牛顿迭代法(Newton's method)又称为牛顿-拉夫逊(拉弗森)方法(Newton-Raphson method),它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法。
产生背景
多数方程不存在求根公式,因此求精确根非常困难,甚至不可解,从而寻找方程的近似根就显得特别重要。方法使用函数 的泰勒级数的前面几项来寻找方程 的根。牛顿迭代法是求方程根的重要方法之一,其最大优点是在方程 的单根附近具有平方收敛,而且该法还可以用来求方程的重根、复根,此时线性收敛,但是可通过一些方法变成超线性收敛。另外该方法广泛用于计算机编程中。
设f是f(x)的根,选取$x_0$作为r的初始近似值,过点$(x_0, f(x_0))$做曲线$y=f(x)$的切线L,$L:y=f(x_0)+f'(x_0)(x-x_0)$,则L与x轴交点的横坐标$x_1=x_0 - \frac{f(x_0)}{f'(x_0)}$,称$x_1$为 r的一次近似值。过点$(x_1, f(x_1))$做曲线$y=f(x)$的切线,并求该切线与x轴交点的横坐标$x_2=x_1 - \frac{f(x_1)}{f'(x_1)}$,称$x_2$为r的二次近似值。重复以上过程,得r的近似值序列,其中,$x_{n+1}=x_n - \frac{f(x_n)}{f'(x_n)}$ 称为r的n+1次近似值,上式称为牛顿迭代公式。
用牛顿迭代法解非线性方程,是把非线性方程 线性化的一种近似方法。把$f(x)$在点$x_0$的某邻域内展开成泰勒级数 ,取其线性部分(即泰勒展开的前两项),并令其等于0,即$f(x_0)+f'(x_0)(x-x_0)=0$,以此作为非线性方程的近似方程,若$f'(x_0) \neq 0$,则其解为$x_1=x_0 - \frac{f(x_0)}{f'(x_0)}$, 这样,得到牛顿迭代法的一个迭代关系式:$x_{n+1}=x_n - \frac{f(x_n)}{f'(x_n)}$。
已经证明,如果是连续的,并且待求的零点是孤立的,那么在零点周围存在一个区域,只要初始值位于这个邻近区域内,那么牛顿法必定收敛。 并且,如果不为0, 那么牛顿法将具有平方收敛的性能. 粗略的说,这意味着每迭代一次,牛顿法结果的有效数字将增加一倍。
迭代法也称辗转法,是一种不断用变量的旧值递推新值的过程,跟迭代法相对应的是直接法(或者称为一次解法),即一次性解决问题。迭代算法是用计算机解决问题的一种基本方法。它利用计算机运算速度快、适合做重复性操作的特点,让计算机对一组指令(或一定步骤)重复执行,在每次执行这组指令(或这些步骤)时,都从变量的原值推出它的一个新值。
利用迭代算法解决问题,需要做好以下三个方面的工作:
一、确定迭代变量
在可以用迭代算法解决的问题中,至少存在一个可直接或间接地不断由旧值递推出新值的变量,这个变量就是迭代变量。
二、建立迭代关系式
所谓迭代关系式,指如何从变量的前一个值推出其下一个值的公式(或关系)。迭代关系式的建立是解决迭代问题的关键,通常可以使用递推或倒推的方法来完成。
三、对迭代过程进行控制
在什么时候结束迭代过程?这是编写迭代程序必须考虑的问题。不能让迭代过程无休止地执行下去。迭代过程的控制通常可分为两种情况:一种是所需的迭代次数是个确定的值,可以计算出来;另一种是所需的迭代次数无法确定。对于前一种情况,可以构建一个固定次数的循环来实现对迭代过程的控制;对于后一种情况,需要进一步分析得出可用来结束迭代过程的条件。
文章推荐
© 2019-现在 简易物理,让物理教学更简单