### 使用拟牛顿法（如BFGS或L-BFGS）求解多变量非凸非线性方程组 在解决多变量非凸非线性方程组时，可以通过将其转化为一个优化问题来应用拟牛顿法。通常的做法是定义目标函数为各等式残差平方和的形式： \[ f(\mathbf{x}) = \sum_{i=1}^{m} g_i(\mathbf{x})^2, \] 其中 \(g_i(\mathbf{x})\) 是第 \(i\) 个非线性方程的表达式。 以下是基于 `scipy.optimize` 库中 BFGS 和 L-BFGS 方法的具体实现方式： #### 定义目标函数 为了使问题适合于优化框架，需将原方程组转换为目标函数形式。例如给定如下非线性方程组： \[ \begin{cases} f_1(x_1, x_2) &= x_1^2 + x_2 - 11 \\ f_2(x_1, x_2) &= x_1 + x_2^2 - 7, \end{cases} \] 我们可以构建目标函数为： \[ f(\mathbf{x}) = (x_1^2 + x_2 - 11)^2 + (x_1 + x_2^2 - 7)^2. \] #### 实现代码 下面是一个完整的 Python 示例代码，展示如何利用 BFGS 或 L-BFGS 来求解上述非线性方程组： ```python import numpy as np from scipy.optimize import minimize def objective_function(x): """ Define the sum of squared residuals. """ eq1 = x[0]**2 + x[1] - 11 eq2 = x[0] + x[1]**2 - 7 return eq1**2 + eq2**2 # Initial guess for variables initial_guess = np.array([1.0, 1.0]) # Use BFGS method to solve result_bfgs = minimize(objective_function, initial_guess, method='BFGS') if result_bfgs.success: solution_bfgs = result_bfgs.x else: raise ValueError("Optimization failed using BFGS.") print(f"BFGS Solution: {solution_bfgs}") # Alternatively use L-BFGS-B which is a variant suitable for large-scale problems result_lbfgsb = minimize(objective_function, initial_guess, method='L-BFGS-B') if result_lbfgsb.success: solution_lbfgsb = result_lbfgsb.x else: raise ValueError("Optimization failed using L-BFGS-B.") print(f"L-BFGS-B Solution: {solution_lbfgsb}") ``` 此代码片段展示了如何通过最小化目标函数找到满足原始非线性方程组的根。注意这里使用的是标准库 `scipy.optimize.minimize()` 函数，并指定了不同的方法参数 `'BFGS'` 和 `'L-BFGS-B'`[^1]^。 #### 结果解释 运行以上脚本后会打印出两个解决方案分别对应采用不同算法的结果。如果一切正常的话，则应该能够获得接近真实解的一组数值作为最终答案。 ---