前言:
眼前咱们对“python解方程组”大概比较讲究,大家都需要知道一些“python解方程组”的相关文章。那么小编在网络上收集了一些关于“python解方程组””的相关资讯,希望我们能喜欢,小伙伴们快快来学习一下吧!前面的文章涵盖了如何解一元多次方程,其中有使用不动点迭代方法的,详情见
用python进行数值分析 - 解方程
有使用牛顿方法的,详情见
用python进行数值分析 - 解方程(续)
随后,示例了几种用雅可比方法解线性方程组的,详情见
用python进行数值分析 - 解方程组
这篇文章,示例一下如何解多元高次方程组。
import numpy as npfrom scipy import linalg# 对于非线性方程组,可以用多元牛顿方法# 这种情况下,函数的导数变成了由偏导数构成的雅可比矩阵# 解方程组:-u**3 + v = 0, u**2 + v**2 - 1 = 0# NOTE: 方程组肯定不止这一组解,肯定还有其他解,这里只是说明如何在(1, 2)处近似逼近。def calculateFunction1(): # 收敛到: u=0.82603135, v=0.56362416 (精确到小数点后8位) u = 1 v = 2 matrix_jacob = np.array([[-3*u**2, 1], [2*u, 2*u]]) print(matrix_jacob) invm = linalg.inv(matrix_jacob) # 矩阵基操, 勿六 for loop in range(1, 20): temp = np.array([u, v]) - invm@np.array([-1*u**3+v, u**2+v**2-1]) u = temp[0] v = temp[1] print('round: ', loop, 'temp result: ', (u, v))# 解方程组:6*u**3+u*v-3*v**3-4 = 0, u**2-18*u*v**2+16*v**3+1 = 0# NOTE: 方程组肯定不止这一组解,肯定还有其他解,这里只是说明如何做近似逼近。def calculateFunction2(): # 收敛到: u=1.00000000, v=1.00000000 u = 1.5 v = 1.5 matrix_jacob = np.array([[18*u**2+v, u-9*v**2], [2*u-18*v**2, 36*u*v+48*v**2]]) print(matrix_jacob) invm = linalg.inv(matrix_jacob) # 矩阵基操, 勿六 for loop in range(1, 300): # 收敛速度比较慢,但是可以看出逐步趋近于 (u = 1.0, v = 1.0) temp = np.array([u, v]) - invm@np.array([6*u**3+u*v-3*v**3-4, u**2-18*u*v**2+16*v**3+1]) u = temp[0] v = temp[1] print('round: ', loop, 'temp result: ', (u, v))if __name__ == "__main__": # calculateFunction1() calculateFunction2()
里面涉及到的矩阵的基本操作,可参阅:
用python进行数值分析 - 矩阵基础
祝各位好!
版权声明:
本站文章均来自互联网搜集,如有侵犯您的权益,请联系我们删除,谢谢。
标签: #python解方程组