如何在Python中创建数学函数类实现优化算法可视化？

错误根因 #

你遇到的两个报错分别对应两个基础问题：

1. 类的普通实例方法默认会把实例自身作为第一个参数传入，你定义的objective1n1没有加self参数，调用fcts.fct_1(5)时，实际传入的参数是(类实例, 5)，就会触发参数数量不匹配的报错。
2. 初始化类时你直接执行了函数self.objective1n1(x)，此时变量x未定义，自然会报变量不存在的错误。你需要的是把函数本身赋值给实例属性，而不是提前执行函数获取计算结果。

修复方案 #

给不需要访问实例属性的目标函数加上@staticmethod装饰器，就可以避免自动传入self参数；初始化时直接赋值函数对象，不要加括号执行即可。修复后完整的可运行代码如下，已经封装了你需要的不同维度绘图、切换函数的能力：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

class FunctionVisualisation:
    # 静态方法不需要访问实例属性，不会自动传入self参数
    @staticmethod
    def objective1n1(x):
        return x**5.0 - 2*x**4 - 0.5*x**3 + 4*x**2 - x
    
    @staticmethod
    def objective2n1(x, y):
        return x**5.0 - 2*y**4 - 15*x**3 + 4*y**2 - x
    
    def __init__(self):
        # 直接赋值函数对象，不要加括号执行
        self.fct_1 = self.objective1n1
        self.fct_2 = self.objective2n1
        # 存储当前选中的函数、维度配置，方便后续切换
        self.current_func = None
        self.dim = None

    # 封装1维函数绘图方法
    def plot_1d(self, func=None, x_range=(-5, 5), num_points=100):
        self.current_func = func if func is not None else self.fct_1
        self.dim = 1
        x = np.linspace(x_range[0], x_range[1], num_points)
        y = self.current_func(x)
        plt.figure(figsize=(8,4))
        plt.plot(x, y)
        plt.xlabel('x')
        plt.ylabel('f(x)')
        plt.grid(True)
        plt.show()
    
    # 封装2维函数绘图方法
    def plot_2d(self, func=None, x_range=(-5,5), y_range=(-5,5), num_points=50):
        self.current_func = func if func is not None else self.fct_2
        self.dim = 2
        x = np.linspace(x_range[0], x_range[1], num_points)
        y = np.linspace(y_range[0], y_range[1], num_points)
        X, Y = np.meshgrid(x, y)
        Z = self.current_func(X, Y)
        fig = plt.figure(figsize=(10,6))
        ax = fig.add_subplot(111, projection='3d')
        ax.plot_surface(X, Y, Z, cmap='viridis')
        ax.set_xlabel('x')
        ax.set_ylabel('y')
        ax.set_zlabel('f(x,y)')
        plt.show()

使用示例 #

# 实例化类
fcts = FunctionVisualisation()

# 测试单个点的函数调用
print(fcts.fct_1(5)) # 输出计算结果 395.0
print(fcts.fct_2(1,2)) # 输出计算结果 -59.0

# 绘制默认1维函数图像
fcts.plot_1d()

# 绘制默认2维函数图像
fcts.plot_2d()

# 切换自定义函数也很方便，比如新增一个二次函数
def custom_1d(x):
    return x**2 + 2*x + 1
fcts.plot_1d(func=custom_1d)

关于numpy向量化计算的说明 #

你看到的numpy示例是提前生成了x的采样点数组，再向量化计算结果，上面的实现已经完全兼容这种用法：

x = np.linspace(-4*np.pi,4*np.pi,50)
y = fcts.fct_1(x) # 直接批量计算所有采样点的函数值，和你参考的示例效果完全一致

内容的提问来源于stack exchange，提问作者lpnorm