如何用Python的numpy求解以t为未知参数的数学方程？

问题说明 #

我有对应图片形式的方程，需要用Python的numpy库求解未知参数t。方程中的h、r、a_i、hint、T*=1000、tau=t/t*均为已知量。此前尝试用numpy的符号方法定义t为符号变量时，出现了“Error :cannot convert expression to float”错误。已知t时计算h的代码如下：

def h_t(h=None,t=None):
    if h==None:
        term1 = np.sum([coeav[i] / (i + 1) * (t/1000)**(i + 1) for i in range(7)])
        term2 = coeav[7] * np.log(t/1000)
        term3 = np.sum([(coeav[i] / (7 - i)) * (1/(t/1000))**(i - 7) for i in range(8, 13)])
    elif t==None:
        
        
        return ((term1+term2+term3)*1000+hint/r)*r

解决方案 #

numpy主打数值计算，不适合做符号运算，强行混用会触发类型转换错误。这类非线性方程更适合用数值求根方法，借助scipy.optimize模块的求解器实现，步骤如下：

1. 重构计算函数：明确输入t输出对应h值的逻辑，避免原函数的分支混乱；
2. 定义目标函数：构造f(t) = h(t) - 已知h值，求解使f(t)=0的t；
3. 调用数值求根器：传入目标函数和t的合理取值区间，得到收敛解。

完整代码示例 #

import numpy as np
from scipy.optimize import root_scalar

# 替换为你的实际已知参数
coeav = np.array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0, 1.1, 1.2, 1.3])
hint = 50.0
r = 2.0
h_target = 200.0  # 已知的h值

def h_t(t):
    tau = t / 1000
    # 计算各项
    term1 = np.sum([coeav[i] / (i + 1) * tau**(i + 1) for i in range(7)])
    term2 = coeav[7] * np.log(tau)
    # 简化1/tau^(i-7)为tau^(7-i)，避免除法运算
    term3 = np.sum([(coeav[i] / (7 - i)) * tau**(7 - i) for i in range(8, 13)])
    # 计算最终h值
    return ((term1 + term2 + term3)*1000 + hint/r)*r

# 目标函数：求h(t)与目标h的差值为0的t
def objective(t):
    return h_t(t) - h_target

# 使用brentq方法求根，需要传入t的合理区间（根据实际情况调整）
result = root_scalar(objective, bracket=[100, 2000], method='brentq')

# 输出结果
if result.converged:
    print(f"求解得到的t值: {result.root:.4f}")
else:
    print("求解失败，未找到收敛的解，请调整初始区间或检查参数")

注意事项 #

• 必须确保t>0，因为涉及log(tau)运算；
• 初始区间bracket需要根据你的实际参数范围合理设置，确保目标函数在区间两端符号相反；
• 如果参数规模大，可将列表推导式改为numpy向量运算，提升计算效率。

内容的提问来源于stack exchange，提问作者Abbas Zandi