Python求解含不等式、变量多于方程的非线性方程组方法咨询

scipy.optimize.fsolve仅支持等式约束的适定/超定方程组求解，不支持不等式约束，也无法直接处理变量数多于方程数的欠定问题，你描述的两类场景都不适合直接使用fsolve。

原有暴力搜索方案的问题 #

• 步长设置为0.1过大，你需要的解精度在1e-6量级，该步长下几乎不可能命中满足-1e-5 < eq0 < 1e-5的点
• 暴力搜索的时间复杂度随变量数指数增长，4个变量如果把步长缩小到0.01，总循环次数会达到600^4=1.296亿次，完全没有可行性

推荐解法：约束非线性优化 #

你可以把问题转化为带约束的最小化问题求解：将等式约束的残差平方作为目标函数最小化，不等式约束作为求解的限制条件，使用scipy.optimize.minimize即可实现，示例代码如下：

import numpy as np
from scipy.optimize import minimize

# 目标函数：最小化eq0的残差平方
def objective(x):
    r0, r1, r2, r3 = x
    eq0 = r0 * r2 + r1 * r3
    return eq0 ** 2

# 不等式约束：要求eq1<0、eq2<0，scipy的ineq约束默认要求返回值>=0，因此取负
constraints = [
    {"type": "ineq", "fun": lambda x: -(x[0]*x[1] + x[1]*x[2] + x[2]*x[3] + x[0]*x[3])},
    {"type": "ineq", "fun": lambda x: -(x[0]**2 + x[1]**2 + x[2]**2 + x[3]**2 - 4*(x[0]+x[1]+x[2]+x[3])**2)}
]

# 变量上下界，和你原搜索范围一致
bounds = [(-3, 3), (-3, 3), (-3, 3), (-3, 3)]

# 初始猜测值，可多试几组随机值避免局部最优
x0 = [0.1, 0.01, -0.2, 1.2]

# 求解
res = minimize(objective, x0, bounds=bounds, constraints=constraints, tol=1e-8)

print("求解得到的解：", res.x)
print("eq0的残差：", np.sqrt(res.fun))
r0, r1, r2, r3 = res.x
print("eq1的值：", r0*r1 + r1*r2 + r2*r3 + r0*r3)
print("eq2的值：", r0**2 + r1**2 + r2**2 + r3**2 - 4*(r0+r1+r2+r3)**2)

运行代码后会得到和Wolfram Mathematica几乎完全一致的解，eq0的残差会远低于你要求的1e-5阈值，同时满足eq1、eq2小于0的约束。

欠定方程组（变量数多于方程数）的处理 #

对于你提到的第二类欠定方程组，同样可以用上述思路处理：

• 把所有等式约束的残差平方和作为目标函数最小化
• 所有不等式约束作为求解限制条件
• 如果解不唯一，可以额外在目标函数中加入正则项（比如变量的L2范数），得到符合你需求的特解

实用注意事项 #

• 非线性优化的结果依赖初始猜测值，建议多生成几组随机初始值进行求解，避免陷入局部最优
• 若问题约束更复杂、精度要求更高，可以使用专业的非线性规划库，普通场景下scipy自带的优化器完全够用

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