In vielen wissenschaftlichen und technischen Anwendungen treten häufig nichtlineare Gleichungen auf, die nicht analytisch gelöst werden können und numerische Methoden erfordern. Das Modul `scipy.optimize` bietet leistungsstarke Algorithmen zur Bestimmung der Nullstellen solcher Gleichungen und ermöglicht so die Modellierung und Analyse realer Systeme. In dieser Aufgabe wird das Verständnis der Nullstellensuche angewendet, indem eine nichtlineare Gleichung, die einen physikalischen Prozess beschreibt, mit `scipy.optimize.root` gelöst wird.


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

Ein umfassender Kurs, der für Studierende mit fundierten Mathematikkenntnissen und fortgeschrittenen Python-Kenntnissen konzipiert ist und sich auf die Nutzung von SciPy für wissenschaftliches Rechnen, Optimierung, Integration und fortgeschrittene mathematische Operationen konzentriert.

Erkunden Sie die Struktur, Kernmodule und wesentlichen Funktionen von SciPy für wissenschaftliches Rechnen.

Tauchen Sie ein in die leistungsstarken linearen Algebra-Funktionen von SciPy zur Lösung realer mathematischer Probleme.

Beherrschung von Optimierungstechniken und Nullstellenalgorithmen mit SciPy für wissenschaftliche und technische Fragestellungen.

Erkunden Sie fortgeschrittene mathematische Operationen wie Integration, Interpolation und grundlegende Signalverarbeitung mit SciPy.

Challenge: Lösung Nichtlinearer Gleichungen

Lösung