在许多实际问题中,问题的解决常常归结为解非线性代数方程组
F ( X ) = 0 , F(X)=0, F(X)=0,
这里
X = ( x 1 , x 2 , ⋯   , x n ) T ( x i ∈ [ a i , b i ] ) X=(x_1,x_2,\cdots,x_n)^T(x_i\in[a_i,b_i]) X=(x1,x2,⋯,xn)T(xi∈[ai,bi])
F ( X ) = ( f 1 ( X ) , f 2 ( X ) , ⋯   , f n ( X ) ) T ∈ R n F(X)=(f_1(X),f_2(X),\cdots,f_n(X))^T\in R^n F(X)=(f1(X),f2(X),⋯,fn(X))T∈Rn
该方程组的标量情形可简化为
f ( x ) = 0 , x ∈ [ a , b ] f(x)=0,\quad x\in[a,b] f(x)=0,x∈[a,b]
一般而言,非线性方程的精确求解非常困难。因此,人们常常需要借助各种数值方法对其进行求解。
二分法
方法就是大家一直以来学的那些,我在这里就只增加一个在进行了 k k k 步之后就可以达到精度的公式:
k > ln ( b − a ) − l n ( 2 ε ) ln 2 k>\frac{\ln(b-a)-ln(2\varepsilon)}{\ln2} k>ln2ln(b−a)−ln(2ε)
其中 ε \varepsilon ε 代表精度, f ( x ) ∈ C ( [ a , b ] ) f(x)\in C([a,b]) f(x)∈C([a,b]).
Newton迭代法
选择适合的点 ( x 0 , f ( x 0 ) )