如何缩短SymPy求解单非线性方程数值解的耗时

你当前用SymPy的nsolve求解悬链线参数B时效率偏低，在可牺牲部分精度的场景下，可通过以下几种方式大幅提升计算速度：

核心优化方向 #

1. 替换符号求解工具为纯数值求解器 #

SymPy的nsolve本质是符号计算框架下的数值求解，效率远不如专门的数值计算库。改用SciPy的scipy.optimize.newton或scipy.optimize.root，直接基于浮点运算求解，能减少大量符号转换开销。

2. 化简求解方程，减少计算量 #

原方程可通过双曲函数恒等式化简，减少重复运算：
原方程：

(H/w)*(cosh(w*(x1+B)/H)-1) - y1 = (H/w)*(cosh(w*(x2+B)/H)-1) - y2

化简后等价于：

cosh(w*(x1+B)/H) - cosh(w*(x2+B)/H) = w*(y1 - y2)/H

再利用双曲余弦差公式cosh(a)-cosh(b)=2*sinh((a+b)/2)*sinh((a-b)/2)，进一步简化计算步骤，降低每次函数调用的运算量。

3. 预计算常数，避免重复运算 #

提前计算w_over_H = w/H、H_over_w = H/w、delta_x = x1 - x2这类常数，避免在迭代求解过程中重复计算。

4. 调整迭代精度阈值 #

在数值求解时，适当放宽精度要求（比如把默认的1e-10调整到1e-6或1e-5），减少迭代次数，以牺牲少量精度换取速度提升。

5. 移除外层导入语句 #

原函数每次调用都会重新导入SymPy和Numpy模块，这会产生额外开销，将import语句移到函数外部即可避免。

修改后的示例代码 #

import numpy as np
from scipy.optimize import newton

def cord_line_function(x1, y1, x2, y2, H, w, accuracy, B_old):
    # 预计算常数
    w_over_H = w / H
    H_over_w = H / w
    target = w_over_H * (y1 - y2)
    delta_x_half = (x1 - x2) / 2

    # 定义化简后的目标函数
    def func(B):
        a = w_over_H * (x1 + B)
        b = w_over_H * (x2 + B)
        return np.cosh(a) - np.cosh(b) - target

    # 定义导数（可选，能加速牛顿法收敛）
    def func_deriv(B):
        a = w_over_H * (x1 + B)
        b = w_over_H * (x2 + B)
        return w_over_H * (np.sinh(a) - np.sinh(b))

    # 求解B
    if not np.isnan(B_old):
        B_estimate = B_old
    else:
        B_estimate = -0.5 * (x2 - x1)
    # 用牛顿法求解，设置精度阈值
    B_slv = newton(func, B_estimate, fprime=func_deriv, tol=1e-6)

    # 生成曲线点
    x = np.linspace(float(x1), float(x2), int((x2 - x1) * accuracy))
    y = H_over_w * (np.cosh(w_over_H * (x + B_slv)) - 1)
    y -= y[0]  # 归一化起点为0

    # 计算绳长
    s1 = w_over_H * (x1 + B_slv)
    s2 = w_over_H * (x2 + B_slv)
    length = H_over_w * (np.sinh(s2) - np.sinh(s1))

    return [x, y, length, B_slv]

额外说明 #

• 如果你的场景对精度要求极低，甚至可以考虑用更简单的迭代法（比如固定迭代次数的弦截法），进一步减少计算开销。
• 若B_old的初始猜测足够接近真实解，牛顿法通常3-5次迭代就能收敛，远快于SymPy的nsolve。

内容的提问来源于stack exchange，提问作者Tim Moore