【数值分析学习笔记】——2、求解一元方程

本文链接：https://blog.csdn.net/fredwin/article/details/122797889

2、几种一元方程的数值解法

求根的方法类别	方法
划界法	增量搜索、二分法
开方法	不动点迭代、牛顿-拉弗森方法、割线法

（1）划界法：

划界法要求两个初始猜测值界定的区间包含根。即两个初始值必须在根的两边。
对于适定问题(well-posed problem)，划界法总能够正常进行，但收敛较慢，需要更多的迭代步骤才能收敛到真实根上。

（1）开方法：

这些方法可能需要一个或更多个初始猜测值,但是不必要求它们包含根
对于适定问题，开方法不一定能正常进行，可能会发散。但是当开方法收敛时其收敛得更快。

2.1二分法

假设f是定义在区间[a,b]上的连续函数,且f(a)和f(b)符号相反。根据介值定理,在(a,b)内存在一个数p使得f(P)=0。二分法要求将[a,b]的子区间反复减半,在每一步找出含有p的那一半。
在这里插入图片描述
误差计算：
$\left| {{\varepsilon _a}} \right| = \left| {\frac{{x_r^{new} - x_r^{old}}}{{x_r^{new}}}} \right| \times 100\%$
其中 $x_r^{new}$ 为当前迭代得到的根的估计值， $x_r^{old}$ 为前一次迭代得到的根的估计值。当误差 ${\varepsilon _a}$ 为小于设置的误差要求时，计算结束。

2.2不动点迭代

不动点迭代(fixed-point iteration)是通过对函数f(x)=0进行重新整理，通过代数变换或简单地在原方程的两边同时加上x，实现将x放在方程的左边得到:
$g(x){\rm{ }},{\rm{ }}{x_{i + 1}} = g({x_i})$
因此给定了根的初始猜测值 ${x_i}$ ，就可以计算新的估计值 ${x_{i + 1}}$ 。
在这里插入图片描述
运用不动点迭代时，若 $\left| {f'(x)} \right| < 0$ ，误差会随着迭代的深入而逐步减小。反之，如果 $\left| {f'(x)} \right| > 0$ ，误差则会增大。如果导数值为正，那么误差就是正的。如果函数导数值为负,那么在迭代过程中误差会不断变换符号。如下图所示：
在这里插入图片描述

2.3牛顿-拉弗森方法（Newton-Raphson method）

所有求根方法中，使用最多的可能就是牛顿-拉弗森方法。如果根的初始猜测值为xi;，那么过点[xi , f(xi)]就可以作一条切线。该切线与x轴的交点通常代表根的一个更好的估计值。
在这里插入图片描述
牛顿-拉弗森方法可以在这个几何插值的基础上推导出来。x处的一阶导数等于斜率: $f'({x_i}) = \frac{{f({x_i}) - 0}}{{{x_i} - {x_{i + 1}}}}$ 整理后得到：
${x_{i + 1}} = {x_i} - \frac{{f({x_i})}}{{f'({x_i})}}$
牛顿-拉弗森方法通常收敛的速度比较快（二次收敛），也存在一些缺点。比如对于一些特殊的函数（y=tanx）可能收敛的比较慢。可能会在局部极大值或极小值附近震荡。其收敛性依赖于函数的性质和初始猜测值的准确度。需要让初始猜测值足够靠近根。另外牛顿-拉弗森方法需要已知函数的斜率，实际中很多情况下无法求得函数的斜率。

2.4割线法

实现牛顿-拉弗森方法的一个潜在的问题是需要计算导数。有一些函数，求它们的导数可能会有困难。这种情况下，可用后向有限差分(backward finite divided difference)来近似计算导数:
$f'({x_i}) \cong \frac{{f({x_{i - 1}}) - f({x_i})}}{{{x_{i - 1}} - {x_i}}}$
代入牛顿-拉弗森方法公式 ${x_{i + 1}} = {x_i} - \frac{{f({x_i})}}{{f'({x_i})}}$ 得到割线法公式:
${x_{i + 1}} = {x_i} - \frac{{f({x_i})({x_{i - 1}} - {x_i})}}{{f({x_{i - 1}}) - f({x_i})}}$