scipy.optimize.fsolve：用Python求解方程的解

例1:

求解方程组的一个解: x0*cos(x1) = 4, x1*x0 - x1 = 5。

需要注意两点：

1.定义方程组，方程组要写出f(x)=0的形式（=0不需要写出来），所以原方程右边4和5都要移项到左边。

2.求解方程都根，对于非线性方程，通常会有不止一个解（对于唯一解的线性方程，初始值的设置对方程的解没有影响），因此需要设置大致初始解（取值范围），这样方程在初始值附近按梯度下降进行求解，可得局部最优解

3.第2步中的局部最优解不一定是满足方程的解，可以使用np.isclose(func(root), [0.0, 0.0])进行验证，如果是方程的近似解，则为True(可以设置相等的tolerence，默认相对插值不超过1e-5，绝对插值不超过1e-8)

import numpy as np
from scipy.optimize import fsolve

# 定义方程组，方程组要写出f(x)=0的形式（=0不需要写出来），所以原方程4和5都要移项到左边
def func(x):
    return [x[0] * np.cos(x[1]) - 4,
            x[1] * x[0] - x[1] - 5]

# 求解方程都根，对于非线性方程，通常会有多个解，因此需要设置解的大致初始值（取值范围），这样方程在初始值附近按梯度下降进行求解，可得局部最优解

# x0,x1初始解为10，1的结果
root = fsolve(func, [10, 1])
root
array([6.50409711, 0.90841421])

np.isclose(func(root), [0.0, 0.0]) # 检验解是否是符合方程组的近似解
array([ True,  True])

# x0,x1初始解为1，1的结果
root = fsolve(func, [10, 1])
root
array([6.50409711, 0.90841421])

# x0,x1初始解为100，100的结果
root = fsolve(func, [100, 100])
root
array([ 1.08031886, 62.8304055 ])

np.isclose(func(root), [0.0, 0.0]) # 检验解是否是符合方程组的近似解
array([ False,  False]) # 不能满足方程的近似解，看下值为多少

# 把方程的根array([ 1.08031886, 62.8304055 ])代入方程组，看下结果是多少
func(root)
[-2.919682271484323, 0.04646656815791772]
第一个方程结果是-2.9196，第二个方程为0.0464