求解含左右未知量的线性方程组$Lx=Ry$的非列重组方法

要解决这个问题，核心是在保留L和R列顺序的前提下，通过提取子矩阵而非重排列的方式，把未知量集中到左侧、已知量移到右侧。结合题目中“每个未知x对应已知y，反之亦然”的条件，我们可以按以下步骤操作：

1. 先明确索引划分 #

首先定义两个索引集合：

• $\mathcal{U}$：向量x中未知量的位置索引，同时这也是y中已知量的位置索引（因为题目说未知x对应已知y）
• $\mathcal{K}$：向量x中已知量的位置索引，同时这也是y中未知量的位置索引（反之亦然）

举个直观的例子：如果x的第1、3个元素是未知，第2个是已知，那么y的第1、3个元素是已知，第2个是未知——$\mathcal{U} = {1,3}$，$\mathcal{K} = {2}$。

2. 提取原矩阵的子矩阵（不改变列顺序） #

基于上面的索引，从L和R中提取对应列的子矩阵（完全保留原列的顺序，只是选取需要的列）：

• $L_U$：L中所有列索引属于$\mathcal{U}$的子矩阵（对应x的未知部分）
• $L_K$：L中所有列索引属于$\mathcal{K}$的子矩阵（对应x的已知部分）
• $R_U$：R中所有列索引属于$\mathcal{U}$的子矩阵（对应y的已知部分）
• $R_K$：R中所有列索引属于$\mathcal{K}$的子矩阵（对应y的未知部分）

3. 重组为标准线性方程组 #

把原方程 $Lx = Ry$ 展开并移项，将未知量全部移到左侧，已知量移到右侧：
原方程展开后是：
$$L_U x_U + L_K x_K = R_U y_U + R_K y_K$$
移项整理成标准形式：
$$\begin{bmatrix} L_U & -R_K \end{bmatrix} \begin{bmatrix} x_U \ y_K \end{bmatrix} = R_U y_U - L_K x_K$$

这里的关键是：

• 左侧的系数矩阵 $\begin{bmatrix} L_U & -R_K \end{bmatrix}$ 完全由L和R的原列组成，没有任何列的重排，完美保留了L和R的列结构
• 右侧是纯已知量的线性组合，计算后就是常数项向量
• 未知向量 $\begin{bmatrix} x_U \ y_K \end{bmatrix}$ 包含了所有待求的未知量

4. 求解并还原结果 #

因为题目说明原方程组有唯一解，所以重组后的系数矩阵 $\begin{bmatrix} L_U & -R_K \end{bmatrix}$ 是可逆的，你可以用常规的线性方程组求解方法（比如LU分解、QR分解，或者直接求逆）解出未知向量 $z = \begin{bmatrix} x_U \ y_K \end{bmatrix}$，最后把解出的$x_U$和$y_K$放回原x和y的对应位置即可。

编程实现示例（伪代码） #

假设用Python的numpy库，代码大概是这样：

import numpy as np

# 假设已知：L, R（方阵），x, y（包含已知/未知的向量）
# 先定义索引集合U和K（比如用布尔数组或整数列表）
U = [0, 2]  # x中未知量的索引（假设0-based）
K = [1]     # x中已知量的索引

# 提取子矩阵
L_U = L[:, U]
L_K = L[:, K]
R_U = R[:, U]
R_K = R[:, K]

# 提取已知向量部分
x_K = x[K]
y_U = y[U]

# 构造常数项b
b = R_U @ y_U - L_K @ x_K

# 构造系数矩阵M
M = np.hstack([L_U, -R_K])

# 求解Mz = b
z = np.linalg.solve(M, b)

# 还原x和y的未知部分
x[U] = z[:len(U)]
y[K] = z[len(U):]

这样操作下来，完全没有打乱L和R的列结构，同时顺利完成了未知量和已知量的分离求解。

内容的提问来源于stack exchange，提问作者Pekov