Skip to main content
 首页 » 编程设计

Python SymPy 1.3 简化符号矩阵计算

2024年11月24日18lexus

我有以下用于符号矩阵计算的代码

from sympy import * 
A = MatrixSymbol( 'A', 3, 3 ) 
B = MatrixSymbol( 'B', 3, 3 ) 
C = MatrixSymbol( 'C', 3, 3 ) 
Z = A * ( A + B ) * C.inverse() * ( A + B ).transpose() 
Z.expand() 

这给了我以下结果

A( A + B ) C^-1 ( A^T + B^T ) 

但我想要扩展后的结果

A * A * C^-1 * A^T + A * B C^-1 * A^T + A * A C^-1 * B^T + A * B C^-1 * B^T 

请问各位大佬,怎么办?非常感谢

请您参考如下方法:

目前在sympy中还没有扩展矩阵运算的方法。上面的结果表达式是查看结果的唯一方法。 Expansion functions available in sympy包括 expand()、expand_trig()、expand_power_exp()、expand_power_base()、expand_log( )、expand_func() 和 hyperexpand(),它们似乎都不适用于您的矩阵表达式。

simplify 函数似乎也不起作用,如果我们想评估您想要的输出以与 Z 的 sympy 输出进行比较的话

simplify(A*A*C.inverse()*A.transpose() + A*A*C.inverse()*B.transpose() + A*B*C.inverse()*A.transpose() + A*B*C.inverse()*B.transpose()) 
>>> A*A*C^-1*A.T + A*A*C^-1*B.T + A*B*C^-1*A.T + A*B*C^-1*B.T 

这显然与 Z 的 sympy 表达式形式不同。

即使您只是根据 sympy 的输出来测试您想要的输出,您仍然会得到错误的结果

Z == A * A * C.inverse() * A.transpose() + A * B*C.inverse() * A.transpose() + A * A*C.inverse() * B.transpose() + A * B*C.inverse() * B.transpose() 
>>> False 

我们不能用每个索引的已知值定义矩阵 A、B 和 C,然后计算上面的表达式以比较它们输出是因为 MutableDenseMatrix 对象没有 inverse 属性。

如果您想实际比较两个表达式以查看它们是否相等,您可以使用 numpy 并将两个表达式与已知矩阵值进行比较。这非常复杂,不适用于非常复杂的表达式,但它适用于简单的表达式。

例如

import numpy as np 
# define 3 numpy arrays 
A = np.array([[1,2,3],[4,5,6],[7,8,9]]) 
B = np.array([[0,0.1,-4],[19,0.67,6],[-1,99,5]]) 
C = np.array([[1,2,-1],[4,5,6],[-2,2,0]]) 
 
# sympy expression, compute iteratively 
Z1 = np.dot(A, A + B) 
Z1 = np.dot(Z1, np.linalg.inv(C)) 
Z1 = np.dot(Z1, A.T + B.T) 
print(Z1) 
>>>[[ 143.22088889 -672.5076     -100.24      ] 
   [-239.47685185 4558.45416667 3597.5       ] 
   [  65.1457037   -94.81393333  519.56      ]] 
 
# desired expression 
p1 = np.dot(A, A) 
p1 = np.dot(p1, np.linalg.inv(C)) 
p1 = np.dot(p1, A.T) 
 
p2 = np.dot(A, B) 
p2 = np.dot(p2, np.linalg.inv(C)) 
p2 = np.dot(p2, A.T) 
 
p3 = np.dot(A, A) 
p3 = np.dot(p3, np.linalg.inv(C)) 
p3 = np.dot(p3, B.T) 
 
p4 = np.dot(A, B) 
p4 = np.dot(p4, np.linalg.inv(C)) 
p4 = np.dot(p4, B.T) 
 
Z2 = p1 + p2 + p3 + p4 
print(Z2) 
>>>[[ 143.22088889 -672.5076     -100.24      ] 
   [-239.47685185 4558.45416667 3597.5       ] 
   [  65.1457037   -94.81393333  519.56      ]] 
 
np.isclose(Z1,Z2) 
>>>[[ True,  True,  True], 
   [ True,  True,  True], 
   [ True,  True,  True] 

所以我们可以看到 sympy 表达式 Z1 和你想要的表达式 Z2 实际上是相同的,给定上面的矩阵。