如何使 4 个向量（所有你知道方向但你可以设置大小）加起来成为一个已知向量？
How to make 4 vectors (all which you know the direction but you can set the magnitude) add up to a known vector?
因此，如果您有 4 个向量，并且您知道它们的方向（所有方向都可能不同），并且您可以更改它们的所有大小，那么如果您希望所有 4 个向量相加，您会将大小设置为多少到另一个你知道的向量？
这似乎是一个有点太具体的问题，但我问这个的原因是我用 kRPC 为 KSP 制作的一个程序，其中有 4 个倾斜的发动机悬停在飞机上，即使整个飞机都是倾斜的.我试着搜索它，但我不知道到底要搜索什么。我对向量的数学知之甚少。谢谢！
据我了解，您正在尝试对向量求和，并且正在寻找特定的解决方案来获得结束向量。在某种程度上，您是在询问如何解决如下所示的问题：
a1V1 + a2V2 + a3V3 + a4V4 = aV
其中 V 是向量，a 是幅值。我假设 V 是固定的（你的计划喷气机的定位方式？）。我还假设你的向量是 3 维的
因此仅从数学角度来看，您有 3 个维度和 4 个参数。这意味着 'a' 之一可以是任何东西。如果不知道确切的向量，我认为我无法提供更多帮助。
就代码而言，求解 'a's 是尝试求解线性方程，通常使用 scipy 的 linalg 来完成：
https://docs.scipy.org/doc/scipy-0.15.1/reference/linalg.html
特别是 scipy.linalg.solve()。
同样，如果将 4 个向量与矩阵一起使用，您必须非常了解问题的维度，您将 运行 陷入很多问题。在尝试求解方程之前，必须先确定 'a' 值之一。
编辑：我对这个问题进行了更多的思考，我意识到系统中有一个约束，那就是 'a's 不能为负数。所以看起来系统有独特的解决方案。
不一定总是可行，这取决于向量。从技术上讲，您的目标向量必须在您的四个输入向量的 linear span 中。
可以写成如下矩阵方程：
Ax = b
其中，b 目标向量，x 系数求和系数和 A 通过按列堆叠四个向量而形成的矩阵。当且仅当 A 矩阵可逆时，x 向量才存在。
您可以使用 numpy.linalg.solve 函数解决此问题。
在您的情况下，如果您有 4 个 3 维（或 2 维）向量，您可能会遇到问题：在这种情况下，不仅有一个解决方案，而且会变得棘手。实际上，您需要放弃一个（或两个）向量以仅保留 3（或 2）个独立向量。
您仍然可以使用 numpy.linalg.lstsq 来获得近似解。
因此，如果您有 4 个向量，并且您知道它们的方向（所有方向都可能不同），并且您可以更改它们的所有大小，那么如果您希望所有 4 个向量相加，您会将大小设置为多少到另一个你知道的向量？
这似乎是一个有点太具体的问题，但我问这个的原因是我用 kRPC 为 KSP 制作的一个程序，其中有 4 个倾斜的发动机悬停在飞机上，即使整个飞机都是倾斜的.我试着搜索它，但我不知道到底要搜索什么。我对向量的数学知之甚少。谢谢！
据我了解，您正在尝试对向量求和，并且正在寻找特定的解决方案来获得结束向量。在某种程度上，您是在询问如何解决如下所示的问题：
a1V1 + a2V2 + a3V3 + a4V4 = aV
其中 V 是向量，a 是幅值。我假设 V 是固定的（你的计划喷气机的定位方式？）。我还假设你的向量是 3 维的
因此仅从数学角度来看，您有 3 个维度和 4 个参数。这意味着 'a' 之一可以是任何东西。如果不知道确切的向量，我认为我无法提供更多帮助。
就代码而言，求解 'a's 是尝试求解线性方程，通常使用 scipy 的 linalg 来完成： https://docs.scipy.org/doc/scipy-0.15.1/reference/linalg.html 特别是 scipy.linalg.solve()。
同样，如果将 4 个向量与矩阵一起使用，您必须非常了解问题的维度，您将 运行 陷入很多问题。在尝试求解方程之前，必须先确定 'a' 值之一。
编辑：我对这个问题进行了更多的思考，我意识到系统中有一个约束，那就是 'a's 不能为负数。所以看起来系统有独特的解决方案。
不一定总是可行，这取决于向量。从技术上讲，您的目标向量必须在您的四个输入向量的 linear span 中。
可以写成如下矩阵方程：
Ax = b
其中，b 目标向量，x 系数求和系数和 A 通过按列堆叠四个向量而形成的矩阵。当且仅当 A 矩阵可逆时，x 向量才存在。
您可以使用 numpy.linalg.solve 函数解决此问题。
在您的情况下，如果您有 4 个 3 维（或 2 维）向量，您可能会遇到问题：在这种情况下，不仅有一个解决方案，而且会变得棘手。实际上，您需要放弃一个（或两个）向量以仅保留 3（或 2）个独立向量。
您仍然可以使用 numpy.linalg.lstsq 来获得近似解。