《数学建模简明教程--基于python》学习笔记-第二章-绘图与解方程组-课后习题解答
文章目录
- 准备工作
- 01 绘制双曲函数图像
- 02 绘制伽马函数图像
- 03 单个窗口绘制二次函数(k=1,2,...,6)
- 04 根据不同K值绘制子图
- 05 绘制二次曲面
- 05-1 绘制单叶双曲面
- 05-2 绘制椭圆双曲面
- 06 题目无数据跳过
- 07 求线性方程组的解
- 方程组01 (求唯一解)
- 方程组02 (求最小范数解)
- 08 求非线性方程组的符号解和数值解
- 数值解
- 符号解
- 09 已知f(x)和g(x)的表达式,求非线性方程组的解
- 10 求超定(矛盾)非线性方程组的最小二乘解
- 学习困惑
先纵览一下思考与练习的题目,可以发现主要是画图和解方程方面的题目。
下面是我给出的解答。
准备工作
首先导入几乎每题都需要用的库,并进行绘图和科学计数法的设置。其他模块在使用时再导入。
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif']=['SimHei'] # 在图中显示中文字体
plt.rcParams['axes.unicode_minus'] = False # 在图中显示负号
np.set_printoptions(precision=3, suppress=True) # 设置浮点数小数位数为3 但科学计数法感觉没法关闭
01 绘制双曲函数图像
题1:
x = np.linspace(-10,10,100)z = np.cosh(x)
plt.plot(x, z, label='双曲余弦函数')z = np.sinh(x)
plt.plot(x, z, label='双曲正弦函数')z = np.exp(x)*0.5
plt.plot(x, z, label='y=(1/2)*exp(x)')plt.axis('square')
plt.xlim([-10,10])
plt.ylim([-10,10])
plt.grid()
plt.legend()
在不同窗口分别绘制以上三个函数,并观察 。
x = np.linspace(-5,5,100)
y = np.cosh(x)plt.plot(x, y)
plt.title('双曲余弦函数')
print(y.min()) # 注意 min = 1
1.001275651185361
z = np.sinh(x)plt.plot(x, z)
plt.title('双曲正弦函数')
z = np.exp(x)*0.5plt.plot(x, z)
02 绘制伽马函数图像
题2:
在绘图前你有必要知道伽马函数的一些性质,不然就画个伽马函数会有种一头雾水的感觉
伽马函数可以当成是阶乘在实数集上的延拓,在实数上的伽马函数定义域大于0。
对于正整数n,具有如下性质:
伽马(n) = (n-1) 的阶乘。
下面介绍下伽马函数的由来:
首先,在1728年,哥德巴赫正在考虑数列插值的问题,通俗的说就是把数列的通项公式定义从整数集合延拓到实数集合,例如数列1,4,9,16…
这可以用通项公式n²自然的表达,即便 n 为实数的时候,这个通项公式也是良好定义的。直观的说也就是可以找到一条平滑的曲线y=x²通过所有的整数点(n,n²),从而可以把定义在整数集上的公式延拓到实数集合。
然后有一天,哥德巴赫开始处理阶乘序列1,2,6,24,120,720,…,我们可以计算2!,3!,是否可以计算2.5!呢?我们把最初的一些(n,n!)的点画在坐标轴上,确实可以看到,容易画出一条通过这些点的平滑曲线。
但是哥德巴赫无法解决阶乘往实数集上延拓的这个问题,于是写信请教尼古拉斯·伯努利和他的弟弟丹尼尔·伯努利,由于欧拉当时和丹尼尔·伯努利在一块,他也因此得知了这个问题。欧拉于1729 年解决了这个问题,由此导致了伽玛函数的诞生,当时欧拉只有22岁。 ——百度百科
from scipy.special import gamma
# SciPy is an open-source software for mathematics, science, and engineering. x = np.arange(1,5,0.1) # 1.0 ~ 5.9 共50个点
gamma_z = gamma(x)plt.plot(x, gamma_z)
plt.axis('square') # 使得x、y轴显示的单位长度一样长
03 单个窗口绘制二次函数(k=1,2,…,6)
题3:
def fun1(x,k):return k*(x**2) + 2*kplt.figure(figsize=(6, 6))
plt.axis('square') # 使得x,y的单位长度显示比例一致 放后面会出问题# 绘制图像
for k in range(1,7):x = np.linspace(-10, 10, 100)z = fun1(x, k) plt.plot(x, z, label = k)plt.ylim([0, 20])plt.xlim([-10, 10])# 关于图像的装饰性函数
plt.grid()
plt.legend()
plt.title('k=1、2、3、4、5、6')
plt.suptitle('y = k*x^2 + 2*k')
04 根据不同K值绘制子图
题4:
row = 2 # 设置子图行数
col = 3 # 设置子图列数
plt.figure(figsize=(10, 6.18))for k in range(1,7):x = np.linspace(-10, 10, 100)z = fun1(x, k) plt.subplot(row, col, k)plt.plot(x, z)plt.title("k=" + str(k))plt.ylim([0,100])plt.grid()plt.suptitle('y = k*x^2 + 2*k')
05 绘制二次曲面
题5:
05-1 绘制单叶双曲面
# 单叶双曲面
def fun2(x, y): z = np.sqrt((x**2/4 + y**2/10 - 1)*8) # z[np.where(np.isnan(z))] = 0 将nan设为0return z
x = np.linspace(-10, 10, 2000)
x, y = np.meshgrid(x, x) # 有2000*2000个点
z = fun2(x ,y)fig = plt.figure(figsize=(8,8))
ax = fig.gca(projection='3d') # 或者 ax = plt.axes(projection='3d') axes :axis的复数 这行代码在jupyter中需要与画图在同一格子才起作用
