LeetCode 69: Sqrt(x) 求根号x(牛顿迭代法和二分查找法)

题目：
Implement int sqrt(int x).
Compute and return the square root of x.

分析：我们平常可能好少会自己去求解某个数的平方根，一般都是直接调用系统提供的函数，其实一般针对问题，并没有直接求解的公式，一般都是通过一个公式多次迭代来无限接近于这个解，这时，这个值就是我们要求的解。
下面我们简要介绍2中方法：牛顿迭代法和二分查找法。

牛顿迭代法想必大家都比较熟悉，就是给定一个初始值，然后一直迭代来逼近方程的解。

比如对于上图，首先给定一个初始值X0，然后，通过这个初始值作函数的切线，与y=0交于一点，横坐标为x1, 在通过点(x1,f(x1))作函数的切线，与y=0交于点(横坐标为x2),这样一直下去，得到xn（若把xn代入方程得到的值与函数实际的值小于某一个很小的阈值，则我们认为xn就是函数的解）

故要求解sqrt(x),即求解sqrt(t)(t=x), 即求函数$f(x)=x^2-t=0$的解，我们给初始解赋一个初始值$x_0$, 那么我们在点$(x_0,f(x_0))$处对曲线作切线， 得到如下方程$y-f(x_0)=f(x_0{)}^{\prime }(x-x_0)$，令y=0, 解得$x=x_0/2+t/(2x_0)$, 则迭代的解$x_1=x_0/2+t/(2x_0)$，像这样依次迭代$x_n=x_{n-1}/2+t/(2x_{n-1})$, 若$f(x_n)$很接近于0(与0的差绝对值小于某个阈值)，这迭代终止，$x_n$即为函数的解。

int mySqrt(int x) 
{
    if(x==0||x==1)
        return x;
    double x0=x;
    double t=x;
    x0=x0/2+t/(2*x0);
    while(fabs(x0*x0-t)>0.00001)
    {
        x0=x0/2+t/(2*x0);
    }
    cout<<x0<<endl;
    return int(x0);
}

另一种方法就是二分查找法了，思路很简单，就不介绍了，直接上代码：

int mySqrt(int x) 
{
    if(x==0||x==1)
        return x;
    int mid,left=1,right=x;
    while(left<right)
    {
        mid=left+(right-left)/2;
        if(mid>x/mid)
            right=mid-1;
        else if(mid==x/mid)
            return mid;
        else
        {
            if((mid+1)>x/(mid+1))
                return mid;
            if((mid+1)==x/(mid+1))
                return mid+1;
            left=mid+1;
        }
    }
    return (left+right)/2;
}

法三，梯度下降法：

## 注意梯度下降计算的时候初始值的设置(参数初始化) && 学习率
## 牛顿法一般就通过泰勒公式展开
## loss = (x*x-n)^2
import random
import matplotlib.pyplot as plt
class Solutin():
    def gradient_descent(self,n):
        # 随机初始化
        x = float(random.randint(50, 100))
        # 学习率
        lr = 0.00001
        # 记录损失
        loss = []
        cnt = 0
        # 损失阈值
        while (abs(x ** 2 - n) > 0.5):
            # x(n+1) = x(n) - lr * g(x(n))
            x = x - lr * 4 * x * (x ** 2 - n)
            if cnt % 50 == 0:
                print('x: '+str(x)+',     cnt: '+str(cnt))
            cnt += 1
            # 记录损失
            loss.append((x ** 2 - n)**2)
        return loss,x

if __name__ == '__main__':
    n=2
    loss,a = Solutin().gradient_descent(n)
    print( a)

    # 画损失图
    x = range(len(loss))
    plt.plot(x, loss, color='b')
    plt.xlim(0,1000)
    plt.show()