解非线性方程的两种方法与python实现

写在开头: 非线性方程，就是因变量与自变量之间的关系不是线性的关系，这类方程很多，例如平方关系、对数关系、指数关系、三角函数关系等等。求解此类方程往往很难得到精确解，经常需要求近似解问题。本文将从一道数列题开始，引出一种求解非线性方程的基础方法：简单迭代法。然后讲解科学计算器的求解方法：牛顿切线法。最后会用python实现两种方法并可视化。

---

不动点迭代法

引子

先来看一道简单的数列题。

$$已知数列a_n的递推公式a_{n+1}=\frac{1}{a_n+1},且a_1=1,求\underset{x\to \infty }{\lim }{a}_n$$

解此题只需令${\lim }_{x\to \infty }{a}_n=A,解方程A=\frac{1}{A+1}$即可。但借助科学计算器还有一种投机取巧的方法：利用递推公式不断求$a_n$。当n足够大时,$a_n(如a_{100})$即可近似为$a_n$的极限。而这一过程借助科学计算器的“Ans”功能可以很方便地实现。

可以发现：我们用这种方法绕开了二次方程的求根公式解出了方程$x=\frac{1}{x+1}$的一个实数数值解。那么对于任意形如$x=g(x)$的方程，是不是也可以用构造数列$a_{n+1}=g(a_n)$来求解呢？这就是不动点迭代法了。

具体操作

不动点迭代又称为简单迭代，用以求解方程$f(x)=0$。方法如下：

1. 方程转换为$x=g(x)$
2. 给$x_0$设定一个初值
3. $x_{i+1}=g(x_i)$
4. 若满足结束条件（i大于某个预设的值，或$|x_{i+1}-x_i|$小于某个预设的值）$x_{i+1}$为解，否则返回第3步

这里将方程$f(x)=0$转换为$x=g(x)$是很容易的，比如对于$f(x)=x-cos(x)$，求解$f(x)=0$即为求解$x-cos(x)=0$，即$x=cos(x)$，因此$g(x)=cos(x)$；但是需要注意转换方法不唯一，这可能会影响计算结果。

缺点

• 只能求一个解
• 函数$\phi (x)在区间[a,b]内$必须满足以下的收敛条件：
  1. 有一阶导数
  2. 对任意$x\in [a,b]$，总存有$\phi (x)\in [a,b]$
  3. 对任意$x\in [a,b]$，总存有0<L<1,使得$|{\phi (x)}^{\prime }|\le L<1$
• 为满足收敛条件，需要选取适当初始值

牛顿切线法

鉴于不动点迭代法有时无法满足的收敛条件，科学计算器在求解非线性方程时会运用另一种方法–牛顿切线法，又称牛顿法。
牛顿切线法也是一种迭代法。它的操作很简单，首先通过移项把方程转化成求函数$f(x)$的零点的问题。在给定一个迭代点$x_i$时，作$f(x)$在$x_i$的切线$y-f(x_i)=f^{\prime }(x_i)(x-x_i)$，$x_{i+1}$为切线与x轴的交点$x_i-\frac{f(x_i)}{f^{\prime }(x_i)}$。与不动点迭代法一样，在满足结束条件时终止迭代。

如何理解这种操作呢？可以把$f(x)$的切线看作$f(x)$在$x_i$的一阶泰勒近似，既然函数的切线与函数是相似的，他们的零点也是相近的。那就把切线的零点当做目标值的近似。

接下来是一个例子，所求方程为$0.1x^2-x-3=0,x_0=1$，共迭代了两次。

可以看到，迭代两次后的$x_2$已经相当接近$x_{target}$了。

一般我们希望x尽可能接近理论值$x_{target}$，但是有时确切的理论值是未知的，所以也可以令$|y|$尽可能小。现在我们知道了在使用卡西欧计算器时，可以使用L-R的功能来估算$|y|$（即误差）。而输入x的功能是为了设置迭代的初始点。

