Python求解广义特征值问题如何获取关于质量矩阵正交归一的特征向量

不需要自行实现Gram-Schmidt正交化流程，scipy提供了原生的、数值稳定性更好的直接实现。

最优实现：使用scipy专用实对称广义特征值接口 #

你当前使用的scipy.linalg.eig是面向任意矩阵的通用广义特征值求解器，不会默认返回M正交归一的特征向量，也没有针对实对称矩阵场景做优化。
当K、M均为实对称矩阵，且M为正定质量矩阵（你的使用场景完全符合这个前提），直接调用scipy.linalg.eigh即可：

import scipy.linalg
W, V = scipy.linalg.eigh(K, M)

该函数返回的特征向量矩阵V默认满足：

• 精度范围内V.T @ M @ V为单位矩阵
• 精度范围内V.T @ K @ V为以特征值W为对角元的对角矩阵
• 相比通用eig函数，计算速度更快、数值误差更小，是这类有限元/结构动力学广义特征值问题的标准调用方式。

已有通用eig计算结果的快速后处理方法 #

如果你已经通过scipy.linalg.eig完成了特征值计算，不想重新跑求解流程，也不需要实现完整的Gram-Schmidt正交化，只需要做简单后处理即可：

1. 逐向量做M内积下的归一化
2. 若特征值分离度较好，做完第一步就已经满足精度要求；如果存在重特征值带来的正交性数值误差，再针对重特征值对应的子空间做正交修正即可，计算量远小于全向量Gram-Schmidt
   参考代码：

import numpy as np
# 假设W, V是scipy.linalg.eig(K, M)的返回结果
# 逐向量归一
n = V.shape[1]
for i in range(n):
    m_norm = np.sqrt(V[:, i].T @ M @ V[:, i])
    V[:, i] /= m_norm

# 重特征值场景可选：对重特征值对应的向量组做M正交修正
unique_w = np.unique(np.round(W, decimals=10)) # 按精度阈值识别重特征值
for w_val in unique_w:
    idx = np.where(np.abs(W - w_val) < 1e-10)[0]
    if len(idx) > 1:
        V_sub = V[:, idx]
        R = V_sub.T @ M @ V_sub
        L = np.linalg.cholesky(R)
        V[:, idx] = V_sub @ np.linalg.inv(L).T

注意事项 #

• numpy的numpy.linalg.eig、numpy.linalg.eigh仅支持普通特征值求解，不支持传入质量矩阵M求解广义特征值问题，不要误用。
• 如果M不是正定矩阵（比如存在刚体模态的半正定情况），可以给eigh传入type=1参数，调整求解算法适配半正定M的场景。

内容的提问来源于stack exchange，提问作者S. U.