入向量
        m: 整数，x的维度（即y的行数）
    
    返回:
        x: 形状为(m,)的numpy数组
        y: 形状为(m, n)的numpy数组
    """
    n = c.size
    norm_c = np.linalg.norm(c)
    
    # 处理零向量特殊情况
    if norm_c < 1e-12:
        return np.zeros(m), np.zeros((m, n))
    
    # 构造x：第一个元素为√||c||，其余为0
    x = np.zeros(m)
    x[0] = np.sqrt(norm_c)
    
    # 构造y：第一行为c/√||c||，其余行为0
    y = np.zeros((m, n))
    y[0] = c / np.sqrt(norm_c)
    
    return x, y

验证示例 #

# 生成测试用100维向量
c = np.random.rand(100)
# 分解为30维x和30×100矩阵y
x, y = minimal_norm_decompose(c, 30)

# 验证约束条件是否满足
print(np.allclose(x @ y, c))  # 输出True，说明x@y与c几乎相等

# 验证范数和是否为最小值
norm_sum = np.linalg.norm(x)**2 + np.linalg.norm(y)**2
print(np.allclose(norm_sum, 2 * np.linalg.norm(c)))  # 输出True

说明 #

• 该方法是通用的，适用于任意维度的c、任意指定的m（x的维度）。
• 解的范数和是固定的最小值2||c||，不同的x方向（非稀疏的x）也能达到这个最小值，但我们选择的稀疏解最易实现且可靠。
• 避免了随机种子依赖，完全基于输入向量c计算，结果确定可控。

内容的提问来源于stack exchange，提问作者Thiago2104