标签：方程 迭代 Aitken Newton 迭代法 收敛 求根

方程求根

1. 根的搜索

根的搜索是数值分析中求解非线性方程 f(x) = 0 的基本步骤。根的搜索主要通过观察函数图像或简单数值方法确定方程在某个区间上的大致根的位置。一个基本方法是通过区间逐步缩小的方式，寻找函数在某个小区间内符号发生变化的点。

区间划分

若 f(x) 在 [a, b] 上连续，且 f(a) * f(b) < 0，则 f(x) = 0 在区间 [a, b] 上至少有一个根。这个方法利用了中间值定理，常用于确定根的大致区间，随后可以使用其他方法进一步逼近。

2. 迭代法

迭代法是一种通过递推公式来逼近方程根的数值方法。给定方程 f(x) = 0，迭代法会将其转化为形式 x = g(x)，然后从初始点 x_0 开始，通过递推公式

\[x_{n+1} = g(x_n) \]

不断生成新的 x_n 值，逐步逼近方程的根。

压缩映像原理

压缩映像原理（Contraction Mapping Principle） 是迭代法收敛的理论基础。它指出，如果迭代函数 g(x) 满足一定条件，则当初始点足够接近根时，迭代序列 {x_n} 会收敛到方程的根。

压缩映像的定义

给定区间 [a, b] 上的一个函数 g(x)，若在区间内 g(x) 的导数绝对值满足以下条件：

\[|g'(x)| \leq L < 1, \quad \forall x \in [a, b] \]

则称 g(x) 为区间 [a, b] 上的压缩映像。这一条件表示 g(x) 的变化率在 [a, b] 上被限制，使得它不会发散，保证了函数的收敛特性。

压缩映像原理的内容

如果 g(x) 在区间 [a, b] 上为压缩映像，且初始点 x_0 在该区间内（即 x_0 ∈ [a, b]），则迭代序列 {x_n} 会收敛到方程 x = g(x) 的唯一不动点 x*，即满足 g(x*) = x* 的解。该不动点就是方程 f(x) = 0 的根。

迭代收敛速度

迭代法的收敛速度是指其收敛至根的效率。收敛速度通常分为以下几类：

1. 线性收敛：如果存在常数 0 < C < 1 使得 |x_{n+1} - x*| \approx C |x_n - x*|，则称收敛为线性收敛。线性收敛速度较慢。
2. 二次收敛：如果存在常数 C > 0 使得 |x_{n+1} - x*| \approx C |x_n - x*|^2，则称收敛为二次收敛。Newton 法通常具有二次收敛。
3. 超线性收敛：介于线性和二次收敛之间的收敛速度，弦截法即属于超线性收敛。

迭代公式的加工和校正

为了提高迭代法的收敛速度，可以对迭代公式进行加工和校正。这通常涉及到引入额外的信息或调整现有的迭代公式，使得更新步骤更加高效。通过这种方式，可以显著减少迭代次数，快速逼近方程的根。

加工迭代公式

1. 改善初始猜测：选择一个更接近实际根的初始点 x_0，可以提高收敛速度。通过对函数特性或图形的分析，合理选择初始值。

2. 调整迭代函数：如果 g(x) 的形式导致收敛缓慢，可以对其进行调整。例如，将 g(x) 改写为其他等效形式，选择更有利于收敛的表达式。

3. 引入加权因子：在更新公式中引入一个加权因子，使得新的迭代值更倾向于某个已知值，例如：

   \[x_{n+1} = (1 - \alpha)x_n + \alpha g(x_n) \]

   其中 0 < α < 1 是一个加权因子，可以根据收敛情况进行调整。

校正迭代结果

1. 多步迭代法：使用多次迭代的结果进行线性组合，以此提高准确度。例如，使用前几次迭代的值来计算一个更精确的结果。

2. Aitken 加速法：如前所述，通过对迭代序列的差商处理，加速收敛。Aitken 加速法的公式为：

   \[x_n' = x_n - \frac{(x_{n+1} - x_n)^2}{x_{n+2} - 2x_{n+1} + x_n} \]

