I mange videnskabelige og ingeniørmæssige anvendelser støder man ofte på ikke-lineære ligninger, som ikke kan løses analytisk og kræver numeriske metoder. Modulet `scipy.optimize` tilbyder kraftfulde algoritmer til at finde rødderne af sådanne ligninger, hvilket gør det muligt at modellere og analysere virkelige systemer. I denne udfordring skal du anvende din forståelse af rod-finding ved at løse en ikke-lineær ligning, der repræsenterer en fysisk proces, ved hjælp af `scipy.optimize.root`.


import unittest
import user_code
import ast
import re   
import unittest
import importlib
import math
import re

class TestTask(unittest.TestCase):
    def test_solution_is_float(self):
        import user_code
        importlib.reload(user_code)
        func = getattr(user_code, 'solve_nonlinear_equation', None)
        _dynamic_test(
            self,
            callable(func),
            "solve_nonlinear_equation is defined and callable",
            "solve_nonlinear_equation function is missing or not callable"
        )
        result = func()
        _dynamic_test(
            self,
            isinstance(result, float),
            "Returned value is a float",
            f"Returned value is not a float: {result}"
        )

    def test_equation_is_solved(self):
        import user_code
        importlib.reload(user_code)
        func = getattr(user_code, 'solve_nonlinear_equation', None)
        eq_func = getattr(user_code, 'physical_process_equation', None)
        _dynamic_test(
            self,
            callable(func) and callable(eq_func),
            "Functions are callable",
            "solve_nonlinear_equation or physical_process_equation is missing or not callable"
        )
        root_val = func()
        val = eq_func(root_val)
        _dynamic_test(
            self,
            abs(val) < 1e-6,
            f"Root value {root_val} satisfies the equation (f(x) ≈ 0)",
            f"Root value {root_val} does not satisfy the equation: f(x) = {val}"
        )

    def test_initial_guess_used(self):
        code = ""
        with open("user_code.py", "r") as f:
            code = f.read()
        # Remove all whitespace for robust matching
        code_no_ws = re.sub(r"\s+", "", code)
        found = ("root(physical_process_equation,2.0" in code_no_ws)
        _dynamic_test(
            self,
            found,
            "Initial guess 2.0 is used in root-finding",
            "Expected initial guess of 2.0 in root-finding call"
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\s{2,}", " ", text)
    text = re.sub(r"\s*([,:?])\s*", r"\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    for i, node in enumerate(tree.body):
        if isinstance(node, ast.Assign):
            for target in node.targets:
                if isinstance(target, ast.Name) and target.id == var_name:
                    start_line = node.lineno - 1
                    line = lines[start_line]
                    indent = ' ' * (len(line) - len(line.lstrip()))
                    lines[start_line] = f"{indent}{var_name} = {value}"
                    next_line = len(lines)
                    for next_node in tree.body[i+1:]:
                        if hasattr(next_node, 'lineno'):
                            next_line = next_node.lineno - 1
                            break
                    if next_line > start_line + 1:
                        lines[start_line+1:next_line] = []
                    
                    return '\\n'.join(lines)
    return code

if __name__ == "__main__":
    unittest.main()


test_main.py

Et omfattende kursus designet til studerende med stærke matematiske forudsætninger og mellemliggende til avancerede Python-færdigheder, med fokus på at udnytte SciPy til videnskabelig databehandling, optimering, integration og avancerede matematiske operationer.

Udforsk strukturen, kernemodulerne og de væsentlige funktioner i SciPy til videnskabelig databehandling.

Dyk ned i SciPys kraftfulde lineære algebrafunktioner til løsning af virkelige matematiske problemer.

Behersk optimeringsteknikker og rodfindingsalgoritmer ved hjælp af SciPy til videnskabelige og ingeniørmæssige problemer.

Udforsk avancerede matematiske operationer, herunder integration, interpolation og grundlæggende signalbehandling med SciPy.

Challenge: Løsning af Ikke-Lineære Ligninger

Løsning