除了求解方程，牛顿法还有更广泛的应用。在已知某函数的导数时，可以令导数为零，解方程得函数的极值。将一元函数推广到多元函数，用向量，梯度，Heese矩阵替换自变量，导数，二阶导数，就可以把牛顿法用于多维无约束最优化问题。

---

python实现

调用了numpy库与matplotlib库。使用同一个函数接口solve实现牛顿法与不动点迭代法，作为示例的方程为$arctan(x-7)-0.3x=0$。在以迭代次数作为结束条件的基础上，这里增加了一种终止迭代的条件：两次x的差值$|x_{i+1}-x_i|$小于某个预设的值$delta$。

由于牛顿法涉及导数运算，我们用数值微分公式$f^{\prime }(x)\approx \frac{f(x+h)-f(x-h)}{2h}$近似导数，由二阶泰勒展开公式可推得其误差为$O(h^2)$。

主要函数与大致流程：

• 输入：在func函数中输入需要为零的函数，即方程$f(x)=0$中的$f(x)$，在solve函数中输入初始迭代点$x_0$，迭代次数上限iteration（默认100），终止迭代的误差delta（默认1e-5）。
• 输出：牛顿法与不动点迭代法各自的解，和两张图ax[0],ax[1]
• 函数func()：表示$f(x)$
• 函数derivate():对func使用数值微分求导
• 函数solve():绘制ax[0]的一组迭代点与ax[1]的一条折线
• 子图ax[0]:函数图像与迭代点
• 子图ax[1]:$f(x)$随迭代次数变化的曲线，若能有效求解，曲线将收敛与0

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

def func(x):#需要为0的函数
    y=np.arctan(x-7)-0.3*x#自定义要求解的函数
    return y
def derivate(x):#数值微分求导，h取1e-6
    return (func(x+1e-6)-func(x-1e-6))/2e-6
def solve(x,iteration=100,delta=1e-5,method='fixed_point'):#绘制迭代点和下降曲线
    doty=[func(x)]#保存迭代点的纵坐标，用来绘制折线图，先记录初始点
    n=1#记录迭代次数
    for i in range(iteration):
        if(method=='fixed_point'):#不动点迭代
            xnext=func(x)+x
            colors="blue"
        if(method=='newton'):#牛顿迭代
            xnext=x-func(x)/derivate(x)
            colors="orange"
        ax[0].scatter(xnext,func(xnext),marker='o',s=10,color=colors,alpha=1,zorder=3)
        doty.append(func(xnext))#添加迭代点的纵坐标
        n=n+1
        if(abs(x-xnext)<delta):#新增的终止条件
            break
        x=xnext
    ax[1].plot(np.arange(0,n),doty,'o-',markersize=3)#绘制函数值下降曲线
    return x;

#画布的基础设置
X=np.linspace(-15,20,500)  # X轴坐标数据
Y =func(X)               # Y轴坐标数据
fig, ax = plt.subplots(1, 2, figsize=(10, 4),dpi=120)#创建画布
ax[0].tick_params(labelsize=12)#坐标字号
ax[1].tick_params(labelsize=12)
ax[0].set_xlabel('$x$')#坐标名称
ax[0].set_ylabel('$y$')
ax[1].set_xlabel('迭代次数')
ax[1].set_ylabel('函数值')
ax[0].grid()#增加网格
ax[1].grid()

ax[0].plot(X,0*X,color="black",linewidth=1,zorder=1)#作图y=0
ax[0].plot(X,Y,label="$f(x)$",color="black",linewidth=1,zorder=2)#作出函数图像

#绘制两种方法的迭代点与函数下降曲线
ax[0].scatter(8,func(8),color="red",s=10,label="初始点")#绘制初始点
ans1=solve(8,100,method='fixed_point')
ans2=solve(8,100,method='newton')
ax[0].legend(fontsize=8)#设置图例
ax[1].legend(['不动点迭代法','牛顿法'],fontsize=8)

print('不动点迭代法的结果：'+str(ans1))
print('牛顿法的结果：'+str(ans2))

plt.show()

结果如下