首先，先把问题明确下：我们要处理的是复数矩阵方程组 ( \mathbf{A}\mathbf{c} = \mathbf{z} )，其中：

• ( \mathbf{A} ) 是复数矩阵，其元素的辐角 ( \theta ) 从0到2π均匀分成 ( m ) 份，固定 ( n=9 )
• ( \mathbf{z} = x + iy ) 是已知复数向量（x、y分量已给出）
• 待求向量 ( \mathbf{c} ) 有硬性约束：第一个分量必须等于1

下面给出两种实用的Matlab迭代求解方案，适合不同场景：

步骤1：先构造复数矩阵A #

首先得根据辐角的分份规则生成矩阵A。假设A的每行（或每列）元素共享同一个辐角（你可以根据实际规则调整），示例代码如下：

m = 100; % 你需要的辐角份数，可自行修改
n = 9;
theta = linspace(0, 2*pi, m); % 生成m个均匀分布的辐角

% 示例：A的第i行所有元素辐角为theta(i)，模长设为1（可根据你的需求修改模长）
A = exp(1i * theta') * ones(1, n); 

方案一：梯度下降迭代法（灵活适配约束） #

如果方程组是超定的（行数远大于列数），梯度下降是很直观的迭代选择，而且能轻松加入c(1)=1的约束。

Matlab代码实现 #

% 1. 导入已知的x、y向量（替换成你的实际数据）
x = rand(m, 1); % 示例实部向量
y = rand(m, 1); % 示例虚部向量
z = x + 1i*y;

% 2. 构造矩阵A（用上面的示例代码，或你的实际规则）
m = 100;
n = 9;
theta = linspace(0, 2*pi, m);
A = exp(1i * theta') * ones(1, n);

% 3. 初始化待求向量c：第一个分量固定为1，其余分量随机初始化复数
c = ones(n, 1);
c(2:end) = randn(n-1, 1) + 1i*randn(n-1, 1);

% 4. 设置迭代参数
learning_rate = 1e-3; % 学习率，震荡就调小，收敛慢就调大
max_iter = 10000;
tolerance = 1e-8; % 收敛阈值
loss_history = zeros(max_iter, 1);

% 5. 迭代求解
for iter = 1:max_iter
    % 计算预测值与损失
    pred = A * c;
    loss = norm(pred - z, 2)^2;
    loss_history(iter) = loss;
    
    % 检查是否收敛
    if iter > 1 && abs(loss - loss_history(iter-1)) < tolerance
        fprintf('迭代收敛于第%d次，损失值：%.4e\n', iter, loss);
        break;
    end
    
    % 计算梯度（仅对c的第2到9分量求导）
    grad = 2 * A(:,2:end)' * (pred - z);
    
    % 更新c的分量（第一个分量保持1不变）
    c(2:end) = c(2:end) - learning_rate * grad;
    
    % 每100次迭代打印进度
    if mod(iter, 100) == 0
        fprintf('迭代第%d次，当前损失：%.4e\n', iter, loss);
    end
end

% 输出结果
disp('求解得到的c向量：');
disp(c);

方案二：共轭梯度法（收敛更快，适合正定系统） #

如果方程组对应的正则方程是正定的，共轭梯度法的收敛速度远快于梯度下降，同样可以适配c(1)=1的约束。

Matlab代码实现 #

% 1. 导入已知数据与构造矩阵A（同方案一）
x = rand(m, 1);
y = rand(m, 1);
z = x + 1i*y;
m = 100;
n = 9;
theta = linspace(0, 2*pi, m);
A = exp(1i * theta') * ones(1, n);

% 2. 转化约束：把c(1)=1代入原方程，得到子问题
b = z - A(:,1); % 右边的已知向量
A_sub = A(:,2:9); % 去掉A的第一列

% 3. 用共轭梯度法求解子问题
% 求解正则方程 A_sub'*A_sub * c' = A_sub'*b，c'是c的第2到9分量
c_prime = pcg(A_sub'*A_sub, A_sub'*b);

% 4. 构造完整的c向量
c = [1; c_prime];

% 输出结果
disp('共轭梯度法求解得到的c向量：');
disp(c);

额外注意事项 #

• 如果矩阵A是欠定的（行数小于列数），建议在损失函数中加入L2正则项（比如 ( \lambda |\mathbf{c}'|_2^2 )），避免解出现不稳定的情况
• 如果你所说的“迭代”是指矩阵A会随c的更新而变化（比如A和c存在依赖关系），只需要把A的构造代码移到迭代循环内部，每次更新c后重新计算A即可

内容的提问来源于stack exchange，提问作者BeeTiau