牛顿法求解非线性方程

基础知识

• [步骤1] 准备：选定初始近似值$x_0$，计算$f_0=f(x_0),f_0^{\prime }=f^{\prime }(x_0)$
• [步骤2] 迭代：按公式：
  $$x_1=x_0-f_0/f_0^{\prime }$$
  迭代一次，得到新的近似值$x_1$，计算$f_1=f(x_1),f_1^{\prime }=f(x_1)$
• [步骤3]
  控制：如果$x_1$满足$|\delta |<{\epsilon }_1$或$|\delta |<{\epsilon }_2$，则终止迭代，以$x_1$作为所求的根；否则转步骤4。此处${\epsilon }_1,{\epsilon }_2$是允许误差，而
  $$\delta =\{\begin{array}{r}|x_1-x_0|,|x_1|<C\\ \frac{|x_1-x_0|}{|x_1|},|x_1|\ge C\end{array}$$
  其中C是取绝对误差或相对误差的控制常熟，一般可取$C=1$
• [步骤4]
  修改：如果迭代次数达到预先指定的次数N，或者$f_1^{\prime }=0$,则方法失败；否则以$(x_1,f_1,f_1^{\prime })$代替$(x_0,f_0,f_0^{\prime })$转步骤2继续迭代。

代码部分

import math
import numpy as np
import sympy
from sympy import *

x = symbols("x")
x_value=[]
x_iteration=[]
x_diff_iteration=[]


def function_value():
    return x*exp(x)-1

def Newton_Methods(x0,f):  #此处x0为初值,f为函数方程
    k=0                    #记录迭代次数
    x_value.append(x0)
    x_iteration.append(f.subs(x,x0))
    x_diff_iteration.append(diff(f,x).subs(x,x0))
    while(k<10):            #小于规定迭代次数
        x_value.append(x_value[k]-(x_iteration[k]/x_diff_iteration[k]))
        x_iteration.append(f.subs(x,x_value[k+1]))
        x_diff_iteration.append(diff(f,x).subs(x,x_value[k+1]))
        if(x_iteration[-1]==x_iteration[-2]):    #终止迭代条件
            break
        k=k+1
    return x_value


result=Newton_Methods(0.5,function_value())

#格式化输出
for i in range(len(result)):
    print('When k=%d,the x value is %.10f'%(i,result[i]))

运行结果

使用课本P223页例题7验证程序结果
用牛顿法解方程:
$$x{e}^x-1=0$$
结果如下：