ax.plot_surface(x, y, z, color='y')
ax.plot_surface(x, y, -z, color='y') # 手动添加开方可取到的负值
plt.show() # x,y,z的比例只支持auto 不支持equal等
05-2 绘制椭圆双曲面
# 椭圆抛物面
def fun3(z, y): z = x**2/4 + y**2/6return z
x = np.linspace(-10, 10, 2000)
x, y = np.meshgrid(x, x)
z = fun3(x ,y)fig = plt.figure(figsize=(8,8))
ax = fig.gca(projection='3d') # 或者 ax = plt.axes(projection='3d') axes :axis的复数 这行代码在jupyter中需要与画图在同一格子才起作用
ax.plot_surface(x, y, z, color='y')
plt.show() # x,y,z的比例只支持auto
06 题目无数据跳过
07 求线性方程组的解
题7:
方程组01 (求唯一解)
首先判断方程组解的情况:
发现 R(A) = R(A拔) 所以方程组有唯一解,于是用下面的两种方法求解。
# R(A)=R(A拔)所以有唯一解
A = np.array([[4,2,-1], [3,-1,2],[11,3,0]])
b = np.array([2,10,8])
x = np.linalg.inv(A) @ b
x
array([-4.053e+15, 1.486e+16, 1.351e+16])
# 或者
x = np.linalg.solve(A, b)
x
array([-4.053e+15, 1.486e+16, 1.351e+16])
方程组02 (求最小范数解)
矩阵求秩发现 R(A) = R(A拔) = 2 < 未知变元个数 = 3
所以方程组有无穷多解,这种情况通常求方程组的最小范数解。
A = np.array([[2,3,1],[1,-1,2],[3,8,-2],[4,-1,9]])
b = np.array([4,-15,13,-6])
np.linalg.pinv(A)*b # 结果是无解情况下的最小二乘解 也是无穷多解情况下的最小范数解 参考 https://blog.csdn.net/weixin_43490741/article/details/104555313
array([ -25., 14., 12.])
08 求非线性方程组的符号解和数值解
题8:
数值解
from scipy.optimize import fsolvefx = lambda x: [x[0]**2 - x[1] + x[0] -3,x[0] + 3*x[1] -2] # x是列表输入 返回的是“x:”后面的列表
注意:在定义函数时需要把原方程组的右端常数项移到左边
s = fsolve(fx, [1,1]) # [1,1]函数初值
s
array([1.361, 0.213])
符号解
import sympy as sp
- 符号运算又称计算机代数,就是用计算机推导数学公式
— 运算以推理方式进行,因此不受截断误差和累计误差的影响
— 符号计算的速度较慢
x,y = sp.var('x y') # 使用var函数定义符号变量
sp.solve([x**2 - y + x -3, x + 3*y -2], [x,y]) # 有两个解! 但数值解只返回了一个
[(-2/3 + sqrt(37)/3, 8/9 - sqrt(37)/9), (-sqrt(37)/3 - 2/3, sqrt(37)/9 + 8/9)]
09 已知f(x)和g(x)的表达式,求非线性方程组的解
题9:
from scipy.optimize import fsolvedef f(x):return (abs(x + 1) - abs(x - 1))/2 + np.sin(x)
def g(x):return (abs(x + 3) - abs(x - 3))/2 + np.cos(x)fx = lambda x: [-2*x[0] + 3*f(x[2]) + 4*g(x[3]) - 1,-3*x[1] + 2*f(x[2]) + 6*g(x[3]) - 2,-x[2] + f(x[0]) + 3*g(x[1]) -3,-5*x[3] + 4*f(x[0]) + 6*g(x[1])] # x是列表输入 返回的是冒号后面的东西
fsolve(fx, [1,1,1,1]) # 这里的[1,1,1,1]将作为求最优解过程中的的初始值
array([4.383, 3.381, 3.14 , 2.477])
10 求超定(矛盾)非线性方程组的最小二乘解
题10:
from scipy.optimize import least_squaresfs = lambda x:[-2*x[0] + 3*f(x[2]) + 4*g(x[3]) - 1,-3*x[1] + 2*f(x[2]) + 6*g(x[3]) - 2,-x[2] + f(x[0]) + 3*g(x[1]) - 3,-5*x[3] + 4*f(x[0]) + 6*g(x[1]) -1,-x[0] - x[2] + f(x[3]) + g(x[1]) - 2,-x[1] + 3*x[3] + 2*f(x[0]) - 10*g(x[2]) - 5]
x = least_squares(fx, [0,0,0,0])
x
active_mask: array([0., 0., 0., 0.])cost: 1.575281272016496e-25fun: array([-0., -0., 0., 0.])grad: array([ 0., 0., -0., -0.])jac: array([[-2. , 0. , 4.731, 3.609],[-0. , -3. , 3.154, 5.414],[ 1.563, 2.006, -1. , 0. ],[ 6.252, 4.012, -0. , -5. ]])message: '`gtol` termination condition is satisfied.'nfev: 8njev: 7optimality: 4.536140070440464e-12status: 1success: Truex: array([-0.973, 0.338, -0.956, 0.098])
学习困惑
1、关于求解非线性方程组,fsolve函数和least_squares函数有什么不同?
