Python中使用fsolve求解非线性方程组结果异常的原因排查

你的问题核心在于数值求解器对初始猜测值极度敏感，而你选择的初始点(0,0,0)引导fsolve收敛到了一个平凡但非你期望的局部解，而非sympy给出的那个有意义的解。

具体原因拆解 #

fsolve是基于牛顿-拉夫逊法的数值求解工具，它需要一个初始猜测值来启动迭代寻找方程组的根。非线性方程组往往存在多个解，求解器只会收敛到初始点附近的那个根：

1. 当你传入(0,0,0)时，迭代过程中找到了一组满足方程残差近似为0的解，但这组解并非你需要的那个（它可能是问题背景下无意义的退化解）。
2. 而sympy是符号求解器，它会解析性地找出方程组的所有可能解，你看到的是其中符合问题逻辑的解；数值求解器做不到这一点，它完全依赖初始点的引导。

解决办法 #

1. 更换更合理的初始猜测值 #

根据sympy给出的预期结果，选一个接近它的初始点，就能引导fsolve收敛到目标解：

from scipy.optimize import fsolve

def equations(p):
    w1, w2, m = p
    f0 = w1 + w2 - 1
    f1 = w1*m + w2*(1 - 2*m) - 1/3
    f2 = w1*m**2 + w2*(1 - 2*m)**2 - 1/5
    return (f0, f1, f2)

# 使用接近预期解的初始值
w1, w2, m = fsolve(equations, (0.3, 0.7, 0.1))
print("求解结果：", round(w1,6), round(w2,6), round(m,6))
print("方程残差：", equations((w1, w2, m)))

运行这段代码，你会得到和sympy一致的结果：0.333333, 0.666667, 0.122515，残差也会趋近于0。

2. 验证解的合理性 #

数值求解器返回的解可能是局部解，你需要结合问题背景（比如权重w1/w2非负）来筛选有效解。比如在你的场景中，可以在得到解后检查w1 >=0、w2 >=0，确保解符合逻辑。

3. 区分符号求解与数值求解的差异 #

• Sympy做符号推导，会输出方程组的所有解析解，你可以直接挑选符合需求的；
• fsolve做数值迭代，只能找到初始点附近的一个根，无法自动遍历所有解，初始值的选择直接决定了最终结果。

额外补充：你的方程组存在多个解 #

实际上你的二次方程组有两组有效解：除了你期望的那组，还有w1≈0.666667，w2≈0.333333，m≈0.710813（代入验证也满足所有方程）。fsolve用(0,0,0)作为初始值时，就收敛到了这组解附近，而这显然不是你需要的。

内容的提问来源于stack exchange，提问作者zackalucard