java平方根近似求法,如何通过牛顿法求近似平方根？

这是一篇考拉内部小型技术分享的文章。

这次分享一个求近似平方根的快速方法: 牛顿法。

先上代码:

def sqrt(n):

ret = n

while ret * ret > n:

ret = (ret + n / ret) / 2

return ret

print(sqrt(4))

print(sqrt(2))

代码很简短，很神奇，为什么这样子可以求出来平方根呢？下面来推导一下。

设n的平方根为x， 则有

, 即

, 写成对x的函数的形式为

。假设n=4, 我们都知道，4的平方根是2，那用牛顿法怎么求出来呢？先画出来这个函数的图形。

from matplotlib import pyplot as plt

import numpy as np

%matplotlib notebook

xs = np.linspace(-6, 6, 1000)

ys = [x * x - 4 for x in xs]

plt.xlabel('x')

plt.ylabel('y')

plt.plot(xs, [0] * 1000)

plt.plot([0] * 1000, np.linspace(-6, 30, 1000))

plt.plot(xs, ys)

[]

然后我们取一个点，先取点

, 然后做一条切线，它会跟x轴相交于点(2.5, 0), 相同横坐标对应函数上的点为

, 然后我们在x1处再做一条切线，它会和x轴相交于点(2.05, 0), 相同横坐标对应函数上的点为x2(2.05, 0.2025), 继续这样迭代下去，将很快求出来最后x是2.

def f(x):

return x * x - 4

xs = np.linspace(-6, 6, 1000)

ys = [f(x) for x in xs]

plt.xlabel('x')

plt.ylabel('y')

plt.plot(xs, [0] * 1000)

plt.plot([0] * 1000, np.linspace(-6, 30, 1000))

plt.plot(xs, ys)

plt.plot(4, f(4), 'ro')

plt.annotate('x0(4, 12)', (2, 12))

plt.plot([4, 4], [0, 12], '--')

k0 = (f(4 + 0.1) - f(4 - 0.1)) / 0.2

b0 = f(4) - k0 * 4

def f_tangent0(x):

"""

点x0的切线方程

"""

return k0 * x + b0

xs = np.linspace(2, 6, 1000)

ys = [f_tangent0(x) for x in xs]

plt.plot(xs, ys)

plt.plot(2.5, f(2.5), 'ro')

plt.annotate('x1(2.5, 2.25)', (0.5, 5))

plt.plot([2.5, 2.5], [0, 2.25], '--')

k1 = (f(2.5 + 0.1) - f(2.5 - 0.1)) / 0.2

b1 = f(2.5) - k1 * 2.5

def f_tangent1(x):

"""

点x1的切线方程

"""

return k1 * x + b1

xs = np.linspace(1, 6, 1000)

ys = [f_tangent1(x) for x in xs]

plt.plot(xs, ys)

# plt.plot(2.05, f(2.05), 'ro')

# plt.annotate('x1(2.05, 0.2)', (2.05, -5))

[]

从图形上可以比较直观的理解牛顿迭代法，但是从代数上怎么进行计算呢？现在来推导一下:

设n的平方根为x， 则有

, 即

, 写成对x的函数的形式为

，我们取一个点

, 作一条切线，那么切线的斜率k就是

的导数:

由上面的图可以看出来，作x0到x轴的垂线，围成了一个三角形，由三角定理可知:

所以有:

化简得:

再看一次代码:

def sqrt(n):

ret = n

while ret * ret > n:

ret = (ret + n / ret) / 2

return ret

一致!

牛顿迭代法求平方根就是这样推导出来的。

其实牛顿法，除了应用在求平方根上，还有很多应用，在机器学习算法的最后优化步骤中，会使用牛顿法求任意函数的最优解，不仅限于

这种类型。

建议大家做一下leetcode这道题: sqrtx，会加深理解。

分享内容出自考拉程序猿Hank的blog Hank‘s blog