2、求解变元个数与方程组个数相同或不同的非线性方程组,应该分别采用什么方法?
《数学建模简明教程--基于python》学习笔记-第二章-绘图与解方程组-课后习题解答相关推荐
- 《数学建模简明教程--基于python》学习笔记-第四章-微分方程-课后习题解答
文章目录 ⭐️0.准备工作⭐️
- Python学习笔记—第二章—IPython
书目:Python(Unix和Linux系统管理指南) 学习日期:20130807 知识点总结: 安装IPython: 源码安装: 1 2 tar zxvf ipython-0.13.2.tar.gz ...
- 数学建模层次分析法例题及答案_【热门推荐】影响力意志力创新力、数学建模简明教程...
<影响力•意志力•创新力> 索书号:B848.4-49/1028 作者:邢群麟编著 出版社:浙江工商大学出版社,2018 馆藏地:新馆304室 简介:本书在总结众多成功人士经验的基础上, ...
- Python学习笔记第二十九天(N维数组(ndarray))
Python学习笔记第二十九天 N维数组(ndarray) 构建阵列 索引阵列 ndarray的内部内存布局 阵列属性 内存布局 数据类型 其他属性 阵列接口 ctypes外部功能接口 Array方法 ...
- 小吴的《机器学习 周志华》学习笔记 第二章 模型评估与选择
小吴的<机器学习 周志华>学习笔记 第二章 模型评估与选择 上一周我们介绍了第一章的基础概念,这一次将带来第二章的前三节.后面的2.4 比较检验与2.5 偏差与方差,涉及概率论与数理统计概 ...
- 小吴的《机器学习 周志华》学习笔记 第二章 2.4 比较检验、2.5 偏差与方差
小吴的<机器学习 周志华>学习笔记 第二章 2.4 比较检验. 2.5 偏差与方差 2.4 比较检验 上一周提到了实验的评价方法和性能量度,步骤简单可以看成:先使用某种实验评估方法测得学习 ...
- 机器人导论(第四版)学习笔记——第二章
机器人学导论(第四版)学习笔记--第二章 2. 空间描述和变换 2.1 引言 2.2 描述:位置.姿态与位姿 2.3 映射:从一个坐标系到另一个坐标系的变换 2.4 算子:平行,旋转和变换 2.5 总 ...
- 《Go语言圣经》学习笔记 第二章 程序结构
Go语言圣经学习笔记 第二章 程序结构 目录 命名 声明 变量 赋值 类型 包和文件 作用域 注:学习<Go语言圣经>笔记,PDF点击下载,建议看书. Go语言小白学习笔记,几乎是书上的内 ...
- PhalAPI学习笔记 ——— 第二章接口服务请求
PhalAPI学习笔记 --- 第二章接口服务请求 前言 接口服务请求 接口服务请求案例 自定义接口路由 开启匹配路由 配置路由规则 nginx apache 服务请求 结束语 前言 公司业务需要转学 ...
最新文章
- excel查标准正态分布_用EXCEL简易制作正态分布图
- nagios错误: 无法打开要更新的命令文件
- redis免安装版windows_Shotcut 视频剪辑软件,免费跨Windows、 Mac、 Linux平台
- GitLab CI 自动部署netcore web api 到Docker
- html表单复选框样式,美化表单——自定义checkbox和radio样式
- 如何制作一个简单的游戏 Cocos2d x 2 0 4
- 【报告分享】2021大社交趋势观察报告.pdf(附下载链接)
- 宫崎骏最美最经典的语录是什么?
- Linux命令行下载文件百度云盘
- Django:MySQL查询结果为datetime.date无法转换为JSON
- 柯洁预言AI绘画会替代大部分画师,网友:初代AI受害者现身说法
- word 手动双面打印设置
- 五、SQL–索引/约束⑥(外键约束)
- pycharm在ubuntu中不能输入中文的问题
- oracle 日志 aw,DBMS_AW_EXP: not AW$
- lucas求大组合数
- CDH 6.3.1 集成Atlas
- java实现象棋ai_中国象棋AI实现?
- MATLAB通信系统仿真(二)——数字调制
- Matlab归一化实现