『壹』 求线性方程组的全部解，要过程，越详细越好，我会立马点赞！

因为这里书写不便，故将我的答案做成图像贴于下方，谨供楼主参考（若图像显示过小，点击图片可放大）

『贰』 线性代数有几种解线性方程组的方法

第一种 消元法 ，此法 最为简单，直接消掉只剩最后一个未知数，再回代求余下的未知数，但只适用于未知数个数等于方程的个数，且有解的情况。
第二种 克拉姆法则， 如果行列式不等于零，则用常数向量替换系数行列式中的每一行再除以系数行列式，就是解；
第三种 逆矩阵法， 同样要求系数矩阵可逆，直接建立AX=b与线性方程组的关系，X=A^-1.*b就是解
第四种 增光矩阵法， 利用增广矩阵的性质(A,b)通过线性行变换，化为简约形式，确定自由变量，（各行中第一个非零元对应的未知数除外余下的就是自由变量），对自由变量进行赋值，求出其它未知数，然后写成基础解析的形式，最后写出通解。
这种方法需要先判别: 增广矩阵的秩是否等于系数矩阵的秩，相等且小于未知数个数，则无穷多解；等于未知数个数，唯一解。 秩不想等，无解。
第五种 计算机编程，随便用个软件，譬如Matlab,输入密令，直接求解。
目前这5中教为适用，适合一切齐次或者非齐次线性方程组。

『叁』 python如何解齐次线性方程组

其实更简单的“取值”方法是 令 x3 = x4 = 0，得特解 (1, 1, 0, 0)^T.
4 个未知数，2 个方程，任意给出 2 个未知数的值，
算出另 2 个未知数，都可以得到 1 组特解，

『肆』 如何利用逆矩阵解线性方程组

利用逆矩阵解线性方程组，设用矩阵表示的方程组为AX=B，其中：

A=[aᵢⱼ]ₙᵪₙ

X=[x₁ x₂∧ xₙ ]ᵀ

B=[b₁ b₂∧ bₙ]

若A可逆，则x=A⁻¹B

利用逆矩阵求解要求方程个数与未知数个数相等，且矩阵A可逆，否则此法失效。而GAUSS消元法对方程组个数与未知元个数不等时仍适用（此时有可能不相容或有无穷多个解）。且GAUSS消元法特别适合于计算机计算。

(4)python解线性方程组扩展阅读：

若矩阵A是可逆的，则A的逆矩阵是唯一的，并记作A的逆矩阵为A⁻¹；n阶方阵A可逆的充分必要条件是r(A)=m；对n阶方阵A，若r(A)=n，则称A为满秩矩阵或非奇异矩阵。

任何一个满秩矩阵都能通过有限次初等行变换化为单位矩阵；推论满秩矩阵A的逆矩阵A可以表示成有限个初等矩阵的乘积。

『伍』 python作业... 本人打算编一个python..可以解线性方程组... 注意..齐次.非其次均可以解..

你这个太复杂了

『陆』 用python如何求解非齐次线性方程组的一组正值特解，

其实更简单的“取值”方法是 令 x3 = x4 = 0，得特解 (1, 1, 0, 0)^T.
4 个未知数，2 个方程，任意给出 2 个未知数的值，
算出另 2 个未知数，都可以得到 1 组特解，
只不过形式越简单越好，例如取 特解 (1, 1, 0, 0)^T。

『柒』 python解决jacob迭代法求解线性方程组

^

题主好. 经典的 Jacobi 迭代算法如下:

设 A = D - E, 则 x = D^{-1}*b + D^{-1}*E*x = C + T*x

可以参考如下代码(复制代码后请注意缩进):

import numpy as np

def linalg_solve_jacobi(A, b, x0, max_it, tol=1.0e-7):

# 判断 A, b 的维数是否正确

if A.shape[0]!=A.shape[1] or A.shape[0]!= b.shape[0]:

raise Exception('A must be square or A and b must be compatible!')

D = np.diag(A)

# 判断对角元素是否含零

if np.amin(np.absolute(D)) < 1e-14:

raise Exception('Diagonal elements of A must not be zeros!')

# 设置初始迭代步数为0

n = 0

#

# Jacobi 算法:

# 设 A = D - E, 则 x = D^{-1}*b + D^{-1}*E*x = C + T*x

#

invD = np.diag(1.0/D) # invD is inv(D)

C = np.dot(invD,b) # C is inv(D)*b

T = np.dot(invD, np.diag(D)-A) # T is inv(D)*E

while n < max_it:

x = C + np.dot(T, x0)

if np.linalg.norm(x-x0)<tol:

break

x0[:] = x

n+=1

# 如果超过最大迭代步数, 迭代失败

if n>max_it:

raise Exception('Failed to converge within {} steps!'.format(max_it))

# 成功, 返回

return x, n



if __name__ == "__main__":

A = np.array([[10, -1, 2, 0],[-1, 11, -1, 3],

[2, -1, 10, -1], [0, 3, -1, 8]], dtype=np.float64)

b = np.array([6, 25, -11, 15], dtype=np.float64)

x0 = np.array([0,0,0,0], dtype=np.float64)

max_it = 100

tol = 1.0e-7

x,n=linalg_solve_jacobi(A, b, x0, max_it, tol)

print(x,n)

『捌』 线性代数有几种解线性方程组的方法

1、克莱姆法则

用克莱姆法则求解方程组实际上相当于用逆矩阵的方法求解线性方程组，建立线性方程组的解与其系数和常数间的关系。

2、矩阵消元法

将线性方程组的增广矩阵通过行的初等变换化为行简化阶梯形矩阵，则以行简化阶梯形矩阵为增广矩阵的线性方程组与原方程组同解。当方程组有解时，将其中单位列向量对应的未知量取为非自由未知量，其余的未知量取为自由未知量，即可找出线性方程组的解。

对有解方程组求解，并决定解的结构。这几个问题均得到完满解决：所给方程组有解，则秩(A）=秩（增广矩阵）；若秩(A）=秩=r，则r=n时，有唯一解；r<n时，有无穷多解；可用消元法求解。

(8)python解线性方程组扩展阅读：

求解线性方程组的注意事项：

1、用克莱姆法则求解方程组有两个前提：方程的个数要等于未知量的个数；系数矩阵的行列式要不等于零。

2、由于求解时要计算n+1个n阶行列式，其工作量常常很大，所以克莱姆法则常用于理论证明，很少用于具体求解。

3、当非齐次线性方程组有解时，解唯一的充要条件是对应的齐次线性方程组只有零解；解无穷多的充要条件是对应齐次线性方程组有非零解。但反之当非齐次线性方程组的导出组仅有零解和有非零解时，不一定原方程组有唯一解或无穷解，事实上，此时方程组不一定有 ，即不一定有解。