如何用Python求解函数反函数 计算sigmoidal函数90%最大值对应x值

• 场景中c1、n1、k1、c2、n2、k2这类参数，都是取值范围1-10的随机数占位符。
• 固定计算流程：先算出目标函数的最大y值，取最大值的90%作为目标响应值，把这个y值代入函数反函数，解出对应的x值，也就是函数90%最大响应位置的横坐标。
• 现存问题：目前除了反函数求解环节需要手动推导计算，其余步骤都已经实现。但手动求反的方式没法适配任意函数的自动化计算需求，后续主要使用场景是sigmoidal类函数。

待求解反函数的示例代码：

def c(x):
    return ((c1*x**(n2*n1))*(c2**n1))/((k2*(k2+(x**n2))**n1)+((c2**n1)*(x**(n2*n1))))

sigmoidal类响应函数在x≥0的业务定义域内是严格单调的，完全不需要手动推导解析反函数，用数值求根的方式就能实现通用适配，逻辑如下：

• 依赖Python科学计算库scipy的optimize模块，不需要自行实现底层求根逻辑
• 核心思路：对给定的目标y值，构造残差函数residual(x) = 原函数(x) - 目标y，求解残差函数在合理x区间内的根，得到的结果就是反函数的对应值
• 适配范围：所有在求解区间内单调的函数都可以用这个方法，天然覆盖所有sigmoidal类函数场景

from scipy.optimize import root_scalar
import numpy as np

def get_inverse_value(func, target_y, search_bounds=(1e-6, 1e6)):
    """
    单调函数通用反函数数值求解
    :param func: 原函数，输入x返回对应y值
    :param target_y: 待求解的目标y值
    :param search_bounds: x的搜索上下限，可根据业务场景调整
    :return: 对应target_y的x值，即反函数求解结果
    """
    def residual(x):
        return func(x) - target_y

    left, right = search_bounds
    # 自动扩展右边界，保证区间内包含解
    while np.sign(residual(left)) == np.sign(residual(right)):
        right *= 2
        if right > 1e12:
            raise RuntimeError("搜索区间内未找到有效解，请检查原函数定义或调整搜索边界")
    
    # 采用Brent求根法，收敛快、精度高
    result = root_scalar(residual, bracket=[left, right], method='brentq')
    return result.root

# 调用示例
if __name__ == "__main__":
    # 随机生成1-10范围内的参数
    c1, c2, n1, n2, k2 = [np.random.uniform(1, 10) for _ in range(5)]
    
    # 定义原函数
    def response_func(x):
        return ((c1*x**(n2*n1))*(c2**n1))/((k2*(k2+(x**n2))**n1)+((c2**n1)*(x**(n2*n1))))
    
    # 计算最大值（sigmoidal函数x足够大时趋近最大值）
    y_max = response_func(1e8)
    target_y = 0.9 * y_max
    
    # 求解90%最大响应对应的x
    x_90 = get_inverse_value(response_func, target_y)
    print(f"90%最大响应对应x值：{x_90:.4f}")
    print(f"结果验证：x代入原函数得到y={response_func(x_90):.4f}，目标y={target_y:.4f}")

• 方案说明：不需要针对不同函数手动推导反函数公式，传入原函数即可自动计算，示例中的Hill型sigmoidal函数、常规Logistic等sigmoidal函数都可以直接适配
• 精度说明：Brent求根法的计算误差可以控制在1e-12级别，完全满足常规科研、工程计算需求
• 调整提示：如果业务场景的x取值范围比较固定，可以直接修改search_bounds参数缩小搜索区间，进一步提升求解速度

内容的提问来源于stack exchange，提问作者Alpha_Lupi