Dans de nombreuses applications scientifiques et d'ingénierie, il est courant de rencontrer des équations non linéaires qui ne peuvent pas être résolues analytiquement et nécessitent des méthodes numériques. Le module `scipy.optimize` propose des algorithmes puissants pour trouver les racines de telles équations, permettant ainsi de modéliser et d'analyser des systèmes réels. Dans ce défi, vous appliquerez vos connaissances sur la recherche de racines en résolvant une équation non linéaire représentant un processus physique à l'aide de `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

Un cours complet conçu pour les étudiants ayant de solides bases en mathématiques et des compétences intermédiaires à avancées en Python, axé sur l'utilisation de SciPy pour le calcul scientifique, l'optimisation, l'intégration et les opérations mathématiques avancées.

Découvrez la structure, les modules principaux et les fonctionnalités essentielles de SciPy pour le calcul scientifique.

Plongez dans les puissantes capacités d'algèbre linéaire de SciPy pour résoudre des problèmes mathématiques concrets.

Maîtriser les techniques d'optimisation et les algorithmes de recherche de racines avec SciPy pour des problèmes scientifiques et d'ingénierie.

Explorez des opérations mathématiques avancées, y compris l'intégration, l'interpolation et le traitement du signal de base avec SciPy.

Challenge: Résolution d'Équations Non Linéaires

Solution