从泰勒展开到牛顿迭代

项目github地址：bitcarmanlee easy-algorithm-interview-and-practice
欢迎大家star，留言，一起学习进步

1.泰勒公式(Taylor’s Formula）

对于一些复杂的函数，为了方便研究与分析，我们往往希望用一些简单的函数来近似表达。其实这也符合人们对事物的认知规律与认知曲线：有浅入深，由易到难，前面研究的比较容易的部分往往是后面推广结论的特例。在比较简单的函数中，多项式算是最简单的一种了。因为多项表达式只有比较简单的加减乘除四则运算，便能求出函数的值。所以，用多项式表达复杂函数往往是我们的首选。

给出泰勒公式的具体表达式：
如果函数$f(x)$在含有$x_0$的某个开区间$(a,b)$内具有$(n+1)$阶的导数，那么对任一$x\in (a,b)$，有
$$f(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)+\frac{f^{\prime \prime }(x_0)}{2!}(x-x_0{)}^2+\cdots +\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n+R_n(x)$$

其中 $$R_n(x)=\frac{f^{(n+1)}(ϵ)}{(n+1)!}(x-x_0{)}^{(n+1)}$$
这里的$ϵ$是介于$x$与$x_0$之间的某个值，$R_n$被称为拉格朗日余项。

泰勒公式的初衷是用多项式来近似表示函数在某点周围的情况。取最常见的$e^x$为例，在$x=0$的附近可以用如下多项式近似表示：
$$e^x\approx 1+x+\frac{x^2}{2!}+\frac{x^3}{3!}+\cdots +\frac{x^n}{n!}$$

2.麦克劳林级数(Maclaurin)

通过函数在自变量零点的导数求得的泰勒级数又叫麦克劳林级数。以前面提到的$e^x$为例，麦克劳林级数即为
$$e^x\approx 1+x+\frac{x^2}{2!}+\frac{x^3}{3!}+\cdots +\frac{x^n}{n!}$$

3.泰勒展开的小结

1.泰勒公式的核心思想就是：用多项式函数取逼近光滑的函数。注意这里光滑很重要，因为泰勒公式里面要求具有$(n+1)$阶的导数，如果函数“不光滑”，显然不会满足上面的条件。
2.泰勒公式最常见的应用之一就是用于近似计算。以$sin(x)$为例：
$$sin(x)=x-\frac{1}{3!}{x}^3+\frac{1}{7!}{x}^7-\frac{1}{9!}{x}^9+\cdots$$
计算机中计算$sin(x)$的值，就可以用上面的公式计算。

4.牛顿法(Newton’s method)

牛顿法（Newton’s method）又称为牛顿-拉弗森方法（Newton-Raphson method）。本博主的master论文里主要的理论依据就是牛顿-拉弗森方法。它是一种在实数域和复数域上近似求解方程的方法。牛顿法使用函数$f(x)$的泰勒级数的前面几项来寻找方程$f(x)=0$的根。所以他跟泰勒展开有天然的关系。

有前面的泰勒展开
$$f(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)+\frac{f^{\prime \prime }(x_0)}{2!}(x-x_0{)}^2+\cdots +\frac{f^{(n)}(x_0)}{n!}(x-x_0{)}^n+R_n(x)$$

取泰勒展开的一次项，忽略后面的高次项，有：
$$f(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)$$
如果我们将得到的新的坐标为$x_{n+1}$，原来的坐标为$x_n$，通常$x_{n+1}$比$x_n$更接近方程$f(x)=0$的解。因此利用新的坐标为$x_{n+1}$进行下一轮迭代。

由上面的式子，很容易得出迭代公式为：
$$x_{n+1}=x_n-\frac{f(x_n)}{f^{\prime }(x_n)}$$
用此式迭代，即可得到方程$f(x)=0$的根。

牛顿迭代的几何意义如下图

5.牛顿迭代实例

http://blog.csdn.net/bitcarmanlee/article/details/52194255 一文中，我们提到用牛顿迭代求解一个数的方根。里面我们给出了迭代公式，但是没有给出具体的推导过程。这里我们就推导一下求解方根迭代公式的过程。
求$n$的方根，即求解$x^2-n=0$
令$f(x)=x^2-n$，则$f^{\prime }(x)=2x$
根据前面求得的牛顿迭代公式：
$$x_{(n+1)}=x_n-\frac{f(x)}{f^{\prime }(x)}=x_n-\frac{x_n^2-n}{2x_n}=\frac{1}{2}(x_n+\frac{n}{x_n})$$

result = 0.5 * (result + (n / result))

这行代码即由上述迭代公司所求得。