如何使用Sympy验证多元函数是否存在小于等于0的取值

针对你要实现「自动检测指定定义域内函数是否存在≤0取值、直接输出对应点位」的需求，下面三种方法都可以直接落地成通用脚本，不需要依赖肉眼观察3D图或者等值线：

1. 符号极值求解（精确方案，适配光滑初等函数） #

对于sympy定义的初等光滑函数，完全可以基于多元微积分的闭区间极值定理做精确判断：连续函数在闭定义域上的最小值只会出现在偏导为0的驻点、定义域边界上，只要把这些候选点全部找出来计算函数值，就能100%确定有没有负取值，不会漏判。
对应实现代码：

from sympy import symbols, cos, sin, diff, solve, N

x, y = symbols("x,y")
# 替换成你要检测的任意函数即可
func = x**3*y**2 + x*y + x**2*y + cos(x)*sin(y)
# 替换成你需要检测的定义域范围
x_domain = (-1, 1)
y_domain = (-1, 1)

check_points = []

# 收集定义域内的所有驻点
dx = diff(func, x)
dy = diff(func, y)
stationary = solve([dx, dy], [x, y], dict=True)
for p in stationary:
    px, py = N(p[x]), N(p[y])
    if x_domain[0] <= px <= x_domain[1] and y_domain[0] <= py <= y_domain[1]:
        check_points.append((px, py))

# 收集四条边界上的极值点
for xb in x_domain:
    edge_func = func.subs(x, xb)
    edge_extremum_y = solve(diff(edge_func, y), y)
    for ye in edge_extremum_y:
        ye_val = N(ye)
        if y_domain[0] <= ye_val <= y_domain[1]:
            check_points.append((N(xb), ye_val))
for yb in y_domain:
    edge_func = func.subs(y, yb)
    edge_extremum_x = solve(diff(edge_func, x), x)
    for xe in edge_extremum_x:
        xe_val = N(xe)
        if x_domain[0] <= xe_val <= x_domain[1]:
            check_points.append((xe_val, N(yb)))

# 补四个定义域角点
check_points.extend([
    (x_domain[0], y_domain[0]), (x_domain[0], y_domain[1]),
    (x_domain[1], y_domain[0]), (x_domain[1], y_domain[1])
])

# 逐点校验
find_negative = False
for px, py in check_points:
    val = N(func.subs({x: px, y: py}))
    if val <= 0:
        find_negative = True
        print(f"函数在点({px:.4f}, {py:.4f})处取值为{val:.4f}，满足≤0条件")
if not find_negative:
    print("指定定义域内未检测到≤0的函数取值")

这个方案的局限是如果函数形式太复杂（比如带分段、特殊函数），sympy解不出偏导方程的时候就无法使用，这时候换数值方案即可。

2. 全局数值优化（通用度最高的工程方案） #

不需要做符号推导，直接用全局优化算法在定义域内搜索函数最小值，只要最小值≤0就说明存在负取值，同时能直接拿到最小值对应的坐标。只要函数是连续的，这个方法几乎适配所有场景。
实现代码：

from sympy import symbols, cos, sin
from sympy.utilities.lambdify import lambdify
from scipy.optimize import differential_evolution

x, y = symbols("x,y")
func = x**3*y**2 + x*y + x**2*y + cos(x)*sin(y)
# 把sympy符号函数转成numpy可调用的数值计算函数
func_calc = lambdify((x, y), func, "numpy")

# 替换成你的定义域
bounds = [(-1, 1), (-1, 1)]

# 差分进化做全局最小值搜索，不需要手动给初值
res = differential_evolution(lambda p: func_calc(p[0], p[1]), bounds)
min_val, min_p = res.fun, res.x

if min_val <= 0:
    print(f"函数在点({min_p[0]:.4f}, {min_p[1]:.4f})处取得最小值{min_val:.4f}，存在≤0的取值")
else:
    print(f"定义域内函数最小值为{min_val:.4f}，无≤0的取值")

如果担心全局优化偶尔陷入局部最优漏检，可以多跑几次取最小结果，或者增加优化的迭代次数，准确率完全能满足日常使用。

3. 网格采样初筛（最快的轻量方案） #

如果只是做快速校验，不需要特别高的精度，可以直接在定义域内按固定步长生成密集网格点，遍历计算每个点的函数值，扫到≤0的结果就直接输出。
实现代码：

import numpy as np
from sympy import symbols, cos, sin
from sympy.utilities.lambdify import lambdify

x, y = symbols("x,y")
func = x**3*y**2 + x*y + x**2*y + cos(x)*sin(y)
func_calc = lambdify((x, y), func, "numpy")

step = 0.005  # 步长越小漏检概率越低，对应计算量越大
x_seq = np.arange(-1, 1+step, step)
y_seq = np.arange(-1, 1+step, step)

find_negative = False
for px in x_seq:
    for py in y_seq:
        val = func_calc(px, py)
        if val <= 0:
            find_negative = True
            print(f"函数在点({px:.4f}, {py:.4f})处取值为{val:.4f}，满足≤0条件")
            break
    if find_negative:
        break

这个方案的缺点是步长过大时可能漏掉范围极小的负取值区域，适合做初步快速排查，发现可疑点后再用数值优化方法精准确认。

内容的提问来源于stack exchange，提问作者Lopehert