以下是使用 Python 绘制一维函数 $ f(x) = \sinh(c_0 + c_2 x^2) $ 的完整代码，其中 $ c_0 = 1 $、$ c_2 = 0.5 $。我们使用 `numpy` 生成等距 x 值，用 `scipy.sinh`（或直接 `numpy.sinh`）计算双曲正弦值，并用 `matplotlib.pyplot` 绘图。 ```python import numpy as np import matplotlib.pyplot as plt # 参数设置 c0 = 1.0 c2 = 0.5 # 定义 x 范围：选择合理区间以展现函数特征（sinh 增长极快，x² 使输入迅速变大，需避免过大导致 overflow） x = np.linspace(-3, 3, 1000) # 从 -3 到 3，1000 个点（足够平滑） # 计算函数值：f(x) = sinh(c0 + c2 * x^2) y = np.sinh(c0 + c2 * x**2) # 绘图 plt.figure(figsize=(8, 5)) plt.plot(x, y, label=r'$f(x) = \sinh(1 + 0.5x^2)$', linewidth=2, color='steelblue') plt.xlabel('x', fontsize=12) plt.ylabel('f(x)', fontsize=12) plt.title('Graph of $f(x) = \\sinh(1 + 0.5x^2)$', fontsize=14) plt.grid(True, linestyle='--', alpha=0.6) plt.legend() plt.tight_layout() # 可选：检查是否出现数值溢出（np.sinh 在输入 >~710 时会 overflow，但此处 max(c0+c2*x²)=1+0.5*9=5.5，完全安全） print(f"Max input to sinh: {np.max(c0 + c2 * x**2):.3f}") # 应输出 ~5.5 print(f"Max |y|: {np.max(np.abs(y)):.2e}") plt.show() ``` ✅ **代码说明**： - `np.linspace(-3, 3, 1000)`：生成从 -3 到 3 的 1000 个均匀分布点，覆盖对称区间，体现偶函数特性（因 $x^2$，故 $f(-x)=f(x)$）。 - `np.sinh(...)`：NumPy 内置的双曲正弦函数，定义为 $\sinh(z) = \frac{e^z - e^{-z}}{2}$，高效且支持向量化运算。 - 函数是**偶函数**（仅含 $x^2$），图像关于 y 轴对称；且因 $\sinh$ 单调递增、凸向上，整体呈“U 形加速上升”趋势（两端急剧上扬）。 - 我们限制 $x \in [-3,3]$ 是因为当 $|x|>4$ 时，$c_0 + c_2 x^2 > 1 + 0.5×16 = 9$，$\sinh(9) \approx 4051.5$，而 $x=5$ 时已达 $\sinh(13.5)\approx 7.7\times10^5$，易导致纵轴尺度失衡——绘图时若需观察渐进行为可扩展 x，但建议用对数纵轴或分段显示。 ⚠️ **注意事项**： - 若你未安装相关库，请先运行： ```bash pip install numpy matplotlib ``` - `scipy.sinh` 并非必需（`numpy.sinh` 已完全满足需求），无需额外导入 scipy。 - 如需高精度或复数支持，可考虑 `mpmath.sinh`，但本例中 `numpy` 精度绰绰有余。