目录
一,牛顿法
牛顿法,也叫牛顿迭代法、切线法,是一种迭代求解函数零点的方法。
原理:
令f(x)=0则
取,在一定的范围(x的足够小的邻域)内,x1比x0更接近所求的零点x
根据这个原理,不断的迭代,即可越来越接近x值。
double f(double x)
{
return x * x + x * 5 - 8;
}
double df(double x)
{
double eps = 0.001;
return (f(x + eps) - f(x)) / eps;
}
double newton(double x)
{
double eps = 0.000001;
int times = 100;
while (times--) {
double x2 = x - f(x) / df(x);
cout << x2 << " ";
if (abs(x - x2) < eps)return x2;
x = x2;
}
return 0;
}
int main()
{
double ans = newton(0);
cout << endl << ans << " " << f(ans);
return 0;
}
输出:
1.59968 1.28782 1.27494 1.27492 1.27492
1.27492 3.2081e-12
可以看出收敛很快。
二,牛顿法的局限性
1,牛顿法对于初始值有要求,而且没有很简单的方法去判断一个邻域是否已经足够小。
2,序列{x0,x1,x2...}越来越接近x,单调有界必要极限,但是这个极限值是否一定是x,我个人不太确定,但是找到了一个课件中给出了答案:
结论是对于单根,|xi - x|平方收敛,但对于有重根的情况只是线性收敛。
如果知道是m重根,则可以改进公式为:
三,牛顿下山法
每取一个新值之前学习率设为1,每次取到新值之后,判断新的函数值是否更接近0,如果不是则降低学习率直到新的函数值更接近0。
在一定程度上降低对于初始值的范围要求。
double newton(double x)
{
double eps = 0.000001;
int times = 100;
double learningRate = 1;
while (times--) {
double x2 = x - f(x) / df(x)*learningRate;
cout << x2 << " ";
if (abs(x - x2) < eps)return x2;
if (abs(f(x2)) < abs(f(x))) {
x = x2, learningRate = 1;
} else {
learningRate /= 2;
}
}
return 0;
}
四,割线法
在曲线上取AB两点,求切线AB和x轴的交点C,让BC取代AB进入下一轮迭代,直到两点间距达到精度要求。
收敛定理: