如何用scipy.optimize.newton求解scipy.special.airy函数的前4个根？

核心问题解决思路 #

scipy.special.airy(x)返回的是四个函数在点x的取值数组，而scipy.optimize.newton需要的是输入单变量x、返回Ai(x)值的函数。直接调用airy[0]会报错，因为airy是函数对象，不是可索引的数组，必须先包装出单独的Ai函数（及其导数）。

具体实现步骤 #

1. 包装Ai函数与导数函数：从airy的返回值中提取Ai函数（第一个返回值）和它的导数Aip（第二个返回值），封装成newton可接受的单变量函数。
2. 确定初始猜测值：Ai函数的前几个根有已知的近似值，以此作为初始点能保证newton收敛。
3. 调用newton求解：传入包装后的函数、初始猜测，可选传入导数函数提升收敛效率。

完整代码示例 #

import scipy.optimize as opt
import scipy.special as sp

# 封装Ai函数：输入x，返回Ai(x)
def ai(x):
    return sp.airy(x)[0]

# 封装Ai的导数函数：输入x，返回Ai'(x)
def ai_prime(x):
    return sp.airy(x)[1]

# Ai前4个根的初始猜测值
initial_guesses = [-2.3, -4.1, -5.5, -6.8]

# 批量求解根
roots = [opt.newton(ai, guess, fprime=ai_prime) for guess in initial_guesses]

print("Ai函数的前4个根：")
for idx, root in enumerate(roots, 1):
    print(f"第{idx}个根：{root:.4f}")

简化写法（使用lambda） #

如果不想单独定义函数，也可以用lambda表达式直接传入：

roots = [
    opt.newton(
        lambda x: sp.airy(x)[0], 
        guess, 
        fprime=lambda x: sp.airy(x)[1]
    ) for guess in initial_guesses
]

关键说明 #

• 传入fprime参数（解析导数）比让newton自动计算数值微分更准确、收敛更快，而airy恰好直接返回了导数，一定要利用这个特性。
• 初始猜测值不能随意选，比如选正数的话，Ai函数在正数区间单调递减趋近于0，不会有根，必须选负数区间的近似值。

内容的提问来源于stack exchange，提问作者Rex Planalp