如何用Python求解SymPy定义的符号非线性函数的区间极值？

一、提取最小值的x与对应函数值 #

原代码中fmin_tnc的返回值是包含优化结果的元组，需先将SymPy表达式转为可调用的数值函数，再提取并计算结果。修改后的代码如下：

import sympy as smp
import scipy as sp
import numpy as np

max_width_constraint = 1.4
min_width_constraint = 0.6
b_beam_prismatic = 112.0e-09

x = smp.symbols('x')
b1 = 1.4
b2 = 0.0387587871746277
b3 = 1.28980485524082
b4 = 21.4341387770796
zeta = b1 * (1 - b2 * (x)**b3)**b4 

# 将SymPy表达式转为可调用的数值函数
zeta_func = smp.lambdify(x, zeta, 'numpy')

# 求解区间[0,1]内的最小值
min_result = sp.optimize.fmin_tnc(zeta_func, np.array([0.5]), approx_grad=True, bounds=[(0, 1)])
x_min = min_result[0][0]  # 提取最优x值（返回的是一维数组，取第一个元素）
zeta_min = zeta_func(x_min)  # 计算对应最小值

print(f"最小值点x: {x_min:.6f}")
print(f"最小值zeta: {zeta_min:.6f}")

说明：

• 调整初始猜测值为0.5，避免局部优化器因初始点过偏陷入局部极值；
• fmin_tnc返回元组的第一个元素是优化后的x数组，需用[0][0]提取单个数值；
• 通过转换后的zeta_func代入x值计算函数值，结果更准确。

二、求解区间内的最大值 #

SciPy多数优化器默认求最小值，可通过最小化原函数的相反数实现最大值求解，代码如下：

# 定义原函数的相反数
neg_zeta = -zeta
neg_zeta_func = smp.lambdify(x, neg_zeta, 'numpy')

# 求解相反数的最小值，对应原函数的最大值
max_result = sp.optimize.fmin_tnc(neg_zeta_func, np.array([0.0]), approx_grad=True, bounds=[(0, 1)])
x_max = max_result[0][0]
zeta_max = zeta_func(x_max)  # 用原函数计算最大值

print(f"最大值点x: {x_max:.6f}")
print(f"最大值zeta: {zeta_max:.6f}")

说明：初始猜测值设为0.0，是因为观察函数形式可知，x=0时括号内项为1，函数值达到初始峰值，更易找到全局最大值。

三、全局优化方案（可选，更可靠） #

对于非线性函数，局部优化器可能陷入局部极值，推荐使用differential_evolution全局搜索，无需初始猜测，直接指定区间：

# 全局求解最小值
min_global = sp.optimize.differential_evolution(zeta_func, bounds=[(0, 1)])
x_min_global = min_global.x[0]
zeta_min_global = min_global.fun

# 全局求解最大值
max_global = sp.optimize.differential_evolution(neg_zeta_func, bounds=[(0, 1)])
x_max_global = max_global.x[0]
zeta_max_global = -max_global.fun  # 取反得到原函数最大值

print(f"全局最小值点x: {x_min_global:.6f}")
print(f"全局最小值zeta: {zeta_min_global:.6f}")
print(f"全局最大值点x: {x_max_global:.6f}")
print(f"全局最大值zeta: {zeta_max_global:.6f}")

内容的提问来源于stack exchange，提问作者iKD