含三个未知数的二元线性方程组是指包含两个线性方程、每个方程涉及三个未知变量的线性方程组，这类方程组由于约束条件少于未知数个数，通常存在无穷多组解，需要通过通解的形式完整描述所有解的集合。通解构造的核心是先确定方程组是否有解，再找出基础解系，最后组合得到所有解。
数学原理：通解构造逻辑
对于含三个未知数x1、x2、x3的二元线性方程组，其矩阵形式为Ax = b，其中A是2行3列的系数列阵，b是2行1列的常数项列向量。求解前需要先判断解的存在性：
- 若系数矩阵A的秩等于增广矩阵[A|b]的秩，方程组有解；否则无解。
- 当有解时，若秩为2，说明有两个有效约束，自由未知量个数为3-2=1，通解包含1个特解和1个基础解系向量的线性组合。
构造通解的步骤如下：
- 对增广矩阵进行行最简形变换，确定主变量和自由变量。
- 令自由变量取任意常数，求出主变量关于自由变量的表达式，得到通解形式。
NumPy实现求解与通解构造
NumPy的线性代数模块提供了矩阵运算和线性方程组求解的相关函数，我们可以通过以下步骤实现自动求解：
步骤1：导入依赖库
import numpy as np
步骤2：定义方程组并判断解的存在性
以方程组2x1 + x2 - x3 = 1和x1 - x2 + 2x3 = 3为例，构造系数矩阵和常数项向量：
# 系数矩阵A，2行3列
A = np.array([[2, 1, -1],
[1, -1, 2]], dtype=float)
# 常数项向量b，2行1列
b = np.array([[1],
[3]], dtype=float)
# 构造增广矩阵
aug_matrix = np.hstack((A, b))
# 计算系数矩阵和增广矩阵的秩
rank_A = np.linalg.matrix_rank(A)
rank_aug = np.linalg.matrix_rank(aug_matrix)
print(f"系数矩阵秩：{rank_A}")
print(f"增广矩阵秩：{rank_aug}")
步骤3：求解特解和基础解系
当秩相等时，我们可以通过最小二乘求解特解，再通过求解齐次方程组Ax=0得到基础解系：
if rank_A == rank_aug:
# 求解非齐次方程组的特解，使用最小二乘得到一组解
particular_sol = np.linalg.lstsq(A, b, rcond=None)[0]
print("特解：")
print(particular_sol)
# 求解齐次方程组Ax=0的基础解系
# 对A进行SVD分解得到零空间
U, s, Vh = np.linalg.svd(A)
# 零空间对应Vh中奇异值为0的行
null_space = Vh[rank_A:].T
print("基础解系：")
print(null_space)
# 构造通解表达式，k为任意常数
print("通解形式：x = 特解 + k * 基础解系向量")
print(f"x1 = {particular_sol[0][0]} + {null_space[0][0]}k")
print(f"x2 = {particular_sol[1][0]} + {null_space[1][0]}k")
print(f"x3 = {particular_sol[2][0]} + {null_space[2][0]}k")
else:
print("方程组无解")
结果验证
运行上述代码后，得到的特解和基础解系可以代入原方程组验证：
# 验证特解是否满足原方程组
print("特解代入方程组结果：")
print(np.dot(A, particular_sol))
# 验证基础解系是否满足齐次方程组
print("基础解系代入齐次方程组结果：")
print(np.dot(A, null_space))
如果特解代入后结果和b一致，基础解系代入后结果接近零向量，说明求解结果正确。通解中的k可以取任意实数，每一组k值都对应原方程组的一组解。