如何在Python中通过矩阵等式A=B求解未知变量d、e、f

你的问题本质是求解一个超定非线性方程组：矩阵A的前3×3元素与B的对应元素相等，共9个方程但只有3个未知变量(d,e,f)。这类问题最适合用数值优化中的最小二乘法来求解——我们不需要严格满足每一个方程（毕竟变量数远少于方程数），而是找到能让A和B整体误差最小的变量值。

实现步骤与完整代码 #

我们用scipy.optimize.least_squares来完成这个任务，它专门处理这类超定非线性最小二乘问题，收敛性和稳定性都不错。

1. 导入必要的库

import numpy as np
from scipy.optimize import least_squares

2. 定义残差函数

这个函数的作用是：给定一组(d,e,f)，计算矩阵A与B对应元素的差值，把所有差值整理成一维数组供优化器使用。

def residual(x, target_B):
    d, e, f = x
    # 构建矩阵A的前3×3核心部分
    A_core = np.array([
        [np.sin(f)*np.cos(e), 
         np.sin(d)*np.sin(e)*np.cos(f) - np.sin(f)*np.cos(d), 
         np.sin(d)*np.sin(f) + np.sin(e)*np.cos(d)*np.cos(f)],
        [np.sin(f)*np.cos(e),  # 注意：你给出的A矩阵第一、二行首个元素相同，若为笔误请自行修正
         np.sin(d)*np.sin(e)*np.sin(f) + np.cos(d)*np.cos(f), 
         -np.sin(d)*np.cos(f) + np.sin(e)*np.sin(f)*np.cos(d)],
        [-np.sin(e), 
         np.sin(d)*np.cos(e), 
         np.cos(d)*np.cos(e)]
    ])
    # 计算残差：A与B前3×3元素的差值，展平为一维数组
    return (A_core - target_B[:3, :3]).flatten()

3. 设置已知矩阵与初始猜测值

# 已知的目标矩阵B
B = np.array([
    [0.23, -0.45, 1.6, 0],
    [0.8, 1.7, 1.4, 0],
    [0.43, 0.72, 0.6, 0],
    [0, 0, 0, 1]
])

# 初始猜测值（可以根据实际情况调整，比如全0或π/4这类常见角度）
initial_guess = np.array([0.0, 0.0, 0.0])

4. 调用求解器并验证结果

# 执行最小二乘求解
solution = least_squares(residual, initial_guess, args=(B,))

# 输出求解结果（同时转换为度数方便阅读）
d_opt, e_opt, f_opt = solution.x
print("求解得到的变量值：")
print(f"d = {d_opt:.4f} 弧度（约 {np.degrees(d_opt):.2f} 度）")
print(f"e = {e_opt:.4f} 弧度（约 {np.degrees(e_opt):.2f} 度）")
print(f"f = {f_opt:.4f} 弧度（约 {np.degrees(f_opt):.2f} 度）")

# 验证：用求得的变量构建完整矩阵A，查看与B的差异
A_opt = np.array([
    [np.sin(f_opt)*np.cos(e_opt), 
     np.sin(d_opt)*np.sin(e_opt)*np.cos(f_opt) - np.sin(f_opt)*np.cos(d_opt), 
     np.sin(d_opt)*np.sin(f_opt) + np.sin(e_opt)*np.cos(d_opt)*np.cos(f_opt), 0],
    [np.sin(f_opt)*np.cos(e_opt), 
     np.sin(d_opt)*np.sin(e_opt)*np.sin(f_opt) + np.cos(d_opt)*np.cos(f_opt), 
     -np.sin(d_opt)*np.cos(f_opt) + np.sin(e_opt)*np.sin(f_opt)*np.cos(d_opt), 0],
    [-np.sin(e_opt), 
     np.sin(d_opt)*np.cos(e_opt), 
     np.cos(d_opt)*np.cos(e_opt), 0],
    [0, 0, 0, 1]
])

print("\n验证：优化后的矩阵A与B的元素差异：")
print(np.round(A_opt - B, 4))  # 保留4位小数，方便查看

关键注意事项 #

• 弧度/度数转换：Python中numpy.sin和numpy.cos默认使用弧度计算，如果你的问题中角度以度数为单位，记得先转换为弧度再代入计算，或者像代码中一样把结果转换为度数。
• 初始值的影响：非线性优化的结果可能受初始猜测值影响，如果第一次求解的误差较大，可以尝试调整initial_guess（比如换成np.array([np.pi/4, np.pi/4, np.pi/4])）。
• 超定方程组的特性：因为我们有9个方程但只有3个变量，最小二乘法会找到整体误差最小的解，而不是严格满足每一个方程——除非B恰好是某个符合A结构的矩阵。

替代方案：精确求解方程组（若存在精确解） #

如果你确定存在一组(d,e,f)能让A完全等于B，可以选择3个独立方程，用scipy.optimize.root求解。比如选第一行第一列、第三行第一列、第三行第三列的方程：

def exact_equations(x, target_B):
    d, e, f = x
    eq1 = np.sin(f)*np.cos(e) - target_B[0,0]
    eq2 = -np.sin(e) - target_B[2,0]
    eq3 = np.cos(d)*np.cos(e) - target_B[2,2]
    return [eq1, eq2, eq3]

from scipy.optimize import root
exact_solution = root(exact_equations, initial_guess, args=(B,))
print("\n用精确方程组求解的结果：")
print(f"d = {exact_solution.x[0]:.4f} 弧度，e = {exact_solution.x[1]:.4f} 弧度，f = {exact_solution.x[2]:.4f} 弧度")

不过这种方法需要确保所选方程独立且有解，否则可能无法收敛。

内容的提问来源于stack exchange，提问作者Siddharth Singh