方程求根——开方法

努力的小流

已于 2024-05-24 18:09:58 修改

阅读量180

点赞数 7

分类专栏：求根与最优化文章标签：算法机器学习人工智能

于 2024-05-24 18:05:12 首次发布

本文链接：https://blog.csdn.net/weixin_43816345/article/details/139180253

版权

求根与最优化专栏收录该内容

2 篇文章 0 订阅

订阅专栏

导论

开方法与划界法相比，仅仅需要一个或两个初始值，并不要求包含根的区间。这样，有时该方法会发散，随着计算的推进会越来越远离真正的根，但当开方法收敛时，其会比划界法的收敛速度快得多。

简单不动点迭代

将函数 $f(x) = 0$ 进行简单整理，得到如下形式：

$x = g(x)$

上式的作用是提供一个预测新值的公式，将新值表示为旧值的函数，过程表示为如下函数：

$x_{i+1} = g(x_i)$

近似误差表示为：

$\varepsilon_a=|\frac{x_{i+1}-x_i}{x_{i+1}}|$

简单不动点迭代的四种情况如下：

可以看出，当 $|g^{'}|<1$ 时，方法收敛。

牛顿-拉弗森方法

其方法思想可通过下图表示：

新值可通过如下公式（牛顿-拉弗森公式）得出：

$x_{i+1} = x_i-\frac{f(x_i)}{f^{'}(x_i)}$

function [root, ea, iter] = newtraph(func, dfunc, xr, es, maxit, varargin)
% 牛顿-拉弗森方法
if nargin<3, error('至少输入三个参数：函数名，函数导数，初始化猜测值'), end
if nargin<4||isempty(es), es = 0.0001;end
if nargin<5||isempty(maxit), maxit = 50; end
iter = 0;
while(1)
    xrold = xr;
    xr = xr - func(xr, varargin{:})/dfunc(xr);
    iter = iter+1;
    if xr~=0, ea = abs((xr-xrold)/xr)*100; end
    if ea<=es||iter>=maxit, break; end
end
root = xr;
end

每次迭代之后，准确的有效数字几乎翻倍，即具有二次收敛特性
牛顿-拉弗森方法的一个潜在问题是需要计算函数的导数，这可以通过下面的方法（割线法）解决。

割线法

割线法的思想是使用差分代替微分，替换后的公式为（其与试位法相同）：

$x_{i+1} = x_i- \frac{f(x_i)(x_{i-1}-x_i)}{f(x_{i-1})-f(x_i)}$

此即为割线法，该方式需要两个初始估计值，一种改进公式如下：

$x_{i+1} = x_i-\frac{dxf(x_i)}{f(x_i+dx)-f(x_i)}$

此为改进割线法，它既具有牛顿-拉弗森方法的高效性，又不需要计算导数。

function [root, ea, iter] = gexian(func, xr, es, maxit, varargin)
% 改进割线方法
if nargin<2, error('至少输入两个参数：函数名，初始化猜测值'), end
if nargin<3||isempty(es), es = 0.0001;end
if nargin<4||isempty(maxit), maxit = 50; end
iter = 0; dx = 0.001;
while(1)
    xrold = xr;
    fr = func(xr, varargin{:});
    fdr = func(xr+dx, varargin{:});
    xr = xr - dx*fr/(fdr-fr);
    iter = iter+1;
    if xr~=0, ea = abs((xr-xrold)/xr)*100; end
    if ea<=es||iter>=maxit, break; end
end
root = xr;
end