牛顿优化问题中，如何用Python库自动求解函数的一、二阶导数？

针对你需要计算函数 $f(x)=2\sin(x)-\frac{x^2}{10}$ 在 $x=2.5$ 处的一、二阶导数，并整合到牛顿优化中的需求，以下是两种可行的自动求导方案：

一、SymPy符号求导（精确解） #

SymPy是符号计算库，能生成精确的导数表达式，再代入数值计算，适合需要高精度导数的场景。你之前报错大概率是符号变量与数值变量混用导致的，正确用法如下：

import sympy as sp
import numpy as np

def Newton_sympy(x0):
    # 定义符号变量
    x_sym = sp.symbols('x')
    # 定义原函数（符号形式）
    f_sym = 2 * sp.sin(x_sym) - (x_sym**2)/10
    
    # 求一、二阶导数（符号形式）
    f1_sym = sp.diff(f_sym, x_sym)
    f2_sym = sp.diff(f1_sym, x_sym)
    
    # 将符号函数转换为可计算数值的函数
    f = sp.lambdify(x_sym, f_sym, 'numpy')
    f1 = sp.lambdify(x_sym, f1_sym, 'numpy')
    f2 = sp.lambdify(x_sym, f2_sym, 'numpy')
    
    # 计算x0处的函数值和导数值
    f_x0 = f(x0)
    f_x1 = f1(x0)
    f_x2 = f2(x0)
    
    # 牛顿迭代步骤
    x1 = x0 - (f_x1 / f_x2)
    return x0, f_x0, f_x1, f_x2, x1

# 测试x=2.5的情况
result = Newton_sympy(2.5)
print(f"初始x: {result[0]}, 函数值: {result[1]}, 一阶导数: {result[2]}, 二阶导数: {result[3]}, 迭代后x: {result[4]}")

二、NumPy数值求导（近似解） #

如果只需要数值结果，不需要精确的导数表达式，可以用数值差分法。注意np.diff是计算数组相邻元素的差，不是单点导数的正确计算方式，推荐用精度更高的中心差分法：

import numpy as np

def Newton_numpy(x0, h=1e-6):
    # 定义原函数
    f = lambda x: 2 * np.sin(x) - (x**2)/10
    
    # 中心差分计算一阶导数
    f_x1 = (f(x0 + h) - f(x0 - h)) / (2 * h)
    # 中心差分计算二阶导数
    f_x2 = (f(x0 + h) - 2 * f(x0) + f(x0 - h)) / (h**2)
    
    f_x0 = f(x0)
    # 牛顿迭代步骤
    x1 = x0 - (f_x1 / f_x2)
    return x0, f_x0, f_x1, f_x2, x1

# 测试x=2.5的情况
result = Newton_numpy(2.5)
print(f"初始x: {result[0]}, 函数值: {result[1]}, 一阶导数: {result[2]}, 二阶导数: {result[3]}, 迭代后x: {result[4]}")

说明 #

• SymPy方案能得到精确的导数表达式，避免手动求导出错，适合需要推导或高精度计算的场景。
• NumPy数值求导适合只需要数值结果的场景，h的取值会影响精度，一般取1e-6~1e-8即可。

内容的提问来源于stack exchange，提问作者Jim Raynor