   这种方法通过消除线性误差项，使得更新后的结果收敛速度更快。

3. 混合方法：结合不同的迭代法，例如同时使用牛顿法和弦截法，根据情况选择使用当前估计值的不同方法，能够提高整体的收敛性和稳定性。

通过这些加工和校正的手段，迭代法的效率和准确度可以显著提高，从而更快地找到方程的根。

Aitken 加速法

Aitken 加速法使用插值法中的差商思想，通过对原有的迭代序列进行差商处理，加速收敛。设有一个收敛序列 {x_n}，Aitken 加速法通过构建新的迭代序列 {x_n'}，使其比原序列 {x_n} 更快收敛。

Aitken 加速法的公式为：

\[x_n' = x_n - \frac{(x_{n+1} - x_n)^2}{x_{n+2} - 2x_{n+1} + x_n} \]

其中 x_n' 是 Aitken 加速后的结果。通过消除逐步逼近中的线性误差项，Aitken 加速法使得迭代法能更快接近根。

Aitken 加速法的原理

Aitken 加速法的原理在于通过三次迭代值 x_n、x_{n+1} 和 x_{n+2} 的插值，预测出更加准确的根，减少收敛过程中多余的迭代步骤。对于原始序列 {x_n} 以线性收敛的情况，Aitken 加速后的序列 {x_n'} 可以获得接近二次收敛的效果。

3. Newton 法

Newton 法是一种用于求解方程 f(x) = 0 的高效迭代方法。该方法基于函数的切线来逐步逼近方程的根。

Newton 法的基本思想

给定初始猜测 x_0，Newton 法通过以下迭代公式生成新的迭代值：

\[x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)} \]

其中 f'(x_n) 是函数在 x_n 处的导数。每一步迭代都在 x_n 处画切线，切线与 x 轴的交点即为下一个迭代值 x_{n+1}。

收敛性

如果初始值 x_0 足够接近根 x*，则 Newton 法通常具有二次收敛性，即误差的平方项会影响下一个迭代值，导致收敛速度非常快。

Newton 法的缺点

虽然 Newton 法收敛速度快，但也存在一些缺点：

1. 对初始值敏感：若初始值选择不当，可能导致迭代不收敛或收敛到错误的根。
2. 需要计算导数：如果导数 f'(x) 难以求解，或者在某些点上为零，则无法进行迭代。
3. 数值不稳定：在一些情况下，迭代可能会发散，特别是在 f'(x_n) 较小的区域。

牛顿下山法

为了解决上述问题，提出了牛顿下山法（Newton's Method of Descent），其主要思想是引入一个减小步长的策略，以确保每一步都朝着降低目标函数值的方向前进。

牛顿下山法的迭代公式

牛顿下山法的迭代公式为：

\[x_{n+1} = x_n - \alpha_n \frac{f(x_n)}{f'(x_n)} \]

其中 α_n 是步长因子，通常取值在 (0, 1]，以减小迭代步长，从而降低震荡或发散的风险。

牛顿下山法的优势

1. 稳定性增强：通过调节步长因子，可以有效地控制收敛过程，减少震荡和发散的可能性。
2. 适应性强：根据迭代过程中对函数形态的反馈，动态调整步长，使得算法更为稳健。

总结

牛顿下山法在保持 Newton 法高效性的同时，增强了对初始值选择的容忍度和对导数变化的适应性，使其成为一种更为稳健的求根方法。

4. 弦截法

弦截法（Secant Method）是一种不需要导数信息的迭代方法，通过使用前两个近似点生成新的迭代点，从而逐步逼近方程的根。其迭代公式为：

\[x_{n+1} = x_n - \frac{f(x_n)(x_n - x_{n-1})}{f(x_n) - f(x_{n-1})} \]

弦截法的原理

弦截法采用最近的两个近似点 x_{n} 和 x_{n-1}，连接两点形成弦，求出该弦与 x 轴的交点，作为下一次迭代的近似值 x_{n+1}。该方法在不计算导数时仍能获得较快的收敛速度，特别适用于导数难以计算的情况。

弦截法的优缺点

• 优点：不需要导数信息，计算较为简单。
• 缺点：收敛阶略低于 Newton 法；此外，如果前两个点的选择不佳，弦截法的收敛可能不稳定。

5. 其他方法（待补充）

此部分包含其他求根方法，包括可能的高级迭代技术和混合方法，便于进一步提升收敛速度和精度。

标签：方程,迭代,Aitken,Newton,迭代法,收敛,求根
From： https://www.cnblogs.com/LilMonsterOvO/p/18528509